GMAC-EDSR:基于多类型卷积融合的图像重建方法研究

虽然传统的超分辨率(Super Resolution,SR)重建方法已经取得了显著的成功,但在捕捉图像细节方面仍存在一些限制。与此同时,近年来出现了出色的神经网络模型,虽然效果出色,但却牺牲了重建速度。为了应对这一挑战,本文提出了一种基于多类型卷积融合的图像SR方法,具体来说,将不同类型的卷积核组合在一起,以提取更丰富的图像细节信息,并提出了多类型卷积融合的方法。本文通过一系列详尽的实验验证了基于幻影模块非对称卷积融合网络的模型。实验结果确认,这个模型显著提升了图像重建的质量。

基于跟踪检测多目标的无人机软件开发与算法分析

当前无人机多目标跟踪检测中还存在较多问题,比如精确度低以及占用内存大的问题。基于YOLOv5算法和DeepSort算法开发无人机软件,设计跟踪模板更新策略,通过检测模块将目标置信度、置信度等相关信息传输到跟踪模块实现跟踪。在YOLOv5算法和DeepSort算法的应用下,实现对目标估计的预测和分配预测结果,确保无人机跟踪效果和速度。实验结果发现,基于YOLOv5算法和DeepSort算法的无人机软件在多目标跟踪中,可以将跟踪精度提升22%,效果显著。

多反射式超声波测风模型及算法研究

针对当前超声波测风阵列体积大传输路径短,测量精度低的问题,设计了4个收发一体的超声波换能器,按方形排列,探头垂直朝下放置,超声波信号通过在测风区域之间多次反射完成测风,相比于一次反射超声波测风阵列体积缩小20%。基于所建模型,提出自适应测风算法以减弱阴影效应对测风精度的影响。利用SpaceClaim Design Modeler软件建立了测风阵列以及风洞模型,通过Fluent Meshing进行网格划分,使用Fluent软件改变模拟风洞内的风速和风向,验证了所设计的小型超声波测风阵列和自适应权重测风算法在减弱阴影效应提高测量精度的优越性。实验结果表明,自适应权重测风算法相比于传统测风算法的测速精度提高了12.44%,测角精度提高了10.40%。

基于移动设备的三维人体重建

针对三维重建方法计算量大,耗费内存高的问题,提出了一种基于知识蒸馏的人体三维模型重建方法应用于电子商务服装定制,利用Resnet-18构建人体正面、侧面掩膜数据集,分别针对男性、女性、中性三种人体特征提取信息,然后通过利用知识蒸馏的方法进行模型压缩,使其能够部署于移动设备。实验表明,论文方法能够在移动设备上以较快的速度、消耗消耗较少的储存空间,实现三维人体模型的重建。

基于粒子群优化的串级模糊PID无人机飞行控制系统

为了解决无人机飞行控制系统存在的平稳控制响应慢、自适应能力差、抗干扰能力弱的问题,分析了无人机飞行控制系统的原理,建立了无人机飞行控制模型,在串级模糊PID控制的条件下,利用粒子群优化算法的迭代寻优能力,实时确定模糊控制中的量化因子、比例因子以及初始PID参数,通过模糊控制在线调整PID参数,使平稳控制中的参数时刻保持最优化,设计了一种基于粒子群优化的串级模糊PID的飞行控制系统。实验结果表明,当量化因子e、ec的值分别为3、0.75,比例因子k_(1)、k_(2)、k_(3)的值分别为0.5、2、0.5时,系统稳定性达到最优。相比于串级PID控制与串级模糊PID控制,通过粒子群优化后的控制系统具有更优的控制精度和稳定性,能较好地提高系统的性能指标,满足快速高效调平的飞行要求。

基于微信小程序的人体尺寸测量系统

针对传统人体尺寸测量方法不能够实现远程、便捷式测量的问题,提出了一种基于微信小程序的人体尺寸测量系统应用于远程服装定制,设计开发微信小程序设置特定的轮廓获取含有3种姿态的人体图像数据集,采用u-net网络框架进行训练,提取人体轮廓特征图,经过openpose人体姿态估计算法定位人体骨节关键点,提取人体关键部位提取特征点,利用身高比例法、双椭圆模型拟合人体尺寸信息通过微信小程序反馈给用户。以手工测量为标准,人体尺寸测量中二维尺寸测量准确率达97.8%,三维尺寸准确率达89.5%,最终平均总误差为3.19%。实验表明,基于微信小程序的人体尺寸测量系统能够实现便捷式的人体尺寸测量及远程服装定制。

融合三步平滑与改进RRT算法的无人机路径规划

为解决路径规划领域中原始RRT所具有规划时间长、路径不平滑、路径代价大的缺点,本文先在原始RRT算法的基础上加入了动态步长策略以及嵌入了Dijkstra算法对效率进行改进,然后在得到的路径上分别加入下样本平滑、上样本平滑和关键点平滑对路径平滑度和路径代价进行改进。MATLAB实验表明,本文算法在规划时间上较传统RRT提升45%左右,较Astar、RRTstar、GA算法有着分别30%~70%不等的领先;在路径长度方面,本文算法较传统RRT有着近40%的提升,相较其他算法也有着不同程度的领先。由此可以得出,本文所提方法,可以较好地应用于路径规划。

土壤重金属数据异常识别方法——以北京农田区样点数据为例

土壤重金属调查数据中的异常往往会导致评价分析结果与真实分布情况产生偏差和错误,直接影响后续的决策管理。针对传统异常值检测中邻域范围的确定偏于主观,且异常值检测后无法识别其类型的问题,提出了一套土壤重金属异常识别方法。该方法基于K临近法确定重金属合理稳定的最佳邻域区间,结合局部空间自相关法识别空间异常值,基于相关性分析识别土壤重金属异常类型。以北京市2006年铅(Pb)和铜(Cu)重金属含量为例,将该方法与其他方法结合进行变异特征和插值预测精度评价分析。结果显示,Pb和Cu含量存在稳定的邻域区间,其中6号点位的Pb、Cu含量,39号点位的Cu含量存在异常;前者异常类型疑似真实异常,后者异常类型疑似数据错误;将原始样点进行全局、局部和疑似数据错误异常样点剔除后,样本总体的离散程度降低,样本空间自相关性程度及区域结构性变异趋势增强;剔除全局和局部异常点后,数据空间插值误差明显减小,去除疑似数据错误异常点后插值误差较去除局部异常点时的插值误差基本一致。说明原始样点中对判断为疑似数据错误的样点进行剔除后对整体插值估计影响甚微,证明该土壤重金属异常识别方法的有效性和准确性。