基于VGGNet改进网络结构的多尺度大熊猫面部检测

大熊猫个体识别对研究大熊猫的种群数量非常重要,大熊猫面部检测是基于面部图像的大熊猫个体识别方法中的首要关键步骤。针对现有的大熊猫面部检测方法精确度不高的问题,提出基于VGGNet-16改进网络结构的多尺度大熊猫面部检测方法。首先,以VGGNet-16网络结构为基础,通过增加残差结构与BN层,降低卷积层通道数,并采用LeakyRelu激活函数等改进,构建一个新的特征提取主干网络。其次,将一个3尺度的特征金字塔网络结构与SPP结构结合用于目标检测。最后,使用深度分离卷积结构替代常规卷积结构。实验结果表明,提出的大熊猫面部检测方法在测试集上能够达到99.48%的mAP,检测性能优于YOLOv4。     

XML与Web数据集成及技术实现

由于HIML缺乏规范的数据表达能力,基于Web的数据集成往往很困难。要使存在于Web上的数量巨大的数据易于共享、处理,利用XML（eXtensible Markup Language）技术可以很好地实现,现有的XML技术包括XML解析器、文档对象模型、XSL等都可以很好地应用到各种平台下的Web应用程序中,从而实现异构数据集成。     

基于未校准PMS和参照物的三维表面重建

未校准的PMS在重建物体三维形状时比经典的PMS的光照约束条件低,增加了在实际应用时的灵活性。但未校准PMS算法需要同时估算输入图像的光参数以及物体的三维形状,算法的求解难度也随之提高。本文提出一种基于未校准PMS和参照物的算法来估算目标物体的三维形状和反照率,并通过实验对合成物体以及自然光环境下的真实物体进行了三维重建,实验结果验证了本文算法的准确性和有效性。     

基于OPC的复杂工控系统的软件集成技术

企业综合信息自动化系统是一个复杂系统,要在设备、数据库和应用软件间建立通用、高效的数据读取机制,由于设备的多样性和驱动程序的不兼容性,难以实现系统的无缝集成.笔者对实现控制系统现场设备与过程监控级进行信息互连、实现控制系统开放性的关链技术OPC作了讨论.     

基于自适应三分图的玉米穗丝精细化提取

玉米穗丝是玉米的受粉器官,它的生长发育状况将直接影响玉米产量。为了实现穗丝性状的自动监测与评价,提出一种基于自适应三分图的玉米穗丝精细化提取方法。首先基于直方图对比度的显著性检测算法预估目标显著性,形成显著图,再利用自适应阈值分割对显著图初步预分割;然后寻找最大连通域获得单一目标二值图像,根据穗丝特点确定形态学处理的最佳卷积核并生成包含目标、背景和不确定区域的自适应三分图,以Laplace矩阵优化closed-form matting算法中目标函数的分块矩阵;最后根据玉米穗丝特点,结合三分图结果和优化过的算法对玉米穗丝进行软分割实现精细化提取。实验结果表明：所提的研究方法像素精度值为97.96%,综合评价指标值为94.16%;其中像素精度值相较于基于点运算的OTSU算法、Grabcut算法和基于神经网络的深度学习算法SeFormer和DeeplabV3,分别提高了10.43、2.35、1.67和1.91百分点,综合评价指标值分别提高了23.96、5.59、4.28和5.13百分点。此方法能有效弥补硬分割算法对玉米穗丝这种特殊对象的分割缺陷,提取的目标区域接近真实区域,准确度高,从而为智...     

基于生成对抗网络的气缸套表面缺陷图像生成

针对气缸套缺陷检测中缺陷样本不足限制气缸套缺陷检测性能提升问题,采用基于生成对抗网络的气缸套表面缺陷检测算法.首先,为了保持缺陷图像中原有缺陷位置与特征不变,通过循环生成对抗网络模型学习有缺陷气缸套图像与正常图像的关系;其次,利用学习得到的模型对有缺陷气缸套图像进行风格迁移,即把有缺陷气缸套图像背景替换成无缺陷气缸套图像背景,实现对气缸套缺陷数据集的扩充与增强;最后,通过基于数据增强的RetinaNet网络模型对生成图像的有效性进行验证.试验结果表明,通过生成对抗网络生成的气缸套数据集可以提升缺陷检测性能,进一步证明了生成对抗网络在工业应用的可行性.     

融合特征通道重要性与相似性的深度YOLO网络压缩方法

基于深度YOLO网络的目标检测方法网络结构复杂、冗余参数过多、计算量大,极大影响模型检测性能。针对此问题,从降低网络中低效通道和冗余通道的影响出发,提出了一种融合特征通道重要性与相似性的深度YOLO网络压缩方法,基于深度网络压缩中的网络剪枝思路,采用2次剪枝剪去低效及冗余特征通道。构建通道重要性计算方法,将稀疏因子作为通道效能计算指标,结合剪枝率剪去低效通道;根据通道间存在的线性关系计算其相似度,对相似度较高的通道进行替代,剪去相似度较大的通道;微调模型参数,恢复剪枝前的检测精度。仿真实验表明,同当前性能较优的深度网络压缩方案相比,提出的方法在保证目标检测精度的同时极大减小了模型尺寸、提升了检测速度,方法可行、有效。     

基于改进YOLOv5的鱼眼图像目标检测算法

针对自动驾驶场景下车载鱼眼相机采集到的图像存在畸变严重、场景复杂、尺度变化剧烈、小目标多以及传统的目标检测模型的检测精度不高的问题,提出了一种基于YOLOv5s改进的鱼眼图像检测模型YOLOv5s-R.首先,为解决小目标难识别的问题,提出随机裁剪多尺度训练的数据增强方法,该方法优于消融实验所得的最优数据增强方法.其次,为了提高模型的检测精度,在网络头部添加置换注意力机制与轻量化解耦头,增强模型对特征的提取能力与识别能力,并抑制噪声干扰.最后,模型额外增加角度预测项,实现旋转框目标检测.通过构建环形标签并用高斯函数对标签平滑,解决了旋转框角度的周期性问题;又对损失函数进行了优化,提出了RIOU,在CIOU的基础上增加角度惩罚项,提高了回归精度并加快了模型的收敛.实验结果表明,提出的YOLOv5s-R模型在WoodScape数据集上取得良好的检测效果,相比于原始的YOLOv5s模型,mAP@0.5、mAP@0.5∶0.95分别提升了6.8%、5.6%,达到82.6%、49.5%.     

自动驾驶中基于深度学习的3D目标检测方法综述

随着激光雷达传感器和深度学习技术的快速发展,针对自动驾驶3D目标检测算法的研究呈现爆发式增长。为了探究3D目标检测技术的发展和演变,对该领域中基于深度学习的3D检测算法进行了综述。根据车载传感器的不同,将当前基于深度学习的自动驾驶3D目标检测算法分为基于相机RGB图像、基于激光雷达点云、基于RGB图像–激光雷达点云融合的3D目标检测3种类型。在此基础上,分析了各类算法的技术原理及其发展历程,并根据平均检测精度（mAP）指标,对比了它们的性能差异与模型优缺点。最后,总结和展望了当前自动驾驶3D目标检测中仍然面临的技术挑战及未来发展趋势。     

科技人才评价研究综述

加强科技人才评价研究,有助于发挥“评价”的“指挥棒”和“风向标”作用,充分激发科技人才的创新创造活力,为加快实现高水平科技自立自强和建成科技强国的宏伟目标提供有力的人才支撑。综述了科技人才评价对象的研究现状,从专家定性评价法、定量指标评价法以及综合评价法3个方面对科技人才评价方法进行述评,重点介绍了层次分析法、熵值法、因子分析法、基于熵权的TOPSIS法、模糊综合评价法,对科技人才评价常见指标体系进行了梳理总结,展望了科技人才评价的发展趋势,结合当前形势与政策,提出今后应进一步细化评价对象分类研究,注重科技人才评价指标的价值导向和数字化技术在科技人才评价中的深化应用。