基于轻量化深度学习网络的数字仪表识别

数字式仪表常用于变电站、工厂等生产环境,是一种直观的设备监测仪器。然而当前数字式仪表的读取方式还依赖于人工巡检,手动记录等,这些传统的巡检方式来监测设备的运行状态大大降低了巡检效率。为了实现传统行业的数字化转型,本文提出基于轻量化深度学习的数字仪表识别方法,通过改进的YOLOv5的目标检测框架,针对数字仪表目标区域在整张图片大小不一致的情况,提出对于感兴趣区域（ROI）的迭代目标检测方法,首次检测将感兴趣区域进行检测并切割统一到相同的尺度,随后迭代检测网络针对感兴趣区域内的字符进行检测并分类,以达到精确读数的目的。为提升多尺度检测性能,本文采用Res2Net模块主干网络中的的残差模块。采用GIoU取代通用的IoU作为位置损失函数加速模型训练效果的收敛。实验表明,改进后的框架实现了99.62%的准确率和99.55%的召回率,相比基线网络分别提升了12.72%和5.85%。通过将框架在边缘计算平台上的终端部署,在实际生产中取代了人工巡检,实现了商业化运行。     

天道金科:“以数建景”,破解产业数字化转型

天道金科率先提出集“咨询+科技+数据+金融+运营”五位一体的产业数字化综合解决方案,助力开发政府侧、产业侧、金融侧等不同场景下数据要素的价值和作用,推动数字技术和实体经济融合共生,数据要素是促进产业变革、带动经济增长的重要引擎。2020年以来,我国密集出台了一系列培育数据要素。     

数据驱动下交通异常行为的双层识别模型

为实现对车辆异常行为的准确识别,提高车辆行驶的安全性,提出了一种基于支持向量机(support vector machine, SVM)、监督学习与长短期记忆(long short term memory, LSTM)深度学习的交通异常驾驶行为双层识别模型。首先,对车辆轨迹数据筛除和滤波,构建异常行为数据集;其次,从异常行为轨迹特征中提取出特定异常行为的特征标签,并人为标定在训练集中;再次,构建SVM模型对训练集进行粗识别,基于SVM的二分法原理,从测试集中筛选出异常行为;最后,通过LSTM时间序列模型构建具体种类的异常行为模型,并通过深度学习的方法,从异常行为数据中细分为蛇形驾驶、急速变向、侧滑、大半径转弯、快速U型转弯、急刹车等具体的异常驾驶行为。本次实验选用下一代仿真(next generation simulation, NGSIM)数据中US-101高速公路和peachtree城市道路的数据集的轨迹数据验证SVM和LSTM双层识别模型的性能,包括均方根误差、识别准确率等。结果表明,构建的双层识别模型在第一层有98%的识别准确率,第二层有超过80%的识别准确率,可以较为准确地识...     

“元宇宙+体育”玩转“指尖上”的亚运

在数实融合下,立足观赛体验的数字化文化消费场景,让人们身临其境般地感受到了体娱跨界联动的趣味。作为“数字经济第一城”,“亚运元宇宙”平台成为杭州“智能亚运”的“杀手锏”作为一个极富时代意义的名称,元宇宙正在迅速演变为一种百行百业必须争取的“顶尖技术”。     

基于图像去噪和图像生成的对抗样本检测方法

针对现有对抗样本检测方法存在检测准确率低和训练收敛速度慢等问题,提出一种基于图像去噪技术和图像生成技术实现的对抗样本检测方法.该检测方法将对抗样本检测问题转换为图像分类问题,无须事先得知被攻击模型的结构和参数,仅使用图像的语义信息和分类标签信息即可判定图像是否为对抗样本.首先,采用基于swin-transformer和vision-transformer实现的移动窗口式掩码自编码器去除图像中的对抗性噪声,还原图像的语义信息.然后,使用基于带有梯度惩罚的条件生成式对抗网络实现的图像生成部分根据图像分类标签信息生成图像.最后,将前两阶段输出的图像输入卷积神经网络进行分类,通过对比完成去噪的图像和生成图像的分类结果一致性判定检测图像是否为对抗样本.在MNIST、GTSRB和CIAFAR-10数据集上的实验结果表明,相比于传统检测方法,本文提出的对抗样本检测方法的平均检测准确率提高6%~36%,F1分数提高6%~37%,训练收敛耗时缩减27%~83%,存在一定优势.     

超高压高CO2气藏偏差系数图版扩展与应用

Standing-Katz图版法确定天然气偏差系数是目前最常用、最基础的方法之一,但存在人工读值误差大、在超高压（拟对比压力大于15）和高CO₂含量天然气使用受限等问题。设计单组分偏差系数测定实验,结合Standing-Katz图版曲线变化规律,将图版拟对比压力扩展到30,拟对比温度扩展到3.6,并将图版数字化;基于不同CO₂含量偏差系数测定实验结果,推导了考虑不同CO₂含量的天然气拟临界压力、拟临界温度计算新模型,与常规非烃校正模型相比,新模型计算精度更高,适用范围更广。进一步将新临界参数校正模型嵌入到偏差系数扩展图版中,得到不同CO₂含量的偏差系数扩展图版,该图版在南海西部超高温高压、高CO₂含量天然气偏差系数计算中误差较小（不超过3%）,应用效果良好。     

测长仪器数字化微机化改造中的精度保证

本文介绍了测长仪器数字化微机化改造中的精度保证方法:标尺倾斜调整法和计算机软件补偿法。作者将这些方法应用于万能工具显微镜的改造中,获得了满意的效果。该方法简单有效,而且亦适用于新测长仪器的制造。文中还对测长标尺的制造提出了“标尺刻度间距的公差带应正向单向布置”的指导性意见。     

数控仿形系统中的数字化技术

利用仿形仪扫描模型表面,自动生成描述模型表面的数控指令,实时转存到软磁 盘中。利用上述的数字化结果在数控功能支持下进行数字化加工,可以加工出各轴独 立改变比例的工件和镜像的工件,也可以实现阴阳模工件的配对加工。数字化技术在 模具及复杂表面加工中有童要意义。     

基于压缩感知的在线多示例学习目标追踪

近年来提出的多示例学习算法在一定程度上能够克服模板漂移问题。然而,在线学习需要获取足够多的有用数据才能达到稳定的追踪效果,但是这却增加了算法的复杂度。为了解决这一问题,在压缩感知理论的基础上,运用随机观测的方法对多尺度图像特征进行降维,提取的这些低维特征中包含大量的有用信息。因此,我们提出的算法是先利用压缩感知理论提取目标特征之后,再使用在线多示例学习算法分类器对这些特征进行分类从而实现目标的稳定跟踪。通过对不同的图像序列进行实验,结果表明基于压缩感知的在线多示例学习算法对实时的目标追踪有很好的适应性。     

联想记忆系统的学习算法设计（Ⅰ）

基于牛顿向前插公式设计了一种新的联想记忆系（ＮＦＩ－ＡＭＳ）的学习算法,用以实现任意阶的多变量多项式函数的无误差逼近。该系统与传统类型的ＣＭＡＣ－ＡＭＳ相比,具有学习精度高和记忆空间小的特点;且比多层的ＢＰ网络具有学习算法简单和收敛速度快的特点。数值模拟表明,这种ＮＦＩ－ＡＭＳ在信号处理,模式识别,及高精度的实时智能控制等领域具有很大的应用潜力。