基于近邻的不均衡数据聚类算法

针对经典K–means算法对不均衡数据进行聚类时产生的"均匀效应"问题,提出一种基于近邻的不均衡数据聚类算法(Clustering algorithm for imbalanced data based on nearest neighbor,CABON).CABON算法首先对数据对象进行初始聚类,通过定义的类别待定集来确定初始聚类结果中类别归属有待进一步核定的数据对象集合;并给出一种类别待定集的动态调整机制,利用近邻思想实现此集合中数据对象所属类别的重新划分,按照从集合边缘到中心的顺序将类别待定集中的数据对象依次归入其最近邻居所在的类别中,得到最终的聚类结果,以避免"均匀效应"对聚类结果的影响.将该算法与K–means、多中心的非平衡K_均值聚类方法(Imbalanced K–means clustering method with multiple centers,MC_IK)和非均匀数据的变异系数聚类算法(Coefficient of variation clustering for non-uniform data,CVCN)在人工数据集和真实数据集上分别进行实验对比,结果表明CABON算法能够有效消减K–means算法对不均衡数据聚类时所产生的"均匀效应",聚类效果明显优于K–means、MC_IK和CVCN算法.

基于改进YOLOv4的焊接件表面缺陷检测算法

目的针对真实复杂的工业场景下焊接件表面缺陷检测精度低、速度慢和图像噪声大等问题,提出一种基于卷积神经网络的改进YOLOv4焊接件表面缺陷检测算法。方法该模型基于YOLOv4算法,首先,考虑到存储和计算资源的限制,使用了轻量级网络GhostNet替换YOLOv4的主干特征提取网络(Backbone)CSPDarknet53;其次,在GhostNet网络结构中嵌入改进的通道注意力机制,能够提高模型的学习能力且减少参数量;最后,引入K–means++聚类算法对焊接件表面缺陷数据集中待检测的标注框宽高进行聚类,使网络模型更容易检测到样本中的缺陷。结果实验结果表明,改进后的YOLOv4算法平均精度(mean Average Precision,mAP)为91.07%,检测速度达到48.11帧/s,模型尺寸为43.2 MB,比原始YOLOv4算法平均精度提升了4.61%,检测速度提高了26.59帧/s,模型尺寸缩减了82.37%。结论所提模型提高了焊接件表面缺陷检测的精度和速度,在工业表面缺陷检测中具有现实意义。

考虑道路坡度影响的多约束冷链配送问题研究

目的为改进传统冷链VRP将配送区域默认为二维平面,使得实际调度与理想状态产生差异而造成配送成本增加的问题,本文对相关问题进行深入研究,旨在合理规划资源配置,提升企业经济效益。方法通过引入坡度函数对油耗成本和碳排放成本进行计算,综合考虑三维空间位置、多车型、载质量变化、客户取送货需求和时间窗要求等多种现实约束,并提出一种基于K–means多维时空聚类的改进遗传算法进行求解。结果求解结果表明,若最初将道路坡度考虑在成本计算内,可有效降低9.58%的配送成本。同时,应避免大型车辆在重载时突然发生海拔变化。当发生海拔变化时,大型车辆可在卸载一部分货物后改变至更高的高度。结论本文研究的模型更加贴近实际路网,具有更高的适用性,特别是对有明显道路坡度城市的冷链品的配送具有现实的借鉴意义。

基于深度学习的烟包识别与分类

目的 提取烟包图像数据训练深度学习目标检测模型,提升烟包流水线拣包效率和准确性。方法 基于深度学习建立一种烟包识别分类模型,对原始YOLOv3模型进行改进,在原网络中加入设计的多空间金字塔池化结构(M–SPP),将64×64尺度的特征图下采样与32×32尺度的特征图进行拼接,并去除16×16尺度的预测特征层,提高模型的检测准确率和速度,并采用K–means++算法对先验框参数进行优化。结果 实验表明该目标检测模型平均准确率达到99.68%,检测速度达到70.82帧/s。结论 基于深度学习建立的图像识别分类模型准确率高且检测速度快,有效满足烟包流水线自动化实时检测。