面向小目标的多空间层次安全帽检测

由于目标视频中存在目标小、距离远等影响检测效果的因素,对小目标的捕捉难度较大,提出一种面向小目标的多空间层次安全帽佩戴检测算法,该算法将在Yolov5s的网络模型基础上进行个性化改进。设计一种多空间注意力模块,从不同角度考虑空间特征的效果并加以融合,加强显著性特征的空间位置关系;融合多空间尺度的特征,同时结合特征提取过程中的多种特征,适应对不同空间层次目标的捕捉,提高对小目标的检测能力;利用数据增强提高数据集的泛用性,使训练目标适应更多样的情景;优化损失函数,增强回归能力,提高训练效果。实验结果表明,所提算法的平均准确率达到91.5%,明显地减少了漏检情况。除此之外,将其部署到实际施工现场,展现了出对小目标优越的检测性能,具有极大的应用价值。

基于注意力和对比学习的轻量级交通标志检测方法

为提升交通标志检测精度和速度,针对交通标志目标小、尺度变化大等问题,提出一种基于注意力和对比学习的轻量级交通标志检测算法:首先,在特征提取主干网络中采用通道和空间分离方法依次进行卷积操作,构建多层次的特征提取网络,减少运算量;其次,采用基于注意力的上下文特征金字塔网络,获取目标的代表性特征,提升模型准确率;最后,采用监督对比学习损失(Supervised Contrastive Loss,SCL)函数,提高模型的特征判别能力。实验结果表明,该交通标志检测算法的平均检测精度达95.8%,相比于YOLOX-Tiny提升了4.5%,检测速度为79帧/s,能够满足实际应用需要。

基于EdgeBoard的智能循迹避障小车设计

针对传统的自主循迹避障小车在复杂路况下存在图像识别精度低、处理时间长等问题,设计一种基于EdgeBoard的智能循迹避障小车。首先,通过USB摄像头采集道路图像;然后,采用基于OpenCV的道路循迹算法识别道路边缘;最后,利用SSD_MobileNetV1深度学习模型识别特定的交通标志。经测试,该智能循迹避障小车具有良好的稳定性和可靠性。

基于GPS/IMU数据融合的无人车高精度控制方法研究

针对无人车在高速行驶过程中转向动作延迟的问题,提出了一种基于GPS/IMU数据融合的无人车方向提前调整的方法,以提高无人车自主导航的精确性和稳定性。首先,利用GPS获取无人车的位置和方向角信息,建立二维平面运动模型,使无人车在到达预定目标点之前做出方向调整决策,再利用IMU测量车身偏航角并配合PID控制器实现转向控制。验证实验表明:该方法使无人车的行驶轨迹更加贴合预设轨迹,同时规避了因转角突增而翻车的风险;另外,通过提前控制并抵消微控制器程序执行所需时间,确保无人车在实际到达目标点时,可精准快速地做出转向动作,提升了无人车的控制精度和稳定性。

基于层次分析法的巨型射电望远镜选址策略研究

为提供良好的天文观测环境条件,更好地确定巨型射电望远镜的备用选址,以500 m口径球面射电望远镜(Five-hundred-meter Aperture Spherical radio Telescope,FAST)为例,对其选址影响因素进行分析,利用层次分析法确定各因素所占权重,建立巨型射电望远镜的选址决策指标体系,进而选择位于新疆维吾尔自治区阿勒泰地区富蕴县富蕴站西南方向某天然巨型洼地作为巨型射电望远镜备用选址地点,进行评价分析。结果表明,基于层次分析的巨型射电望远镜选址策略较传统方法更具直观性和科学性,且能满足实际选址要求。

复杂环境下课堂多人状态检测算法研究

新冠肺炎疫情背景下课堂多人佩戴口罩及姿态识别问题,提出了基于YOLO和OpenPose模型的课堂多人状态检测算法。提出的Efficient-YOLO模型,通过采用CBAM注意力模块、SPNET-NEW模块,解决了多人遮挡和无规则化目标的口罩佩戴检测精度问题。此外,提出了一种轻量化的Class-OpenPose模型检测学生上课姿态,该算法在OpenPose模型基础上,使用ShuffleNetV2-NEW对传统模型在底层特征提取方面进行改进,实现了复杂环境下关键姿态点的实时准确检测。实验表明,在课堂多人异常状态检测任务中,Class-OpenPose模型平均准确率高于传统模型,为79.0%,检测速度达到13.5 F/s;Efficient-YOLO口罩识别模型达到83.1%的平均准确率,检测时间仅需31.54 ms,为课堂学生状态检测提供了不错的算法思路。

无人CT智能姿态识别算法研究

针对新冠肺炎疫情中肺部CT检查需要医生人工指导矫正姿态和交叉感染风险大的问题,提出基于人体姿态识别的无人CT智能姿态识别算法。通过CT-OpenPose模型检测人体姿势,该算法在OpenPose模型基础上,解决了传统模型硬件性能要求高、检测速度慢和复杂环境下检测精度下降等问题,使用带自适应软阈值残差网络、跨层连接机制和权值修剪的方法对传统模型在底层特征提取方式、底层特征处理流程、模型训练和压缩方面进行改进。实验结果表明,在无人CT姿态识别任务中,CT-OpenPose模型检测精度高于传统模型,为83.6%,尤其在人体关键部位被臃肿的衣物或防护衣物遮挡的情况下,检测速度是传统模型的近3倍,达到42.2 f/s,具备较高的实用性。

基于机器视觉的焊缝识别研究现状与发展趋势

机器视觉技术以其高精度、高自动化等特点被广泛用于工业测量、工业检测和识别等领域。概括了几种焊缝识别传感技术,并对传感方式的基本原理和特点进行了分析。详细阐述了基于机器视觉的焊缝识别的具体实现步骤,重点归纳总结了针对不同的噪声和干扰采用相应的滤波和消除方法、焊缝的特征提取与中心线拟合方法等。在国内外焊缝识别研究的基础上,提出了几个有价值的研究方向,包括基于新型测距法及其传感器的焊缝定位、基于卷积神经网络的焊缝类型识别、针对焊后质量检测的三维信息重构和多种干扰因素并存情况下的焊缝识别等。

基于改进的轻量级YOLOv3的交通信号灯检测与识别

交通信号灯的准确检测与识别可以提高驾驶的安全性,减少交通事故的发生。为了提高移动端识别的准确率和速度,提出一种改进的轻量级YOLOv3模型实现交通信号灯的检测与识别。首先,采用轻量级的ShuffleNetv2网络替换YOLOv3的主干网络DarkNet53,实现交通信号灯的快速检测与识别;接着,融合ShuffleNetv2网络中的低、中、高层特征组成最终的高层输出特征,以丰富交通信号灯的特征表示;最后,基于多尺度的检测和结果融合,完成交通信号灯的准确检测与识别。实验证明,本文提出的轻量级YOLOv3模型应用于交通信号灯公开数据集LaRa时,平均精度均值达到87.21%,漏检率仅为6.24%。与其他轻量级YOLOv3模型相比,本文的模型也有着更高的平均精度均值和更低的漏检率,并且模型大小仅为YOLOv3的1/8,检测速度却是YOLOv3的3倍。

基于PCANet的树莓派人脸识别系统的研究开发

基于主成分分析(Principal component analysis Network,PCANet)技术在树莓派上设计人脸识别系统,利用树莓派捕捉人脸图像,进行人脸特征提取,识别人脸并确定身份。为了提高人脸识别的准确度和识别速度,对PCA算法部分进行改进,使用增量主成分分析进行数据降维,实现特征提取。实验结果表明,改进的系统识别速度快,准确度较高,可以用于实际人脸识别。

基于改进YOLOv4的交通信号灯倒计时数字检测与识别

交通信号灯倒计时数字的快速检测和准确识别可以提高驾驶的安全性,减少交通事故的发生。针对目标检测算法在交通信号灯倒计时数字检测与识别中准确率较低、漏检率较高的问题,提出一种基于改进YOLOv4的交通信号灯倒计时数字检测与识别算法。首先将YOLOv4的主干网络CSPDarkNet53替换为CSPResNet50vd,并将CSPResNet50vd中stage4的3×3标准卷积替换为可变形卷积。实验表明,改进的YOLOv4算法达到79.34%的mAP和9.59%的漏检率。相较于YOLOv4,mAP提高2.58%,漏检率降低1.84%,检测速度提升了22.65%,有效地提高了识别准确率和检测速度、降低了漏检率。

基于OpenMV的四足巡线机器人算法设计

四足机器人是足式机器人的典型代表,其仿生性强、结构简单。针对四足巡线机器人运动过程中,路径识别与跟踪存在识别率低、易受干扰、解算周期长等问题,在图像处理模块OpenMV基础上,提出特征点检测与线性回归法相结合的方法,对地面标识线进行识别与跟踪控制,提高了四足机器人巡线的精度、速度及抗干扰性能。

无动量轮双模式纵向两轮平衡车关键技术研究

研究了无动量轮双模式前后纵向两轮平衡车的关键技术。针对陀螺仪采集的数据进行滑动滤波与互补滤波,优化得到姿态信息;不采用动量轮,设计程序对舵机和电机进行精确控制,以实现平衡车的动态平衡。实验结果表明,该纵向两轮平衡车姿态解算信息准确,控制决策可行,降低了舵机和电机的耦合关系的影响,在多种路面环境下电磁自主循迹与蓝牙遥控两种模式均可满足自平衡的需求。

基于通道切分的人体姿态估计算法

为了提高人体姿态估计的准确率和识别速度,提出一种基于通道切分的人体姿态估计算法Channel-Split Residual Steps Network(Channel-Split RSN)。首先,提出通道切分模块,对切分后的特征通道通过卷积提取特征再融合起来,以获得丰富的特征表示。接着,引入特征增强模块,对特征通道进一步分组,并对不同的分组采取不同的处理策略,以减少特征通道内的相似特征。最后,结合改进的空间注意力机制,提出一种基于特征空间相关性的姿态修正机Context-PRM,得到更加准确的人体姿态估计。在COCO test-dev数据集上的实验结果表明,本文方法达到75.9%的AP和55.36的FPS,并且模型的大小Params(M)仅为18.3。相较于传统的RSN18和传统的RSN50,模型的AP分别提高了5和3.4个百分点,FPS比传统的RSN50快12.08。在更具挑战性的CrowdPose数据集上,本文方法达到66.9%的AP和19.16的FPS,相较于RSN18,AP提高了4.6个百分点。有效提高了人体姿态估计的准确率,且模型具有较快的识别速度。本文源代码公开在https://github.com/qdd1234/Channel-Split-RSN。

基于Jetson Nano的陆空两栖森林火灾侦察机器人设计

为及时侦察森林火情,研究设计了一款自主侦察森林火灾的陆空两栖机器人。该机器人主要由旋翼结构与轮式结构组成,使用摄像头勘探地形、侦察火灾,并结合地面控制、飞行控制、环境感知以及避障等算法,通过Jetson Nano开发板建立三维模型,实现自主规划路线,同时在避障算法中引入绕行机制,提高稳定性与精准性。实验论证表明,设计方案的可靠性、稳定性达到预期,可以推广应用。

基于改进Simple Baselines的人体姿态估计算法

人体姿态估计在很多领域有着十分广泛的应用。为了提高人体姿态估计准确率,提出一种基于Simple Baselines的人体姿态估计算法。首先,将Simple Baselines的特征提取网络ResNet152替换为FastHand算法中的特征提取网络,提高模型检测准确率。其次,引进姿态修正机以提高模型对人体关节点定位准确率。实验结果表明,在COCO test-dev上,模型达到75.8%的AP,相较于Simple Baselines,AP提高2.1%。

基于FreeRTS的智能物流小车的设计

设计了一种以STM32微控制器为核心,基于FreeRTS嵌入式系统的智能物流小车,小车搭载创新的机械手爪结构,使其具有较强的适应性,便于装拆与更换。机械臂的运动由三轴联动控制算法进行控制,这样不仅解决了普通PWM控制舵机时机械臂卡死的问题,同时也提升了其运动的流畅性。

基于深度神经网络的驾驶员违章行为识别方法

驾驶员的违章行为是造成交通事故的主要原因之一,利用摄像头实时监控行驶过程中的驾驶员违章行为是一个减少交通事故的有效方法.本文提出一种通过深度神经网络的驾驶员违章行为识别方法.首先,利用Deep-Pose检测驾驶员身体关键点,接着,基于这些关键点提取动作特征,然后使用最近邻分类器识别典型违章行为.实验证明,本文的方法对于典型的违章行为是有效的.

我国教育管理模式创新与质量提升对策——评《基于大数据的高校教育管理研究》

与经济的发展相伴随的是信息技术的革新,网络环境下大学生对自身权利越来越重视,在这样的情况下,高校学生的管理工作便迎来了挑战。通过观察目前高校对于学生事务工作的管理发现,管理方法不够全面是主要的问题,学校在进行管理工作的过程中过于一板一眼,忽略了学生的个人感受,而且学校现有的事务管理部门还没有形成正规的体系,部门内部结构不稳定且没有统一的制度来指导工作的开展,当学生出现问题时,处理方法有时不恰当,再加上当今时代新媒体发展迅速,但是学校并没有把握好时代发展的脉搏,将高校学生管理工作与新媒体进行融合。