基于Conv1D和LSTM组合模型的多步交通流量预测分析

为了提高交通流预测精度,设计一种Conv1D和LSTM相结合的多步交通流预测模型。用Conv1D获取交通流的时间与周期参数,并测试各外部因素引起的交通流量变化,再利用LSTM序列分析模型,根据上述交通流特征进行预测。研究结果表明:在加入时间信息的条件下,交通流量预测结果与实际结果间存在更大相似度,考虑时间信息影响能够获得更准确的预测结果。经过外部因素提取处理后可以获得更高精度交通流预测结果,采用Conv1D+LSTM模型可以达到比LSTM更高的精度。

基于改进YOLOv7网络的织物疵点检测

针对传统的目标检测方法不能平衡检测精度、预测速度和轻量级部署模型、实时疵点检测,提出一种改进YOLOv7网络的轻量化检测模型。首先在主干网络引入轻量级卷积Ghost conv,在保证检测精度的同时降低网络参数量,提高对织物疵点的检测效率;其次添加CBAM注意力机制抑制无用信息,增强特征提取能力;最后在回归损失函数处引入新度量方法α-SIoU替换IoU,加速损失函数的自由度,提高网络模型的精确度。实验表明:该检测模型的准确率P达到96.27%,平均精度mAP值为83.84%,模型大小仅为19.10 MB,有效平衡了疵点检测的准确性、实时性与轻量级部署的问题。

基于深度学习的头盔佩戴自动检测

为加强巡检人员安全,基于深度学习算法,设计了一种头盔佩戴自动检测方法。在SSD300模型的基础上,使用数据增强技术,通过卷积层conv4_3进行检测,以增强对较小目标的识别精度;采用{1/2,2}和{1/3,3}的边框,通过适当调节边框提高检测效果;以VGG16作为基础网络,使用atrous卷积,进一步改善识别精度。将训练模型移植到CR1030P-YT便携式安卓智能通信系统,并与在服务器GPU、CPU上的检测结果和检测速率进行对比。实验结果表明,CR1030P-YT平台上的头盔佩戴检测结果与服务器一致,检测精度高达95%以上,且检测不受环境和地点的约束;服务器GPU上的头盔佩戴检测速率高达34 fps,能够满足工业实时性需要,但CR1030P-YT平台上的检测速率还有待提升。