非线性系统参数的时域识别及优化方法

采用一种非线性迭代在时域中识别非线性系统参数,将计算方法归结为一个求最小值问题。     

印刷五线谱计算机识别

本文讨论和介绍了利用计算机处理和识别五线谱图象的方法,提出了根据用乐符的高宽特性和投影法相结合的识别方法,在此基础上实现了一个简单的印刷五线谱识别系统PMRS。     

基于并行基因算法的语音识别方法

提出一种基于并行基因算法的孤立字识别时间规正算法，该算法是在［３］的基础上提出，可解决动态时间规划（ＤＴＷ）难以解决的一些问题：①使距离归一化因子Ｍ与实际路径相关；②以自然方式提供多条最佳规划路径；③语音端点检测正确性对识别率的影响得到一定程度的改善。建立了试验数据库，根据试验数据建立了模板距离遵循正态分布的算法性能分析模型。比较了并行基因算法，串行基因算法［３］和动态时间规划算法的性能。试验结果表明：基因算法比动态时间规划能得到更高的识别率，在单ＣＰＵ情形下，虽然并行基因算法的性能比串行基因算法略微提高，但至少可节约三分之一的ＣＰＵ时间     

用于语音识别中的SOFM矢量量化方法

该文讨论了神经网络语音识别系统中的ＫｏｈｏｎｅｎＳＯＦＭ神经网络的矢量量化（ＶＱ）的原理与过程,着重解决了其在实际应用时的若干问题,包括网络大小,学习步幅函数以及矢量量化过程中的公平竞争学习的控制函数的选定。过讨论了基于听觉模型的声学特性的提取与处理,这与ＶＱ性能息息相关。系统应用的实验表明,该神经网络在语音识别系统中具有良好性能。     

工程图形识别中一种矢量跟踪法

提出了一种通过网络拓扑结点抽取并基于查表实现的矢量跟踪方法，这种方法不但能有效地保证细化后得到的图象骨架的网络拓扑关系，而且算法构造简单，便于软件或硬件实现。论述了数字拓补中的几个基本概念，叙述了算法的构造与实现。给出了实例，证明矢量化后，分枝点、交叉点、切点等处仍很好保持了原图中的拓扑关系，为后续曲线的拟合及线段拼合等处理提供了有利条件，并可以提高机械工程图形矢量处理水平。     

基于改进ViBe算法的运动目标检测

ViBe算法是一种基于静态背景下的运动目标检测算法,针对其“鬼影”问题和运动目标静止时会被更新为背景的问题提出了改进ViBe算法,即对原ViBe算法的背景模型初始化、动态阈值、前景分割和背景模型更新等4个部分进行了改进。采用均值法获取的背景图像初始化背景模型,可消除“鬼影”;利用计数法控制前景分割动态阈值,使前景图像更加准确;使用帧差法思想改进前景分割,使前景图像更加完整;通过引入阈值保证背景模型更新的稳定性。根据试验结果可知,改进ViBe算法对正常移动车辆、较小运动目标和存在静止情况的运动目标都有较好的检测能力,解决了“鬼影”问题和运动目标静止时会被更新为背景的问题,同时相较于原ViBe算法和其他常用运动目标检测算法,改进ViBe算法在保证准确性的基础上提高了检测的完整性。     

融合Swin Transformer的虫害图像实例分割优化方法研究

【目的】为了实现对虫害的精准监测,提出了一种融合Swin Transformer的图像实例分割优化方法,以期有效解决复杂真实场景下多幼虫个体图像识别分割困难的问题。【方法】选用Swin Transformer模型,改进Mask R-CNN实例分割模型的主干网部分,对黄野螟幼虫虫害图像进行识别分割。针对不同结构参数的Swin Transformer模型与ResNet模型,调整各层的输入输出维度,将其分别设置为Mask R-CNN的主干网进行对比实验,从定量与定性两个角度分析不同主干网的Mask R-CNN模型对黄野螟幼虫的识别分割精度与效果,确定最佳模型结构。【结果】(1)该方法在虫害识别框选方面的测度(F1)分数可达89.7%,平均精度(A_P)可达88.0%;在虫害识别分割方面的F1分数可达84.3%,A_P可达82.2%。相较于Mask R-CNN,在目标框选与目标分割方面分别提升8.75%与8.40%。(2)对于小目标虫害识别分割任务,该方法在虫害识别框选方面的F1分数可达88.4%,A_P可达86.3%;在虫害识别分割...     

基于改进的YOLOv5s安全帽佩戴检测算法

针对个人防护用具安全帽的防护检测识别需求,现有的人工检测方法费时费力,无法做到实时监测.提出了一种基于YOLOv5s深度学习模型的安全帽检测算法,能够有效识别检测安全帽是否正确佩戴.并通过添加CA注意力机制,重新分配每个空间和通道的权重;以BoT3替代原有的C3模型,作为主干网络;并将CIOU损失函数改为SIOU等方法,改进原有的YOLOv5s模型,提高安全帽检测识别的精度,提高检测速度.实验结果表明,安全帽识别检测的平均精度比原始模型提高了2.2%,识别检测速度提升了19 ms,实现了更准确地轻量高效实时的安全帽佩戴检测.     

地基云图识别的光照补偿算法

为研究地基云图云状识别中的光照补偿问题,针对可见光地基云图,提出了一种基于BEMD与Closed-Form景物提取算法相结合的地基云图光照补偿算法对云图进行预处理,经过去光照处理后的云图,再进行Hilbert谱特征提取,最后进行云类的识别。与基于L1的全变分模型的光照补偿算法相比,可有效地去除云图的光照影响,又不至于去掉云图自身的信息,且与背景区别明显。试验结果表明,使用该方法与未进行处理的云图相比识别率提高4.17%~18.88%。