基于预训练模型的深度学习算法及其在图书馆行人目标检测中的应用

图书馆行人目标检测能够实现对图书馆内行人目标情况的统计,观察读者的学习行为和时间倾向,对提高服务质量和改善图书馆设施构造具有重要作用。现有图书馆行人目标深度学习算法能够对行人目标进行自动识别和统计,但计算复杂度高,神经网络模型的训练效率低,难以适应图书馆不同场所的需求。对上述问题,文章提出一种基于预训练模型的深度学习算法。该算法基于迁移学习的思想,对模型进行预训练,从而避免模型从零开始训练,并且设计了一种广义损失函数,该函数不仅关注不同对象的重合区,还关注不重合区,从而能更好地体现出两个对象的重合性。实验结果表明,基于预训练模型的深度学习算法能够提高行人目标检测模型的训练效率以及检测的精确度和查全率,能够满足图书馆不同场景下行人目标检测的需求。

基于改进孤立森林算法的交通流异常数据检测模型

针对交通流异常数据实时检测问题,提出一种基于改进孤立森林算法与K-Means++算法相结合的交通流异常数据检测模型。首先,使用交通流量和交通流速度数据构建交通流序列;然后,利用改进孤立森林算法,构建交通流数据的异常评分模型,并通过K-Means++算法构建滑动窗口计算出异常评分的阈值,以此来实现对交通流数据异常值的实时检测;最后,通过实例分析验证模型的合理性和可行性。研究结果表明:改进孤立森林算法与K-Means++结合的方法可以准确地确定异常评分的阈值进而检测出异常数据;该模型与仅考虑交通流流量的模型、传统孤立森林模型相比,AUC分别高出29.7%和5.3%,与其他常用的LOF、ABOD、OCSVM方法相比,AUC均有所提高。该模型准确率明显提升,在交通流异常数据检测中具有更好的适用性,能够为交通管理部门提供交通状况检测支持,提高交通管理效率。

改进肤色模型和光流算法的人脸检测方法

人脸检测具有很高的实际应用价值,例如在身份识别、视频监控等领域的应用也越来越广泛,其检测的方法多种多样。为解决视频序列中的人脸检测问题,总结了肤色模型和光流算法的优缺点,融合二者优势,提出了改进的基于肤色模型和光流算法的人脸检测算法。该方法在一定程度上解决了人脸旋转、部分遮挡、表情变化和光照对人脸检测和跟踪的影响,具有较强的鲁棒性。

一种滑动检测算法下的滑坡位移时序分解方法

针对“阶跃式”滑坡位移时序分解模型力学解释性不强的缺陷,根据西原蠕变本构模型与自适应改进遗传算法模型,提出滑动R_(nl)阶跃点检测方法与改进加权移动平均修正阶跃项位移方法,并将该方法应用于白水河滑坡位移时序分解。将滑动R_(nl)阶跃点检测结果与MK检验结果、滑动t检验结果以及Bayes检测结果作对比。结果表明,滑动R_(nl)阶跃点检测结果更加准确与适用;同时将新型滑坡位移时序分解结果与二次移动平均时序分解结果、三次指数平滑时序分解结果以及VMD时序分解结果作对比。结果表明,新型滑坡位移时序分解方法解决了滑坡趋势项位移无规律、无力学解释性的问题,且在时序分解加法模式中单独引入滑坡位移预测中最重要的阶跃项位移,分析预测更具有针对性。因此,新型时序分解模型有一定的工程价值与时序预测借鉴价值。

基于AR/CGARCH模型的液体火箭发动机自适应阈值故障检测算法

为了解决传统自适应阈值算法对时间序列方差跟踪能力不足,以及故障阶段带宽自动放大的问题,提出了紧广义自回归条件异方差(Compact General Auto-Regressive Conditional Heteroskedasticity,CGARCH)模型。针对液体火箭发动机稳态试车数据的波动性特点,提出一种基于自回归(Auto-Regressive,AR)模型和CGARCH模型的自适应阈值故障检测算法。采用AR模型对稳态参数的均值进行估计,并采用CGARCH模型对稳态参数的方差进行估计,从而利用均值和方差的估计值自适应地构造检测阈值。用某氢氧火箭发动机的热试车数据进行验证,结果表明,该算法能够准确、快速、灵敏地检测液体火箭发动机故障,在正常工作阶段,能够有效跟踪数据波动性,在故障阶段,能够避免阈值变宽带来的漏检。

轻量级锻件表面裂纹检测算法

针对复杂场景下缺陷检测算法占用内存大、计算复杂度高和检测速度难以满足实时需求等问题,本文提出一种基于YOLOv8的轻量级锻件缺陷检测算法。首先,采集重卡转向节生产流水线探伤车间的磁粉检测图像,构建锻件表面裂纹数据集;然后,提出轻量化卷积模块GSConvns,以增强特征交互并降低计算量;同时,引入Shape-IOU损失函数,优化训练效果;最后,利用LAMP剪枝策略去除不重要的权重参数,减少模型体积并提高检测速度。实验结果表明,模型的mAP值为83.8%,参数量和计算量分别减少85.05%和80.25%,检测速度从38.7 FPS提升至65.6 FPS,显著优于其他主流算法,更适用于实时检测。在公开数据集上的测试进一步验证了其泛化能力,与基准算法相比,未剪枝的改进算法mAP值提升了2.0%。综上,本文算法能在不显著降低检测精度的前提下,大幅度提升了检测速度和资源利用效率。

基于MOPSO算法改进的异常点检测方法

挖掘工业大数据的隐含价值是智能制造的一个重要研究方向,针对工业大数据特点开展异常点检测是实现数据分析的前提。首先,介绍了工业大数据异常点检测解决的主要问题,提出相关定义。其次,基于多目标粒子群算法(MOPSO),提出一种工业大数据异常点检测的改进DBSCAN模型,介绍了模型的算法设计思想、算法步骤,完成了算法伪代码的编写,并提出了算法时间复杂度的计算方法。最后,通过某电芯工厂制造数据,进行了模型仿真与实验,经实验验证,所提模型提高了工业大数据异常点检测的准确率,为数据挖掘在工业异常点检测中的应用提供了参考。

基于贝叶斯层级模型的用户异常行为检测研究

大多数操作系统的安全防护主要依赖基于签名或基于规则的方法,因此现有大多数的异常检测方法精度较低。因此,利用贝叶斯模型为同类群体建模,并结合时间效应与分层原则,为用户实体行为分析(User and Entity Behavior Analytics,UEBA)研究提供精度更高的数据集。然后,将基于实际记录的用户行为数据与贝叶斯层级图模型推测出的数据进行比较,降低模型中的误报率。该方法主要分为两个阶段:在第1阶段,基于数据驱动的方法形成用户行为聚类,定义用户的个人身份验证模式;在第2阶段,同时考虑到周期性因素和分层原则,并通过泊松分布建模。研究表明,数据驱动的聚类方法在减少误报方面能够取得更好的结果,并减轻网络安全管理的负担,进一步减少误报数量。

基于盘古大模型的矿用钢丝绳表面损伤检测研究

国内矿用钢丝绳检测通常采用MT716-2005标准,通过人工目视、触摸等方法来检测钢丝绳表面的损坏情况。人工检测存在因检测人员专业水平参差不齐、人力资源不足或者疲惫而产生错误结果等误判情况。针对该问题,设计了一种基于盘古大模型的矿用钢丝绳表面损毁检测模型。该模型使用NL-means算法去噪和华为云Modelarts平台提供的pangucv-det-protect算法进行物体检测,并对检测结果做出预测,预测数值代表可信度。结果表明,该模型能够有效检测钢丝绳的变形、磨损、锈蚀等损伤情况。

基于超像素分割的车辆检测算法

随着我国落地机动车数量增加,路面交通压力也逐步增加,采用人工智能方法对车辆进行快速识别,从而获得车辆和路况等信息具有重要意义。针对SLIC算法在目标与环境颜色或亮度极度相似时效果不佳的问题,文章考虑车辆具有对称性和轮廓等特征,提出一种基于自适应的超像素分割车辆检测算法。在原有算法引入变量λ,用于衡量亮度与颜色之间的重要性,改善SLIC模型。论文选定了BIT-vehicle数据集在YOLOv5模型进行实验。此算法能有效提高YOLOv5模型在车辆识别的性能,实验结果表明对比未处理的模型精度提高1%,全类平均精度提高1.3%。

基于误差效应的亚像素边缘检测算法

针对传统亚像素边缘检测算法在实时性、精确性和鲁棒性之间难以平衡的问题,提出了一种基于误差效应的亚像素边缘检测方法。该方法首先建立边缘函数模型,并计算每个像素边缘对应函数方程常数项的近似值和对应误差,然后结合最小二乘法使整体函数模型误差最小,从而获得较为精确的边缘参数。基于标准图像和实际图像的实验测试结果表明,该算法具有快速、鲁棒性强和检测精度高等优点,能够满足实时检测的要求,评价指标优于其他传统算法。

基于DFT-MARTE模型的时序分析算法

针对航天嵌入式软件(aerospace embedded software,AES)时序需求复杂带来的时序需求定义不准确问题,提出一种基于MARTE(modeling and analysis of real-time and embedded systems)模型的数据流时序(data flow timing based on MARTE,DFT-MARTE)模型,设计基于该模型的处理点缓存计算算法、时序偏离概率检测算法和时序序列分析算法。处理点缓存计算算法动态更新缓存空间,使后续时序检测正常执行;时序偏离概率检测算法利用多线程并发模拟时序特性,检测需求中时序偏离问题;时序序列分析算法是基于梯度下降算法,拟合时序序列,指导用户优化需求。该模型相比传统数据流模型更适用航天嵌入式软件,利于后续开发和维护,具有极高的应用价值。

基于感知哈希算法的Android恶意软件入侵检测仿真

为保护智能终端用户隐私信息安全、避免恶意软件入侵破坏终端功能,提出一种基于感知哈希算法的Android恶意软件入侵检测方法。令Watson感知模型和哈希算法结合,将恶意软件代码可视化变换为灰度图像,经离散余弦变换,得出代码特征对比度掩蔽表达矩阵,使用明科斯基法获得感知哈希序列距离误差。考虑到同家族软件代码相似度高,为避免恶意开发人员通过伪装或者混淆代码方式使检测方法失效,计算代码局部特征的权重值,明确不同特征对哈希序列相似度检测结果的影响,最后与历史数据库内已知的恶意软件代码对比感知哈希序列,输出检测结果。经过仿真证明,所提方法能够精准检测出入侵的恶意软件,且误报率低,检测耗时短,具有极高的应用价值。

基于注意力机制的轻量级矿井钢丝绳断丝检测算法研究

立井提升系统作为煤矿生产中的主要运输设备,其核心构件钢丝绳常因工作负荷大、受到腐蚀、磨损等原因而产生断丝引发事故。传统的立井提升机钢丝绳检测算法存在效率低、劳动强度大、智能化程度差和准确率低等问题。基于此,提出一种改进YOLOv5s模型,并基于改进的模型进行矿井钢丝绳断丝检测。首先,设计Swiener滤波算法进行钢丝绳图像运动模糊修复,抑制噪声干扰;其次,在特征提取阶段,引入RFC3轻量化模块降低模型可训练参数,提升钢丝绳检测速度;第三,提出CBAM R注意力机制,增强模型对小断口断丝的检测能力;最后,引入Focal EIoU损失函数,提高模型对小断口断丝的检测精度并加速模型收敛。研究结果表明:所提出的基于注意力机制矿用钢丝绳断丝检测算法(CTR YOLO)可以更好地满足实际应用需求,减少了误检、漏检导致的人力成本浪费及安全事故的发生。

基于人工免疫算法的网络安全风险检测系统研究

为实现计算机网络安全风险的精确化、快速化检测,保证计算机网络运行的安全性可靠性,通过应用人工免疫算法,完成对网络安全风险检测系统设计。首先,介绍网络安全检测技术、人工免疫相关概念。其次,结合网络安全检测需求,完成对网络安全风险检测模型的设计和实现。最后,采用实验对比的方式,验证网络安全风险检测系统的性能。结果表明,本系统具有数据包检测误报率低、检测率高等特点,表现出强大的检测能力,完全符合预期设计标准和要求。希望通过本次研究,为相关人员提供有效的借鉴和参考。

基于卡尔曼(Kalman)滤波算法的体育训练视频中的运动目标检测

体育训练视频中的运动目标检测往往存在目标快速移动、目标遮挡和场景变化等问题,导致运动目标检测的难度增大。为了解决这些问题,提出了基于卡尔曼(Kalman)滤波算法的体育训练视频中运动目标检测的方法。为了提升体育训练视频图像的质量,首先对体育训练视频的图像进行一系列预处理(包括灰度变换、轮廓对比增强和噪声抑制等);然后借助混合高斯模型(Gaussian mixture module,GMM)有效提取体育训练视频的前景信息;为了精准捕捉体育训练视频中的运动目标,运用三帧差分法设定Kalman滤波器的初始状态,利用高效检测算法准确获取每一帧图像中运动目标的观测位置;随后将初始状态和观测位置的数据输入Kalman滤波器;最后在Kalman滤波器中,结合上一帧的预估值和当前帧的监测值,对体育训练视频中运动目标的当前状态进行精确估算和优化,并对下一帧的状态进行预测,从而实现了对运动目标的持续跟踪与精准预测。实验结果表明,与基于特征融合的全卷积孪生网络(siamese full convolution,Siamfc)目标追踪算法和基于连续自适应均值漂移(continuously adapting mean shift,Camshift)的均值漂移(mean shift,Meanshift)改进算法相比,采用基于Kalman滤波算法的运动目标检测方法对运动目标的重叠精度(overlap precision,OP)和中心位置误差(center location error,CLE)进行检测,不仅能够有效检测到体育训练视频中的运动目标,还可表现出较高的准确性和实时性。

光伏发电功率预测中雪检测算法的机器学习方法

光伏(PV)面板是光伏发电技术中广泛使用的主要可再生能源设备。由于光伏发电受天气条件影响巨大,降雪和面板积雪会极大地影响光伏面板的输出功率。如何在降雪和积雪因素影响下,预测光伏发电系统的输出功率对于电力部门完成电力调度控制十分重要。考虑到降雪和积雪因素无法直接使用具体公式表达。本文将介绍一种机器学习方法,使用SVM和KNN作为检测雪效应的分类器,将光伏发电功率预测中雪检测问题转换为分类问题。文中提出的雪检测算法在真实有记录的数据上进行了验证,通过光伏发电功率预测精度的提升评估方法的效果。

基于融合机器学习算法的网络入侵检测与定位技术

针对传统的网络入侵检测系统中存在的漏报、误报率较高的问题,文中提出一种基于融合机器学习算法的网络入侵检测与定位技术。该技术方案的核心算法由PCA、DCNN以及LightGBM组成,针对网络流量数据维度高的特点,使用PCA进行主动降维,并通过DCNN模型对降维后的数据加以训练。针对分类模型LightGBM存在边缘数据检测精度较低的问题,利用损失函数对其进行权重改进,从而提高算法的准确率和执行效率。实验与测试结果表明,所提方法的多项指标均优于基础算法LightGBM,可实现对网络入侵的有效检测与定位。与GAN、LSTM、SVM、RF以及CNN算法的横向对比实验结果表明,所提算法对5类数据的分类准确率分别为99.1%、98.5%、93.3%、88.9%和84.9%,均优于对比算法,验证了其综合性能的优越性。

一种基于背景模型的运动目标检测与跟踪算法

本文提出了一种静止摄像机条件下的运动目标检测与跟踪算法 .它以一种改进的自适应混合高斯模型为背景更新方法 ,用连通区检测算法分割出前景目标 ,以 Kalm an滤波为运动模型实现对运动目标的连续跟踪 .在目标跟踪时 ,该算法针对目标遮挡引起的各种可能情况进行了分析 ,引入了对运动目标的可靠性度量 ,增强了目标跟踪的稳定性和可靠性 .在对多个室外视频序列的实验中 ,该算法显示了良好的性能 ,说明它对于各种外部因素的影响 ,如光照变化、阴影、目标遮挡等 ,具有很强的适应能力 .

基于视觉模型的图像边缘检测算法

文章提出了一种基于视觉模型的图像边缘检测算法．作者采用具有反馈和前项控制连接的侧抑制模型进行图像信息进行处理，用零阶和二阶厄米特（Ｈｅｒｍｉｔｅ）函数的组合产生系统的控制模板，组合系数通过梯度下降学习算法确定．这种以生物视觉感知机理为基础的神经计算方法可有效地均衡滤除噪声和增强边缘，同时将系统高维参数 的学习问题转化为对少数几个参数的确定，降低了问题的维数和计算的复杂性．