超轻量人脸关键点检测算法

随着深度学习网络研究的深入和网络模型精度的提高,网络层数及深度在逐渐增加,导致计算量增大。同时,基于深度学习模型人脸关键点检测在嵌入式设备上部署的需求,轻量化、高效和准确的网络模型成为研究关键。因此,本文设计了一个基于Ghost Model块和Ghost Bottleneck架构的超轻量型人脸关键点检测算法,在确保网络精度的同时,尽可能减小网络模型大小,降低计算量。在网络宽度因子为1X的情况下,与现有表现最好的轻量化网络模型PFLD 1X相比,归一化平均误差降低了7%,参数量减小了36%;在宽度因子为0.25X的情况下,本论文提出的网络模型大小仅420 KB,归一化平均误差降低了6.6%,参数量减小了25%。

基于组合频率阻抗特征的锂离子电池健康状态估算

电池健康状态(state of health,SOH)的准确估算是保证电动汽车高效安全运行的关键。从电化学阻抗谱(electrochemical impedance spectroscopy,EIS)中提取健康特征可实现电池SOH的准确估算,但在线采集EIS数据对车载设备要求较高不易实现,而采集单频率阻抗作为特征进行SOH估算又面临精度较低的问题。针对该问题,本文提出一种基于组合频率特征的SOH估算方法,首先,通过对实验数据进行分析,将前120次循环的10 Hz虚部和后320次循环7.94 Hz的虚部进行组合,形成电池组合频率阻抗特征。然后,基于组合频率阻抗特征,利用B1和B2电池测试数据建立电池SOH估算的长短期记忆(long short term memory,LSTM)神经网络模型,并通过B3和B4号电池数据对模型进行验证。结果显示,采用组合频率阻抗特征建立的SOH估算模型的均方根误差最小为0.3%,相比采用单频率阻抗特征所建立的模型,其误差减小23.9%以上。由此可见,本文所提出的基于组合频率特征的SOH估算方法,不仅阻抗测量过程简单,且估算精度较高,可应用于电池SOH的在线估算。