一种改进K-奇异值分解稀疏表示图像去噪算法

为解决传统K-奇异值分解(K-SVD)算法字典训练耗时过长以及低信噪比情形下去噪效果不佳的问题,提出了一种改进算法。首先将原始含噪图像进行高低频分离,然后对图像的高频部分使用基于残差比阈值的批量正交匹配追踪算法(Batch-OMP)实现稀疏重构,最后将图像的高低频部分叠加完成最终的去噪。实验结果表明,相较于小波变换去噪、DCT稀疏表示去噪以及传统K-SVD稀疏表示去噪,改进的算法能够更好地保留图像的边缘轮廓信息,并且去噪时间明显缩短。     

一种基于RSSI自适应的双模通信模块设计与实现

无线通信与电力线通信各具特色,在智能电网中具有广泛的应用前景,二者协作可以优势互补,提高用电信息采集系统的综合性能。针对无线通信与电力线通信混合组网技术,提出了一种基于接收信号强度(RSSI)的自适应信道选择算法,可以依据链路质量自适应选择通信方式;研究了双模通信模块的软硬件设计并进行实际测试。测试结果显示,自适应双模通信的成功率高于单一的通信方式,通信的灵活性与可靠性进一步提高。     

产学研相结合的物联网学科建设方案探讨

随着高科技物联时代的到来,一场新的信息科技革命正在铺天盖地的袭来,因此培养和发展掌握物联网技术人才的任务迫在眉睫。在认真分析了物联网关键技术的基础上,从基础理论教学、实践实验教学、研究型人才培养和研究成果转化四个方面对物联网学科建设方案进行了全面阐述。力求形成以理论教学为基石,以优化教学和科研资源为前提,以培养实用创新型人才为目的,以推进教学科研成果融合转化为目标的物联网学科体系。     

基于关键子区域及特征提取的表情识别

针对传统表情识别系统不能充分提取关键子区域及有效特征的缺陷,设计了基于关键子区域及特征提取的表情识别系统。首先使用面部关键点检测技术及面部编码系统筛选出关键子区域;然后对其进行特征提取。提出一种改进的局部梯度编码算子(LGC)、局部均值梯度编码算子(LMGC-HD);改进的算子具有更低的维度,能够充分地描述局部形变;且受随机噪声及边缘变化影响小。最后使用支持向量机(SVM)进行分类识别。采用CK+数据集进行实验,结果证明该系统能够有效地提高人脸表情的识别率。     

基于改进Mask R-CNN模型的电力场景目标检测方法

为了解决电力施工现场中安全帽佩戴情况以及危险区域行人入侵检测问题,提出一种基于改进Mask R-CNN模型的目标检测方法。首先依据迁移学习策略对Mask R-CNN主干网络进行参数初始化,以提取图像基本特征;然后引入特征金字塔结构进行自下而上的特征图提取,完成多尺度特征融合;接着,通过多尺度变换方法对区域推荐网络进行调整,获取锚点进行回归计算完成检测实验;最终对结果进行分析评价,多目标平均准确率达到了95.22%。将改进后的Mask R-CNN模型用于监控视频分析,针对监控视频像素过低问题,加入拉普拉斯算法锐化边缘,精准率提高到90.9%,验证了拉普拉斯算法对低质量监控视频检测的有效性。     

一种基于显著性和部件模型的无约束条件人脸检测方法

针对无约束条件下的人脸检测进行研究,提出了一种基于显著性度量和部件模型的人脸检测方法。在部件模型为基础的检测方法中引入显著性理论,融合正面、左侧面、右侧面的三种平面外旋转姿态下的信息,生成完整有效的人脸显著图,并用于人脸检测。实验结果表明本文生成的人脸显著图能够更有针对性描述人脸区域,并且本文人脸检测方法相较Viola Jones人脸检测方法和基于部件模型的人脸检测方法有更高的检测率,运算速度相较原基于部件模型的人脸检测方法大有提高。     

基于Matlab/Simulink的数字图像处理实验教学研究

根据"数字图像处理"课程本身的特点提出了一种基于Matlab/Simulink的任务驱动型数字图像处理实验教学方法,在注重验证性实验的同时,加入设计性实验。新实验教学体系由基础实验、系统设计实验两部分构成,该体系可以循序渐进地引导学生完成实验任务,并有利于培养学生的综合应用能力。     

基于深度学习的移动端表情识别系统设计

为了实现通过手机远程识别家居环境下家人的表情,提出了一种基于深度学习模型的移动端表情识别方法,并进行了系统设计。通过Vitamio框架获取远程视频,采用轻量级模型mini_Xception进行表情识别以适应移动端需求,将训练好的模型移植到Android手机之中,并进行了实验测试,结果表明设计的系统可实现远程表情识别,能够及时了解家人状况,为智能家居应用提供技术支持。     

撰写电力线载波通信实验教材的几点体会

阐述了电力线载波通信的发展空间,分析了电力线载波通信专业课的教学现状,介绍了电力线载波通信综合实验教材的编写体会.     

复杂背景下基于MobileNets的花卉识别与模型剪枝

为了准确识别复杂背景下的花卉目标,并兼顾模型的大小,提出了复杂背景下基于MobileNets的花卉识别与模型剪枝的方法。通过布尔显著性检测出前景花卉目标,进而结合GrabCut算法对花卉目标前背景分离,最终由MobileNets卷积神经网络进行识别和表达,识别率在应用布尔显著性结合GrabCut算法前后分别为0.851和0.903。为使模型占用更小的存储空间,采用L2范数方法对模型进一步剪枝,存储空间在剪枝前后分别为46.2 MB和24.3 MB,能够满足移动端的应用需求。