基于自适应空间特征增强的多视图深度估计

为了提高多视图深度估计结果精度,提出一种基于自适应空间特征增强的多视图深度估计算法。设计了由改进后的特征金字塔网络(feature pyramid network,FPN)和自适应空间特征增强(adaptive space feature enhancement,ASFE)组成的多尺度特征提取模块,获取到具有全局上下文信息和位置信息的多尺度特征图像。通过残差学习网络对深度图进行优化,防止多次卷积操作出现重建边缘模糊的问题。通过分类的思想构建focal loss函数增强网络模型的判断能力。由实验结果可知,该算法在DTU(technical university of denmark)数据集上和CasMVSNet(Cascade MVSNet)算法相比,在整体精度误差、运行时间、显存资源占用上分别降低了14.08%、72.15%、4.62%。在Tanks and Temples数据集整体评价指标Mean上该模型优于其他算法,证明提出的基于自适应空间特征增强的多视图深度估计算法的有效性。

基于卷积神经网络的燃气表信息自动识别方法研究

提出了一种基于改进的LeNet-5卷积神经网络的识别方法。通过加装摄像头和通信线路的方式,实时采集图像信息,并对图像进行部分预处理。引入Gabor滤波器、ReLU-Softplus函数、SVM分类器等优化传统LeNet-5模型,并根据图像数据的不均衡性,运用Grid Loss函数优化CNN网络,由此,实现燃气表自动化识别方法的构建。在Caffe深度学习框架下进行实验测评,结果表明该方法整体的识别准确性高达99.60%、整个样本集及单幅字码的训练总时间均优于其他识别方法,且对于不完整表码字的识别准确率也达到了99.21%。

基于Res2Net的人脸表情识别方法

为解决自然条件下人脸表情识别易受角度、光线、遮挡物的影响以及人脸表情数据集各类表情数量不均衡等问题,提出基于Res2Net的人脸表情识别方法。使用Res2Net50作为特征提取的主干网络,在预处理阶段对图像随机翻转、缩放、裁剪进行数据增强,提升模型的泛化性。引入广义平均池化(generalized mean pooling, GeM)方式,关注图像中比较显著的区域,增强模型的鲁棒性;选用Focal Loss损失函数,针对表情类别不平衡和错误分类问题,提高较难识别表情的识别率。该方法在FER2013数据集上准确率达到了70.41%,相较于原Res2Net50网络提高了1.53%。结果表明,在自然条件下对人脸表情识别具有更好的准确性。

基于改进YOLOX-s的安全帽检测

在施工现场中,发生过许多高空坠落事故,因此在施工现场佩戴安全帽是十分有必要的.针对安全帽佩戴状况检测中遇到的小目标样本缺检、漏检的情况,提出一种基于YOLOX-s的改进算法.首先,在Neck层引入主干特征提取网络中的160×160特征层进行特征融合,并且增加了一个针对小目标的检测头;其次,采用SIoU损失函数计算损失值,使得网络在训练过程中考虑的损失项更加全面;并且采用varifocal loss函数来计算置信度损失值,进一步改善训练过程中存在的正样本与困难样本不均衡的问题,最后,采用CA(coordinate attention)注意力机制来增强模型的特征表达能力.实验结果表明,通过对Neck层与检测层、损失函数的优化以及引入CA注意力机制,使得网络在训练过程中收敛与回归性能更佳.改进后的算法的mAP值为95.57%,相较于YOLOv3及原YOLOX-s算法在mAP值上分别提高了17.11%、3.59%.改进后的算法检测速度为54.73帧/s,符合实时检测速度要求.

基于改进YOLOv7的复杂环境下红花采摘识别

针对光照、遮挡、密集以及样本数量不均衡等复杂环境造成红花机械化采摘识别不准问题,该研究提出一种基于YOLOv7的改进模型,制作红花样本数据集建立真实采摘的复杂环境数据,增加Swin Transformer注意力机制提高模型对各分类样本的检测精准率,改进Focal Loss损失函数提升多分类任务下不均衡样本的识别率。经试验,改进后的模型各类别样本的检测平均准确率达到88.5%,与改进前相比提高了7个百分点,不均衡类别样本平均精度提高了15.9个百分点,与其他模型相比,检测平均准确率与检测速度均大幅提升。改进后的模型可以准确地实现对红花的检测,模型参数量小,识别速度快,适合在红花采摘机械上进行迁移部署,可为红花机械化实时采摘研究提供技术支持。

基于改进YOLO-V4的贴片二极管表面缺陷检测

针对传统目测法检测贴片二极管表面缺陷效率低下和基于手工特征的目标检测算法模型较浅,以及语义性不高等问题,提出了改进YOLO-V4的贴片二极管表面缺陷检测方法。首先考虑到随着网络加深使梯度消失,以及减少网络中的特征冗余和参数量的情况,CSP1模块采用DenseNet替换原网络中的ResNet;其次,为了实现特征信息的跨维度交互,让网络更加关注重要信息,在CSP1模块后引入了三分支注意力机制模块,同时使用FPN+PANet对特征进行融合;并且用CSP2替换CBL×5模块,降低了网络的运算量,提高了算法检测速度;最后优化了Focal Loss函数,对正负样本添加权重,以解决正负样本不平衡的问题。本文算法相较于YOLO-V4的检测精度(precision,P)、召回率(recall,R)和多分类平均精度(mean average precision,mAP),分别高出2.98%,2.65%,2.92%,表明改进YOLO-V4可以有效检测贴片二极管表面缺陷问题。

基于改进生成对抗网络的文本生成模型

在大数据信息智能化时代下,人工智能技术贯穿于人们的日常语言交流之中,因此,自然语言生成的文本是许多学者所研究的内容之一,而后生成对抗网络广泛应用于文本生成领域且具有优异的性能。针对文本为离散型数据在生成对抗网络中判别器输出所带来的精度影响问题,提出了一种改进的生成对抗网络文本生成模型,在MaliGAN模型的基础上设计了一种Loss函数,既能让模型保留寻找全局最优解的优势,又能适当降低离散型变量带来的精度影响,以此提高文本生成效果。为了体现模型的可行性与有效性,在COCO图像字幕数据集和EMNLP2017新闻数据集上进行实验,通过提升BLEU指标说明该模型能够避免离散型数值所带来的精度下降,从而在文本生成任务中取得较好的效果。

基于AT-DenseNet网络的番茄叶片病害识别方法

针对番茄叶片病害识别方法存在丢失特征信息、易产生过拟合现象和各类样本数据不均匀的问题,提出了基于混合注意力机制的DenseNet的番病叶片病害识别模型AT-DenseNet。该网络模型以DenseNet121为基础,首先,在DenseNet中融入混合注意力机制模块,实现特征复用,并对混合特征赋予不同权重,提高特征提取能力;在分类网络前设计过渡层,匹配特征维度;其次,引入Focal Loss损失函数,专注难分类样本,改善类间样本不均匀问题;然后,采用迁移学习方法,导入预训练权重,重构全连接层,增强模型鲁棒性;最后,在数据增强的辅助作用下,用Plant Village数据集中的6种番茄叶片病害图像进行测试,试验结果表明,本研究提出的AT-DenseNet网络模型在测试集上的准确率可达99.49%,并通过设置消融试验、绘制混淆矩阵等,验证了病害识别模型的有效性,可为番茄叶片的病害识别提供参考。

基于YOLOv3的道路车辆检测算法研究

在城市道路中路况变得更加复杂情况下,进行道路目标车辆检测是进行交通信号灯规划的基础,在进行车辆检测中存在小尺寸车辆、车辆间相互遮挡的情况,经综合考虑,选用YOLOv3目标检测算法对道路目标车辆进行检测。YOLOv3的网络架构采用Darknet-53,用UA-DETRAC数据集进行模型训练,并根据LOSS函数和m AP值进行参数优化。通过实验结果 mAP@0.5为95.6%,能够有效对道路目标车辆进行检测。

基于改进PointNet++的输电杆塔点云语义分割模型

针对现有输电线路点云提取精度不高、无法满足无人机自主精细化巡检需求的问题,提出一种改进的PointNet++的输电杆塔点云语义分割方法,以实现对导线、地线、引流线、绝缘子和杆塔塔身的点云分割。首先,对经典PointNet++模型参数进行调整,使模型在特征提取数量、感受野方面更适用于输电杆塔点云数据;然后,采用核心点卷积作为点云特征提取算法,进一步提升模型对点云特征的提取能力;最后,针对点云数据中存在的数据不平衡问题,采用focal loss作为损失函数,使占比较少的类别得到充分训练。为验证所提方法有效性,在2284基输电杆塔组成的点云数据集上进行了实验,实验结果表明:改进后的算法平均F1值达到97.26%,较经典PointNet++提高了3.95个百分点。

基于二维几何计算与带阈值启发式搜索的无人机无源定位模型

针对无人机遂行编队飞行中的纯方位无源定位问题,本文从相关理论入手,利用计算几何等理论工具,给出了具有实践价值的纯方位无源定位方案,并在迭代加深的A^(*)算法(IDA^(*))的启发下设计了一种带阈值的启发式搜索算法用于圆形编队的列队调整,并以L2 Loss作为估价函数.对于题设数据,该算法可在5轮内调整队列至毫米级精度.进一步地,本文探究了锥形队列的定位与调整模型.为了处理该队列难以判断信号发射源的问题,本文采取了预先设定信号发射顺序的方案.该算法对几何形状依赖较小,从而对绝大多数形状的编队调整具有普适性.

基于不平衡数据与集成学习的图像情感分类研究

目前,基于图像的情感分析已成为情感计算领域的研究热点。针对图像情感分析常用的开放数据集通常表现为多分类的不均衡数据,单一模型存在抽取特征单一、泛化能力不强等问题。首先,改进Focal Loss损失函数,使模型跟随训练进度动态调整聚焦参数。然后,设定概率阈值参数确定困难样本,通过舍弃困难样本避免模型学习错误特征。接下来,选取3个分类性能良好的卷积神经网络模型作为基分类器,分别关注图像的局部、颜色及深度语义特征。最后,采取加权投票法策略,引入信息熵更新多分类器决策的权值。实验表明,所提方法能提升图像情感多分类的准确率,可为基于不平衡数据与集成学习的图像情感分类研究提供参考与借鉴。

改进型SSD道路行人目标检测算法

针对道路目标检测中行人目标检测效果不佳的问题,提出了一种改进型SSD行人目标检测算法。首先,采用具有噪声的基于密度的聚类方法(DBSCAN)结合K-means算法选取适当规格的Anchor Box,使用DBSCAN剔除样本干扰点后利用K-means确定聚类中心,根据重叠度选择适当规格的Anchor Box;然后,对SSD算法的各个特征图进行尺度不变的卷积操作构建语义信息增强的特征图,并将原始特征图与增强特征图按照Concat方式特征融合,生成SSD算法的改进特征金字塔网络;最后,充分考虑正负样本不均衡的情况,选择Focal Loss函数,并结合Locatization Loss函数修正损失函数。实验结果表明,改进型SSD算法可以提高道路行人目标检测的精度和速度,并且在客观评价上取得了良好的效果。该算法在KITTI测试集上的行人目标检测平均精度为91.17%,检测速率为41.93 fps。

基于多尺度卷积神经网络的手机表面缺陷识别方法

针对手机表面缺陷难以精确识别的问题,提出一种兼具Soble算子、逻辑损失函数(logistic loss function,LLF)和多尺度卷积神经网络(multi-scale convolutional neural networks,MSCNN)手机表面缺陷识别方法SL-MSCNN。首先,构建了一种基于Sobel算子的邻域特征增强方法,排除了图像中光照、阴影等无关因素的干扰;其次,设计了一种基于MSCNN的缺陷识别方法,通过获得手机表面图像的多尺度信息,提高了手机表面缺陷的识别精度,同时,引入了LLF,通过降低梯度消失发生的概率加快训练的检测速度。实验结果表明:与其他手机表面缺陷识别方法相比,SL-MSCNN在准确率和效率方面具有更好的使用价值。

基于深度学习的带式输送机非煤异物识别方法

针对现有非煤异物图像识别法识别目标单一、模型缺乏定位能力等问题,提出一种基于深度学习的带式输送机非煤异物识别方法。该方法以目标检测算法YOLOv3为基础框架,采用Focal Loss函数替换YOLOv3模型中的交叉熵损失函数,对YOLOv3模型进行改进;通过调节最佳超参数(权重参数α和焦点参数γ)来平衡样本之间的比例,解决非煤异物样本不平衡问题,使模型在训练时更专注学习复杂目标样本特征,提高模型预测性能;搭建了异物数据集,并通过异物数据集对分类性能和速度进行实验。结果表明:Focal Loss函数在异物数据集中表现优于交叉熵损失函数,在γ=2,α=0.75时准确率提升5%,故最佳超参数为γ=2,α=0.75;改进后的YOLOv3模型对锚杆、角铁、螺母3种非煤异物的识别精确率分别提升了约4.7%,3.5%和6.8%,召回率分别提升了约6.6%,3.5%和6.0%;模型在2080Ti平台下每张图像预测类别与实际类别一致,且置信度在94%以上。

基于双注意力模型和迁移学习的Apex帧微表情识别

微表情具有持续时间短、强度低的特点,其识别准确率普遍不高。针对该问题提出了一种改进的深度学习识别方法,该方法取微表情视频序列中的Apex帧,采用集成空间、通道双注意力模块的ResNet18网络,引入Focal Loss函数解决微表情数据样本不平衡的问题,并将宏表情识别领域的先验知识迁移到微表情识别领域,以提高识别效果。在CASME II微表情数据集上使用"留一交叉验证法"进行实验,结果表明本文方法相比一些现有的方法识别准确率及F_(1)值更高。

一种基于YOLOv4⁃TIA的林业害虫实时检测方法

针对现有基于深度学习的林业昆虫图像检测方法存在检测精度低和检测速度慢的问题,提出一种结合改进PANet结构与三分支注意力机制的目标检测方法YOLOv4-TIA。通过对样本数量较少的昆虫类别进行数据增强,实现样本均衡分布。利用三分支注意力机制改进YOLOv4中的CSPDarkNet53骨干网络,同时通过旋转操作和残差变换建立维度间的依存关系,以提高有效的特征通道权重,在PANet结构上增加将跳跃连接与跨尺度连接相结合的特征融合方式,从而获取更丰富的语义信息和位置信息。在此基础上,采用Focal loss函数优化分类损失,解决正负样本不均衡的问题。实验结果表明,该方法的精确率和召回率分别达到85.9%和91.2%,相比SSD、Faster R-CNN、YOLOv4方法,其在保证检测速度的同时,能够有效提高检测精度,且实现对林业害虫的实时精确监测。

基于改进支持向量机的药品包装纸盒快速鉴别研究

目的为实现在司法鉴定中对药品包装纸盒类检材的简单快速无损检验。方法利用X射线荧光光谱法,以Rh做阳极靶,在电压为50 kV、电流为30μA、功率为1.5 kW的条件下,对40组不同产地、不同厂家的药品包装纸盒样本进行检验。依据药品包装纸盒的化学元素组成对样本设置标签,建立蒙特卡洛算法(Monte Carlo Algorithm,MC)优化下的支持向量机(Support Vector Machine,SVM)分类模型,对惩罚因子进行仿真寻优,同时结合分治算法实现折半查找,使迭代过程具有自我学习能力,最终基于K-fold交叉验证,得到兼具拟合性和衍生性的惩罚因子组。结果计算机模拟结果表明,当3组支持向量机惩罚因子设置为933、280、732时,MC-SVM模型可实现对100%的训练集的拟合以及90%的预测集的分类,Hinge Loss函数最低损失值为0.0938。结论此方法可为药品包装纸盒类物证的检验以及支持向量机的参数优化提供新思路。

融合注意力的多尺度Faster RCNN的裂纹检测

电致发光(Electroluminescence,EL)下的光伏电池EL图像背景表现为复杂的非均匀纹理特征,且存在与裂纹相似的晶粒伪缺陷,同时裂纹表现为形状多样的多尺度特征,以上难点为检测任务带来了极大的挑战。因此,本文提出融合注意力的多尺度Faster-RCNN模型,一方面,采用改进的特征金字塔网络获取多尺度的高级语义特征图,以此来提高网络对多尺度裂纹缺陷的特征表达能力。另一方面,采用改进的注意力区域推荐网络A-RPN,提高模型对裂纹缺陷的关注并抑制复杂背景及晶粒伪缺陷的特征。同时,在RPN网络训练过程中,采用损失函数Focal loss,以此来降低训练过程中简单样本所占比重,使其更加关注难以区分的样本。实验结果表明,改进的算法使得EL图像裂纹缺陷检测的准确率提高,达到接近95%。

基于改进Cascade RCNN网络的X光安检违禁品检测

针对X光安检违禁品检出率低下的问题,提出了一种基于改进Cascade RCNN网络的X光安检违禁品检测算法.该算法在网络结构上引入批特征擦除(batch feature erasing,BFE)模块.BFE模块通过随机擦除相同区域来增强局部特征学习,进而强化网络对剩余特征的学习表达.此外,针对检出率低下问题,在该算法中提出加权SD loss损失函数,该损失函数使用权重融合的方式将Smooth L1 loss与DIoU loss进行加权融合,通过改变权重比例系数,能够使目标检测结果更加准确,一定程度上提高了检出率.实验结果表明:在公开的X光安检违禁品数据集上,测试性能与原算法相比,改进Cascade RCNN网络对X光安检违禁品检出率增长了3.11%,改进算法的识别精度有一定的提高.