基于注意力机制与YOLOv5s的轻量化农作物害虫检测方法

为解决在自然环境中人工检测害虫精度低、速度慢的问题,提出了一种基于注意力机制与YOLOv5s的轻量化目标检测算法．首先,使用Ghost卷积替换YOLOv5s中的普通卷积,得到轻量化的主干特征提取网络．其次,在YOLOv5s中加入加权双向特征融合机制,从而实现高效的双向交叉连接和多尺度特征融合．最后,在主干网络中加入坐标注意力机制,从而增强网络模型对位置信息的关注．与原YOLOv5s算法相比,新算法在IP102农作物害虫检测数据集上的平均精度均值提升了2.1%,模型参数量和计算量分别减少了44.6%和44.3%,检测速度为64.8FPs．实验结果表明,基于注意力机制与YOLOv5s的轻量化目标检测算法不仅提升了农作物害虫检测精度,而且显著降低了模型参数量和计算量,能够满足农作物害虫检测的应用需求．     

基于YOLOv5s改进的口罩佩戴检测算法

由于新型冠状病毒肺炎的爆发，口罩成为人们日常生活中必需品。为了识别与检测人们是否佩戴口罩，提出了一种基于改进的YOLOv5s口罩佩戴检测算法。通过在YOLOv5s主干网络引入改进的自适应的协调注意力机制模块(Coordinate attention-activate or not, CA-A)提升网络的特征提取能力，解决了错误检测和漏检的问题。以新的损失函数AD-CIoU代替CIoU损失函数，作为回归损失函数，提升了边界框的定位精确度。实验表明，与原始模型算法相比，所提出的模型算法平均精度mAP值达到96.1%,提升了1.7%,具有较好的检测精度，可以满足目标检测应用需求。     

基于深度学习的金属表面缺陷检测

由于金属产品生产过程中各种因素的影响,金属工件可能会存在一些表面缺陷．这会降低材料强度,缩短工件寿命,并且增加安全风险．因此,需要对金属产品表面进行质量检测,这也是保证工业生产质量的关键环节．与传统人工检测相比,基于机器视觉的表面缺陷检测方法具有速度快、精度高等优点．提出了一种改进的YOLOv5算法,用于金属表面缺陷检测研究,在原YOLOv5算法的基础上将空间金字塔池化结构SPP替换成SPPCSPC,提高模型对金属表面缺陷的检测能力．为了验证算法的有效性,分别采用YOLOv3,YOLOv4,YOLOv5及改进的YOLOv5算法对1 800张金属表面缺陷样本图像进行对比测试．结果表明,与YOLOv3,YOLOv4,YOLOv5原算法相比,改进的YOLOv5算法平均目标检测精度均值分别提高了4.3%,3.3%,2%．通过大量图片的学习,可以获得更好的精确率．     

基于改进YOLOv4的路面裂缝检测研究

目前对路面裂缝的检测效率低下且费用昂贵。针对这一问题,提出一种改进YOLOv4的路面裂缝目标检测模型。首先,将MobileNetv2作为主干网络并将其他普通卷积用深度可分离卷积代替;其次,将坐标注意力机制与空间注意力机制分别植入Backbone和Neck部分。试验结果表明：改进模型在进一步提升了对路面裂缝检测精度的同时检测速度大幅度提升,FPS可达到61.48帧/s,同时mPA达到了67.26%,比原模型有较大提升。     

基于GMM-LSTM的车辆切入意图识别研究

【目的】为了能准确识别出他车的切入意图，同时解决由爆发性增长的无标签行车数据所引起的识别模型落地难的问题。【方法】本研究提出一种双层无监督的车辆切入意图识别模型，该模型由聚类模块及意图识别模块组成。聚类模块采用高斯混合模型对基于NGSIM构造的无标签数据集进行聚类分析，并挖掘其内在的数据关系，从而获取切入时不同驾驶行为对应的特征标签。意图识别模块用于识别车辆切入意图，该模块是基于LSTM搭建的。该模块先结合聚类模块来获取特征标签及无标签数据集，构造新的有标签训练集及测试集，然后将其输入到神经网络中进行训练与测试。【结果】该模型在基于真实路况的NGSIM数据集上表现较好，对驾驶意图的识别准确率达到97%，精度较高。【结论】该模型在无标签数据上具有较好的识别能力。     

基于Relief-PGS优化算法的数据分类

【目的】在选取图像特征对图像进行分类时,选取的特征属性是否冗余会影响到图像分类的正确率。为提高分类的准确率,使用Relief-PGS优化算法对特征子集和支持向量机参数同步进行优化。【方法】首先使用Relief算法对特征数据集进行筛选,其次将筛选出的特征子集数目和支持向量机参数一起编码到粒子群-遗传算法中进行同步优化,最后对处理后的数据集进行分类,能有效提高分类的准确率。【结果】选取UCI数据库中的5种数据集进行分类,与传统的SVM算法、PGS算法和Relief-SVM算法相比,Relief-PGS优化算法对图像分类的准确率分别提高了22.53%、6.05%和11.16%。【结论】研究结果表明,Relief-PGS算法在去掉不重要特征的同时,对支持向量机参数进行优化,能有效提高分类的准确率。     

基于改进的YOLO v3的遥感图像目标检测

为了实现对遥感图像目标检测，对YOLO v3算法特征提取网络进行了改进。采用复制主干网络的方法，搭建辅助网络，使网络能够提取到更多的特征。为了使主干网络和辅助网络所提取的特征整合到一起，采用挤压激励(Squeeze and excitation, SE)注意力机制模块进行连接并使用DOTA数据集进行验证，以准确率等评价指标来评价改进网络的性能。实验结果表明，检测的能力在改进后有着明显的提升，比原始的YOLO v3算法准确率提高了8.68%,在检测精度上有所提升。     

基于改进的YOLO v3的遥感图像目标检测

为了实现对遥感图像目标检测，对YOLO v3算法特征提取网络进行了改进。采用复制主干网络的方法，搭建辅助网络，使网络能够提取到更多的特征。为了使主干网络和辅助网络所提取的特征整合到一起，采用挤压激励(Squeeze and excitation, SE)注意力机制模块进行连接并使用DOTA数据集进行验证，以准确率等评价指标来评价改进网络的性能。实验结果表明，检测的能力在改进后有着明显的提升，比原始的YOLO v3算法准确率提高了8.68%,在检测精度上有所提升。     

激光雷达在地下矿井障碍物检测中的应用

【目的】地下矿井是自动驾驶技术实现落地应用的一个重要场景，障碍物检测是自动驾驶感知算法的重要组成部分，现有的检测算法多存在准确性不高、实时性不够等问题。【方法】针对检测算法中存在的问题，本研究提出一种适用于地下矿井障碍物检测的算法，使用该算法对激光雷达点云进行处理。首先，对地下矿井中的路面存在坡度的场景，提出多平面拟合的地面分割方法，准确地提取高程障碍物点云。其次，优化密度聚类算法，采用自适应阈值的组合参数，实现对障碍物的检测。【结果】本研究基于公开数据集和地下矿井实际采集数据集进行验证。【结论】本研究提出的算法具有良好的障碍物检测效果。     

基于工程环境背景下安全帽佩戴检测算法研究

针对当前安全帽佩戴检测算法存在结构复杂、鲁棒性差等问题,提出一种借助改进后的YOLOv3算法进行安全帽佩戴检测.利用包含通道注意力机制的SE-ResNeXt残差结构,替换YOLOv3模型中Darknet53网络的残差结构,在不加深网络结构的情况下,利用通道注意力机制,捕获特征有用信息,达到提高特征表示能力的目的.再利用...     

IGA和FA在局部遮荫情况下MPPT中的应用

【目的】针对快速变化的部分遮荫条件,提出一种改进的光伏系统最大功率点跟踪（MPPT）算法。【方法】该算法在融合遗传算法（GA）和萤火虫算法（FA）的基础上,通过差分进化（DE）算法来改进算法计算过程。通过将DE变异过程和FA吸引过程结合起来,可简化遗传算法计算过程。【结果】仿真和评价结果表明,MPPT算法具有处理简单、响应速度快、精度高等优点。【结论】与传统遗传算法相比,MPPT算法的执行时间和跟踪精度分别提高了69.4%、4.16%,该算法适合不同类型的太阳能电池板和不同格式的系统,具有跟踪速度快、跟踪精度高的优点。     

改进的Canny算法在工业机器人视觉系统中的应用

【目的】随着制造业对新型方式需求的提升，用机器视觉技术来提升机器人的抓取精度成为行业的研究重点。在机器人视觉图像处理过程中，传统的Canny算子存在人为设定高斯滤波及高低双阈值参数误差大等问题，需提高机器视觉的精度。【方法】本研究采用中值滤波和迭代法阈值选择算法得到阈值的方法，通过改进传统Canny算子中需设定高斯滤波及高低双阈值参数不足的问题。【结果】由试验结果可知，改进的Canny算子绝对误差值减小25%，相对误差值减小12.5%，可实现机器人视觉的精准定位。【结论】本研究基于改进Canny算子的机器人视觉技术，可完成精准、复杂的抓取任务，能满足工业柔性生产的需求。     

利用深度卷积神经网络算法识别传统篆体书法的应用研究

利用先进的数字化和智能化技术对我国古代文化遗产进行数字化应用和有效保护,以更快捷、更高效的方式解决凭借人力无法解决的问题,具有重要的现实意义。通过研究深度卷积神经网络在书法文字检测识别任务上的应用,设计了一个篆体书法文字检测识别的完整系统,包括数据采集、数据扩充、算法训练与测试和算法模型部署等流程。整个系统以YOLOv4目标检测算法为基础,根据篆体书法图像数据特征对采集得到的数据进行有效地扩充,进行多次训练和验证测试,最终获得了89.7%的平均精度、92.3%的准确率和94.7%的召回率,同时达到45张/s的识别速度;最终将识别检测模型部署至服务器端,并提供了接口供外部调用。实验证明设计的识别系统可以利用深度卷积神经网络自动、快速、准确地对篆体文字进行定位和识别,并且可以方便地调用训练和部署完成的模型。     

基于CEEMD和迁移学习的滚动轴承故障诊断研究

【目的】在实际生产环境中,由于机器特征复杂和工况变化,智能诊断模型在跨机组迁移时需要重复训练,这不仅增加了时间成本,还加大了算力资源的消耗。为了解决这些问题,需要开发出一种能适应复杂机器特征并在不同工况下保持高准确度的轴承故障诊断方法,同时,减少模型迁移时所需的重复训练,以便实现更高效的故障识别和预测。【方法】研究提出基于互补集合经验模态分解（Complementary Ensemble Empirical Mode Decomposition,CEEMD）和迁移学习的滚动轴承故障诊断方法。首先,采用CEEMD法对原始信号进行分解,并计算出对应分量的峭度值。其次,采用多核最大均值差异法对源域数据与目标域数据进行域适应处理。最后,在凯斯西储大学轴承数据集和美国机械故障预防技术学会轴承数据集之间进行迁移故障诊断试验及对比分析。【结果】研究结果表明,与直接迁移模型算法相比,基于CEEMD改进的迁移学习网络在不同数据集上的迁移效果更好,其故障诊断的准确率最高。【结论】经试验验证,研究所提的方法表现出良好的变工况跨机组适配能力,具有较高的故障诊断精度,为研究复杂工况下多机组相似故障诊断场景提供了...     

基于知识蒸馏的轻量型浮游植物检测网络

当前基于卷积神经网络的目标检测框架已成为主流,使用深层的特征提取网络可以达到很好的目标检测效果,但带来的大量的参数和计算开销使这些算法难以应用到对存储空间和参数量有一定限制的嵌入式设备中.为此,该文提出将知识蒸馏方法用于目标检测网络的特征提取网络,以提升浅层特征提取网络的性能,在降低模型的计算量和规模的同时尽可能地保证模型的性能.实验结果表明,经过蒸馏的浅层网络作为特征提取网络的检测精度比没有经过教师指导的网络精度提高了11.7%.与此同时,该文构建的浮游植物目标检测数据集不仅可以评估一些最先进的目标检测算法的性能,也有利于未来浮游植物显微视觉技术的发展.     

结合transformer多尺度实例交互的稀疏集目标检测

为改进稀疏集目标检测方法存在的特征图缺乏空间细节信息、目标特征没有做到全局上下文实例交互、全局语义信息没有得到充分学习等问题，设计了一种结合自适应特征增强和实例特征交互的稀疏集目标检测算法。自适应特征增强模块在特征提取过程中利用不同尺度的池化和卷积来丰富高级语义信息，减小低级语义信息背景噪声的干扰，降低目标错检率和漏检率。实例特征交互模块在边界框回归设计中结合transformer的多层注意力，并融合通道注意力和动态卷积网络对建议框的通道信息进行增强，改善了目标的边缘信息，提高了网络的实例特征交互效率。最后在COCO2017数据集与原始网络进行实验对比，平均精度提升了4.2%，其中在大目标上提升了4.6%，在PASCAL VOC数据集上提升了2.7%。     

集成学习在PM2.5预测中的应用研究

【目的】为了能实时预测PM_2.5的浓度。【方法】采用多种集成学习的方法进行模拟预测。传统的预测方式多采用深度学习或普通传统改进的机器学习算法，只考虑多种污染物浓度产生的影响，而忽略了其他气象因素对PM_2.5预测的影响。因此，传统的预测方式在预测精度上有着很多不足。【结果】本研究以哈尔滨近7年的气象数据和大气污染物浓度为数据集，通过皮尔逊相关系数法来提取主要特征，并过滤掉小于0.5的影响因子，同时使用多种集成学习方法对PM_2.5进行预测，观察不同集成学习方法对PM_2.5预测的准确度。【结论】试验结果发现，GBDT模型的拟合效果对新数据的泛化效果最好，其MSE为334.204 6、RMSE为18.281 3、MAPE为83.438 9、SMAPE为50.616 9。     

基于长短时记忆网络的恒温水浴锅温度模型预测

【目的】由于恒温水浴锅温度系统存在强非线性及大滞后性,本研究提出一种基于长短时记忆网络的恒温水浴锅温度模型预测方法。【方法】首先,对采集到的数据进行标准化处理,寻找长短时记忆网络的最优结构及超参数,用来拟合出最佳的数据映射特征,并构建恒温水浴锅温度的动态数学模型。其次,通过模型对未来一段时间内的温度趋势进行预测。最后,使用本研究提出的方法与最小二乘法所预测的结果进行对比分析。【结果】本研究所提方法构建的模型的拟合度达到了98.2%,预测结果的MSE及MAE比最小二乘法模型分别降低了4.616、0.823。【结论】本研究所提方法具有更高的预测精度,对提高恒温水浴锅的生产效率及控制精度具有重要意义。     

基于多维损失函数优化FSRNet的气象观测图像超分辨率重构算法

【目的】传统FSRNet生成的超分辨率图像存在伪影、模糊等情况，作为志愿气象观测的试点省份，河南省气象局招募了大批志愿观测站，以期解决部分气象观测图像存在较低的分辨率的问题。【方法】首先引入热图损失、目标注意力损失和对抗性损失构成多维损失函数，对FSRNet进行模块优化，使用转置卷积放大低分辨率的图像。其次对模型进行分步训练，先对低分辨率观测图像进行粗略SR网络训练，再使剩余网络融入训练。【结果】多维损失训练的引入，降低了算法复杂度，提升了粗略SR网络的性能，解决了SR网络训练时调参困难等相关问题，提高了超分辨率气象观测图像的质量。【结论】试验结果证明，本方法在气象领域观测图像的优化相比于其他算法效果更佳，可以生成质量更高、细节更加清晰的目标观测图像。     

基于图像熵的冰川遥感数据程序化建模

【目的】提高使用冰川遥感数据进行程序化建模的模型精度，降低因遥感图像RGB色域较窄导致空间矩阵边缘干扰。【方法】提出基于图像熵算法构建90 m的DEM高精度三维模型法。首先，对遥感图像进行灰阶处理，将RGB信息转化为满足图像熵计算的灰度信息；其次，设定特定规格的判定网格，应用HALCON平台来计算各网格的熵值，匹配高程噪波；最后，采用视差融合进行程序化建模。在建模过程中应用高程噪波补偿点云来构建模型细节。【结果】由仿真结果可知，在10 m×10 m高程判断网格下，图像熵能正确反映出高程噪波。【结论】该方法能有效提升冰川遥感图像程序化建模的精度，但要注意的是网格边缘熵值容易突变，从而影响高程噪波的正确性。