一种改进YOLOv7-GCA的车型快速识别方法

针对道路车流量大、车型识别速度慢等问题,提出了一种改进YOLOv7-GCA的车型快速识别方法。首先,采用参数量更小、检测速度更快的轻量化卷积GhostConv替换网络中的普通卷积Conv,以提高车型识别速度;其次,为了保证模型的识别精度,在进入颈部前引入CA注意力机制模块。实验结果表明,YOLOv7-GCA模型在保证识别精度的前提下,减少了模型的参数量和复杂度,提高了车型识别速度。

基于Fire-MCANet的火焰检测模型

针对火焰检测参数量和计算量较大及准确度较低的问题,提出一种基于Fire-MCANet(Fire-Max Convolution Activate Networks)的火焰检测模型。该模型首先构建一种MCA(Max Convolution Activate)模块,使用大卷积核获取感受野,提高特征提取的能力;其次构建主干网络MCANet Block,在提升感受野的同时,降低模型的参数量和计算量;最后引入CA(Coordinate Attention)注意力机制获取火焰的位置信息。实验结果表明,基于Fire-MCANet的火焰模型的检测准确率达到95.75%,计算量仅有2.13 GMac;其网络模型的结构比ConvNeXt网络更加轻量化,检测效果也更好。

一种基于通道注意力机制的交通监控视频超分辨率算法

为提升交通监控视频的显示质量,进而提高监控视频车牌识别成功率,提出一种基于通道注意力机制(Channel-wise Attention,CA)和BasicVSR模型的监控视频超分辨率模型。在BasicVSR模型中引入CA,使模型能学习不同通道之间的非线性依赖关系,从而有效提升监控视频超分辨率图像的质量。在某交通监控场景下开展车牌识别试验,对该CA-BasicVSR模型的有效性进行验证,结果表明:在交通监控画面还原任务中,该模型对画面还原的峰值信噪比相比EDVR-L模型和BasicVSR模型能分别提高约1.3 dB和0.3 dB;在车牌识别任务中,使用该模型处理的交通监控视频画面作为输入,相比原始低分辨率的视频画面,能提高车牌识别的成功率。

基于IEEE 802.15.4 CSMA/CA机制的无线传感网络实时性能改进

自从IEEE802.15.4标准发布以来,低功耗、低速率传输的无线传感器网络的应用几乎涉及到现实生活的方方面面,而对这个标准的CSMA/CA机制实时性分析大部分都是基于BEB退避机制的分析。针对非饱和的CSMA/CA机制,提出了1种改进实时性能的退避机制LIB,采用马尔可夫链详细分析节点的访问过程和信道状态,并且基于这个模型,分析了不饱和、无ACK的IEEE 802.15.4信标使能访问机制的数据包传送时间,得到描述实时性能表达参数,包括数据包到达率、节点数量等参数对系统实时性的影响,从而定量改进实时性。本文的特点是采用线性增长而不是指数增长的退避机制,从而大大提高了数据包访问信道的时间性能;不饱和性是取决于数据包达到率而不是事先预定的idle长度。我们得到的分析结果与我们采用NS-2工具仿真的结果十分吻合。

基于IEEE802.15.4CSMA/CA机制的无线非均匀传感网络实时性能分析

自从IEEE802.15.4标准发布以来,低功耗、低速率传输的无线传感器网络的应用几乎涉及到现实生活的方方面面,而这个标准的CSMA/CA机制性能分析大部分都是基于均匀、饱和的传感器网络。针对非均匀、非饱和的CSMA/CA机制,提出了一种离散的性能评估方法,采用两个半马尔可夫链来分别表达两组节点的访问过程、一个宏观马尔可夫链来表达信道状态。最大的特点是两组节点被赋予了公平的机会来访问信道,而不存在优先权的问题。基于这个模型,分析了不饱和、无ACK的IEEE 802.15.4信标使能访问机制的数据包传送时间,包括数据包到达率、包大小、节点数量等参数对系统实时性的影响,并且这些分析结果与采用NS-2工具仿真的结果十分吻合。

基于小目标类别注意力机制与特征融合的AF-ICNet非结构化场景语义分割方法

针对非结构化道路分割难度大、小目标检测精度较低等问题,构建基于小目标类别注意力机制与特征融合的AF-ICNet轻量级实时语义分割网络。采用空洞空间卷积池化金字塔融合不同尺度特征感受野以增强网络的全局感知能力。嵌入CA注意力机制,建立通道信息和空间位置信息以增强网络对非结构化道路小目标类别语义特征的提取能力。针对类别分布不均衡问题,改进权重交叉熵损失函数。利用AF-ICNet模型对Cityscapes与IDD数据集进行训练,在Cityscapes测试图像中分割的MIoU达到了71.5%,在IDD测试图像中分割的MIoU达到了62.5%。搭建实验测试系统进行实景测试,测试结果表明,AF-ICNet有效提升了非结构化道路及小目标类别的分割精度,并满足测试的实时性要求。

两种异构CSMA/CA机制OSTS/BSTS无线传感网络公平性、实时性分析比较

IEEE802.15.4作为一种专为低速率无线个人区域网络(WPAN)而设计的低成本、低功耗、低速率的短距离无线通信新标准,为无线传感器网络提供了一种很好的解决方案。本文针对异构、非饱和无线网络,提出了两种新的CS-MA/CA机制:OSTS/BSTS机制;异构节点数据到达率不同,其各自获取的吞吐量不同,由此分析获得异构网络节点的公平性。OSTS/BSTS机制最大的特点是异构节点被赋予了公平的机会来访问信道,不存在优先权等级的问题。这两种机制采用两个半马尔可夫链模型来分别表达两组节点的访问过程,一个宏观马尔可夫链模型来表达信道状态转换过程,结合队列理论模型来分析异构节点的延时量、吞吐量、传输概率等特性,以获取网络实时性、公平性理论模型,并采用NS-2仿真工具对分析结果进行了仿真。

基于队列理论CSMA/CA机制的无线传感器异构机制OSTS的实时性分析

自从IEEE 802.15.4标准发布以来,基于低功耗、低速率传输的无线传感器网络的应用几乎涉及到现实生活的方方面面;但是关于这个标准的CSMA/CA机制大部分都是基于均匀、饱和的传感器网络应用。文中针对非饱和、带缓存的无线传感器异构网络,提出了一种新的异构的CSMA/CA机制OSTS。该机制采用2个马尔可夫链来分别表示异构节点访问信道的过程、一个宏观马尔可夫链来表达信道状态转移,且结合M/G/1/K队列理论分析数据包传送的实时性能,并相应地改进系统的实时性。文中最大的特点是两组非均匀节点被赋予了公平的机会访问信道,而不存在优先权的问题。此外,详细分析了这种机制的数据包传送时间,包括数据包到达率、包大小、节点数量、缓存大小等参数对系统实时性的影响;这些分析结果与我们采用NS-2工具仿真的结果十分吻合。

引入CA机制的移动网络安全传输协议模型

安全性是移动Agent系统应用的关键问题,借鉴电子商务安全解决方案,本文在对移动Agent的安全问题及研究现状的分析基础上,讨论了一种引入CA作为第三方可信主机,由CA完成公钥的分发、管理和验证服务的移动Agent安全传输协议模型,并给出了其在Aglets平台上的实现方法。

CRISPR/Cas9基因编辑在三维基因组研究中的应用

CRISPR/Cas9系统在基因编辑方面具有巨大优势,能够低成本、可编程、方便快捷地用于动物、植物以及微生物的基因组靶向编辑和功能改造。三维基因组学是近年来兴起的一门研究染色质高级结构动态调控及基因组生物学功能的交叉学科。在三维基因组研究中,通常采用对DNA片段进行基因编辑以模拟基因组结构性变异,标记特定DNA片段,进而研究调控元件对于基因调控、细胞分化、组织发生、器官形成、个体发育的影响,最终阐明三维基因组的组装调控机制和生物学功能。因此,CRISPR及其衍生技术为研究三维基因组提供了极好的遗传学工具。本文主要综述了CRISPR片段编辑及其衍生技术在三维基因组调控与功能研究中的应用,以期为后续研究工作提供理论参考以及新的研究思路。

基于改进YOLOv5的皮革抓取点识别及定位

为实现机器人对皮革抓取点的精确定位,文章通过改进YOLOv5算法,引入coordinate attention注意力机制到Backbone层中,用Focal-EIOU Loss对CIOU Loss进行替换来设置不同梯度,从而实现了对皮革抓取点快速精准的识别和定位。利用目标边界框回归公式获取皮革抓点的定位坐标,经过坐标系转换获得待抓取点的三维坐标,采用Intel RealSense D435i深度相机对皮革抓取点进行定位实验。实验结果表明:与Faster R-CNN算法和原始YOLOv5算法对比,识别实验中改进YOLOv5算法的准确率分别提升了6.9%和2.63%,召回率分别提升了8.39%和2.63%,mAP分别提升了8.13%和0.21%;定位实验中改进YOLOv5算法的误差平均值分别下降了0.033 m和0.007 m,误差比平均值分别下降了2.233%和0.476%。

基于改进YOLOv5的条烟识别研究

目的针对当下烟草物流中心条烟分拣机及人工分拣时会产生错烟等问题。从兼顾实时性、识别精度出发,基于YOLOv5s算法提出一种收敛速度更快、准确率更高的条烟识别模型。方法首先在YOLOv5s网络架构中融入CA注意力模块来更好地提取特征,提高模型获取目标位置的准确度;其次将原网络中的最近邻插值上采样算子改为轻量级通用上采样算子CARAFE,获得更大的感受野;然后在骨干网络中嵌入Ghost模块,对网络进行轻量化处理;最后在烟草物流中心搭建条烟图像采集系统,建立条烟图像数据集。结果相较于YOLOv5s,本文提出的优化算法计算量减少了45.8%,mAP@0.5值达到了99.3%,在条烟纠错系统上识别率约为99.9%。结论本文提出的优化算法能够高精度满足高速条烟分拣识别需求。

IEEE802.11b的媒体访问机制

IEEE80 2 .11b采用无线方式传输信息 ,而无线方式传输与有线方式传输相比 ,具有较大的复杂性 ,所以其MAC(媒体访问控制 )机制也更加复杂。论文在较为深入的对IEEE80 2 .11b协议研读后 ,比较详细地阐述了IEEE80 2 .11b的媒体访问机制──CSMA CA(载波监听多路访问 冲突避免 )机制 ,以及在CSMA CA基础上的两种具体实现控制方式──DCF(分布式 )控制方式和PCF(点协调式 )控制方式 ,同时还简要探讨了MAC层的差错控制问题。

基于YOLOv5s室内目标检测轻量化改进算法研究

针对现有室内目标检测算法,存在结构复杂,计算量以及模型参数量过大等问题,难以部署到计算能力有限的室内机器人平台,实现高效的目标检测。为解决这一问题,提出了一种改进的YOLOV5s轻量化检测算法。该方法采用ShuffleNetv2作为主干特征提取网络,并且在改进的主干网络基础上采用CA注意力机制,同时在颈部网络中采用GSConv和VOV-GSCSP模块。最后引入边框回归损失函数EIOU加快网络收敛。研究结果表明,改进后的目标检测算法,模型计算量减少了68.75%,模型参数量减少了62.2%,权重文件减少了59.7%,平均精确率mAP均值为0.653,改进后的目标检测模型能够在保证轻量化的同时保证检测精度。

改进YOLOv7-tiny的无人机目标检测算法

针对无人机视角下小目标难以检测、目标密集和环境复杂导致漏检概率增加的问题,提出一种改进YOLOv7-tiny的无人机目标检测算法。在原主干网络的基础上增加一个并行网络,加强主干网络对特征图信息的提取能力;增加细小目标采样尺度并改进FPN结构,使主干网络输出的特征图可以用于后续上采样和下采样当中,提高网络精度;加入CA注意力机制,优化主干网络输出特征图,减少特征信息损失;使用WIoU损失函数计算定位损失,增强网络对小目标的检测能力。实验结果表明,相较于原算法,改进YOLOv7-tiny算法的准确率和召回率分别提升了2.8和2.7个百分点,mAP@0.5和mAP@0.5:0.95分别提升了3.8和3.2个百分点,有效提高了算法的检测精度。

基于改进YOLOv5算法的瓜蒌分级方法

为解决瓜蒌检测技术存在的检测精度低且检测时间长的问题,提出一种基于改进YOLOv5算法的瓜蒌分级方法YOLOv5-GCB。在主干网络引入Ghost卷积模块替换传统卷积,在保证准确率的同时减少模型的参数量;在特征提取网络和推理层之间添加CA注意力模块,增强模型对空间和通道信息的关注,提高检测精度;在颈部网络中引入双向加权特征金字塔网络(Bi-directional Feature Pyramid Network,BiFPN)替换原始结构,融合不同尺度特征提升多尺度目标的表达能力。结果表明:与原有的YOLOv5模型相比,改进的YOLOv5-GCB算法对瓜蒌等级的检测准确率提高4%,达到95.3%,检测速度达到31.5 fps。该研究提出的算法在保证瓜蒌分级检测准确率的同时拥有更高的识别速度,为实际场景中的瓜蒌分级提供理论研究和技术支持。

基于改进YOLOv7的织物表面疵点检测技术

针对目前纺织工业中织物疵点检测技术的局限性,提出一种用于自动检测织物缺陷的改进YOLOv7算法。首先,在颈部网络引入SPD-Conv模块,在进行卷积下采样时保留与疵点相关的特征辨别信息,解决了原网络对于小目标的特征信息学习不足的问题;其次,YOLOv7的主干网络通过引入CA注意力机制,在兼顾通道注意力的同时,还考虑了位置信息,从而更有效地识别疵点;最后,把WIoU用作边框损失函数,使其更加侧重于一般品质的锚框,从而增强了YOLOv7的泛化能力。通过实验对比发现,改进后算法的mAP值为92.28%,精度为95.65%,分别比原始YOLOv7算法提高了2.64%和4.12%,能够达到纺织产业在疵点检测方面的要求。

改进轻量化 YOLOv7-tiny 道路限高障碍物检测方法

针对道路限高障碍物检测困难、模型复杂以及难以在嵌入式端部署等问题,提出一种基于改进轻量化YOLOv7-tiny模型的道路限高障碍物检测方法。改进模型采用更加轻量的FasterNet网络替换原有主干网络,在Neck层使用PConv卷积替代部分Conv卷积,以减少计算冗余和内存访问,从而有效降低模型的参数量和计算量。同时,引入CA注意力机制提高检测精度,并使用Focal-EIoU损失函数优化模型的收敛速度和效率。实验结果表明:相较于YOLOv7-tiny目标检测模型,改进模型在检测数据集上,mAP@0.5提高6.6%,参数量和计算量分别降低24%和20.5%,模型权重文件减少27.2%,能够在保持较高检测精度的同时,满足轻量化的需求。

改进YOLOv4-tiny的疫情协同口罩佩戴检测方法

口罩的佩戴对于疫情防控起着极其重要的作用,针对大规模人群下口罩佩戴检测实时性欠佳、难以部署的问题,提出了一种改进YOLOv4-tiny的疫情协同口罩佩戴检测方法。该算法以YOLOv4-tiny为基础,用两个Resblock-D模块替代CSP模块,降低特征提取网络复杂度,提升检测速度;引入SPP,增加了网络的感受野,使网络满足任意尺寸的影像输入,并增强算法的鲁棒性;引入两层CA注意力机制,提高算法的利用率以保证检测精确度。通过实验检测结果表明,相较于原始YOLOv4-tiny,所提网络mAP提升了0.5个百分点,达到94.0%,检测速度提升了3.96 FPS。在保证检测速度有少量提升的基础上有效提高了检测速度,综合性能得到提升。

基于YOLOv5s的轻量化行人检测算法

行人检测系统普遍安装在移动智能设备上,而这些设备对模型的轻量化要求较高,已有算法很难在精度和轻量化之间达到平衡。针对这一问题,提出一种改进的YOLOv5s轻量化行人检测模型。选用EIoU作为边界框损失函数,加速收敛并提高回归精度;结合CA(Coordinate Attention)注意力模块改进主干网络的C3模块,增强模型对行人目标的精确定位能力;引入一种新卷积层GSConv替换颈部网络的卷积层(Conv),以减轻模型的复杂度并保持准确性;引入改进的自注意力模块CoT,进一步提高网络模型的特征表达能力。使用INRIA数据集进行训练和测试,实验结果表明:改进后的模型mAP@0.5达到97%,相比于原始模型提高1.9%,mAP@0.5:0.95提高2.1%;而模型参数量降低10.5%,模型体积降低13%,计算量GFLOPS减少7%,能够在提高行人检测精度的同时使得模型更加轻量化。