基于MobileNet和迁移学习的微带青烟叶图像识别

为了准确地挑选出微带青烟叶,提出了基于MobileNet和迁移学习的微带青烟叶图像识别方法.首先收集烟叶图像建立样本数据集;其次,对在ImageNet数据集上训练好的MobileNet进行微调,以使其适应烟叶图像识别;最后,基于迁移学习方法利用烟草样本训练集对微调后的MoblieNet模型进行训练,从而准确识别微带青烟叶.

基于稠密连接卷积神经网络与混合注意力的烟叶图像分级方法

针对烟叶实际收购过程中受环境与个人状态影响而导致分级准确率下降的问题,提出一种结合稠密连接卷积神经网络与混合注意力机制的深度学习模型。该模型通过改进残差注意力网络,在原网络注意力模块的主分支残差模块与网络输出阶段的多个残差模块上,使用稠密连接卷积模块进行替换,以增强分支特征学习性能并降低参数量,缓解梯度消失问题。同时,使用两个残差注意力网络的注意力机制模块,并添加空间注意力模块加权提取烟叶特征图在空间、通道维度的信息,以获取更全面的特征信息。通过10个等级共5 000张烟叶图像的实验表明,该网络在降低网络深度的同时,提升了检测速度与识别精度,分级正确率相较于原网络与VGGNet19分别提升8.19%、7.72%,网络参数量相较于ResNet34减少45%,训练速度提升38.11%,可证明该方法对不同等级烟叶均具有较好的识别效果和较快的识别速度,能较好地对生产中的烟叶进行分级。

车载信息安全网关的设计与实现

在分析目前车联网面临的主要安全威胁基础上,基于Jetson Nano以及VPN技术设计了一个车载信息安全网关,实现了CAN网络与安全网关的直接通信,通过在网关与服务器间部署L2TP VPN over IPSec,对进出网关的数据信息加/解密处理,使车辆能与服务器进行安全的数据通信.实验测试表明,设计的车载安全网关在与外界通信过程中保障了数据的机密性,有效地保护了车辆的信息安全.

基于改进ViT的红外人体图像步态识别方法研究

针对卷积神经网络在步态识别时准确率易饱和现象,以及Vision Transformer(ViT)对步态数据集拟合效率较低的问题,提出构建一个对称双重注意力机制模型,保留行走姿态的时间顺序,用若干独立特征子空间有针对性地拟合步态图像块;同时,采用对称架构的方式,增强注意力模块在拟合步态特征时的作用,并利用异类迁移学习进一步提升特征拟合效率。将该模型运用在中科院CASIA C红外人体步态库中进行多次仿真实验,平均识别准确率达到96.8%。结果表明,本文模型在稳定性、数据拟合速度以及识别准确率3方面皆优于传统ViT模型和CNN对比模型。

基于YOLOv5的烤烟烟叶散把程度检测算法研究

为解决烤烟烟叶散把过程中因散把不均匀导致烟叶重叠等问题,提出了一种基于YOLOv5目标检测算法的烟叶散把程度检测方法。通过对原始图像进行预处理构建烟叶散把图像数据集,在原始YOLOv5模型主干网络加入Ghost模块生成冗余特征图,在瓶颈层加入ACIN模块加强网络特征融合,同时利用烟叶松散度来评价散把程度。分别利用改进前后YOLOv5模型进行测试,结果表明:与原始模型相比,改进后YOLOv5模型在未明显增加计算量的前提下,网络参数量减少12.8%,模型大小减小12.4%,平均精确率提升0.2百分点;改进后模型与YOLOv4、Efficientdet-d0、Faster R-CNN等目标检测模型相比,平均精确率、检测速度均为最优且参数量较少。该技术可为提高烤烟烟叶分选速度和精度提供支持。