大型工件测量系统中的快速图像拼接方法

根据大型工件测量系统中的图像拼接特点,提出了一种改进的模板匹配与特征提取相结合的高精度快速图像拼接算法.该算法对相邻的两幅图像采用多尺度Harris算子提取特征点,在第一幅图像中根据特征点的分布确定模板块,在第二幅图像中进行模板匹配找到匹配块,再基于特征提取在匹配块内进行对应特征点的计算,完成拼接.试验结果表明,该算法...     

Application of Standardization for Initial Design of Plastic Injection Moulds

Today, the time-to-market for plastic products ar e getting shorter, thus the lead-time for making the injection mould is decreasin g. There is potential in timesavings in the mould design stage because the design process that is repeatable for every mould design can be standardized. T he preliminary work of any final plastic injection mould design is to always pro vide an initial design of the mould assembly for product designers (customers) p rior to receiving the final product CAD data. Traditiona...     

基于目标模板库的多任务目标持久跟踪

针对长时间跟踪造成的信息丢失问题,提出了一种借鉴人类视觉记忆机制构建目标模板库的算法,该方法能在跟踪中记忆有用目标信息,实现持久稳定的跟踪.首先采用多任务跟踪法把视频序列分成多个子任务进行多线程分块局部跟踪,然后采用模板匹配和特征融合下的粒子滤波先后进行粗略跟踪和精细跟踪;最后把跟踪结果纳入目标模板库中更新跟踪系统.实验表明,此算法具有较好的鲁棒性和稳定性.     

面向小批定制的拖拉机动力输出变型模板的设计与研究

以轮式拖拉机动力输出部件为对象,采用Top-down设计方式,以西门子工业软件公司NX软件为开发工具,对知识驱动的变型设计模板的关键技术进行研究,开发了融入产品设计知识的动力输出部件变形设计模板,满足小批量、多品种定制的快速设计要求,提高设计效率、节约开发成本。     

基于事理图谱的突发事件网络舆情演化模型构建

通过构建突发事件网络舆情事理图谱，揭示舆情事件之间的逻辑关联与演化路径，为突发事件的分析与应对提供参考。首先，基于规则模板提取突发事件网络舆情中的事件逻辑关系，构建事理图谱。其次，将事件向量化表示后进行泛化处理，采用K-Means++算法对相似事件进行聚类和抽象以构建网络舆情抽象事理图谱，最后在此基础上对目标事件进行推演和预测。结果表明：突发事件事理图谱中的事件关系类型主要为因果、并列和顺承关系，大部分事件的逻辑链条较短，且与其他事件无明显关联；构建突发事件事理图谱有利于分析事件的演化脉络、把握关键事件节点并预测事件发展方向。     

基于YOLO-CDF神经网络的安全帽检测

针对当前安全帽检测准确性低和适应性差的问题,提出一种以YOLOv3网络为基础,进行相应改进的安全帽检测方法;为了保证安全帽检测的准确度和增大对图片中安全帽的关注度,采用注意力机制增 强了从图片提取出的空间信息和语义信息,减少了图像细节的丢失,再使用可变卷积来适应人的姿态变化, 增强了模型对目标的适应性,减少了一定量的训练样本,最后通过改变输出特征图的尺寸,融合浅层的网络 特征,提升了人头等小目标的识别率;采用自制的 HELMET 数据集对方法进行训练与测试,并通过对比实验表明:方法相较于其他检测方法能够提取到更多的目标特征,达到更高的平均精度均值,同时在实际应用中适应性较好。     

基于多通道步态集合的跨视角步态识别

为了提高步态识别的识别效率,提出了一种基于多通道步态集合的步态识别算法.算法中将一个周期的步态轮廓图进行归一化处理后,通过步幅的大小将周期内的轮廓图划分为7个通道,每个通道内的轮廓图按照平均步态来处理,得到7通道的步态模板.结合卷积神经网络的优异性能,将该多通道步态模板(period energy im-age,PEI)当成图像集作为网络的输入,让网络自身去提取步态模板之间的时序关系.在此基础上,使用增强约束的Triplet Loss函数来学习到最优的特征和距离度量,使最终的训练更加有效.通过在标准数据集CASIA-B上的实验结果表明,与之前多数算法相比,所提出的算法在跨视角的情况下能取得很好的识别效果.     

一个解析几何定点问题引发的思考

从以学生角度解决一个具体椭圆定点问题入手,介绍了求解定点问题的方法并进行了升华归纳;通过变式拓展过渡到定值问题并归纳其解题思路,从教师角度为方便解题和命题需要,加强了椭圆类定点定值问题的横向探究和双曲线、抛物线的纵向探究,并形成了类题模板。     

基于深度学习的轻量化目标检测算法

深度卷积神经网络在各个领域都表现出很好的效果, 与之伴随的是庞大的计算量和参数量。针对当前基于深度卷积神经网络的目标检测算法对计算资源需求太大和内存消耗严重的问题, 提出一种高性能轻量化的网络模型。首先将Stem模块和ShuffleNet V2进行融合, 提升网络特征提取能力, 并利用融合后的网络对原始YOLOv5的骨干网络进行重构, 显著降低了网络的计算量和内存占用, 同时, 引入可变形卷积以提升网络的检测性能。道路监控图像和VOC、COCO数据集测试结果表明, 所提出的模型在保持检测精度的前提下, 将参数量和模型尺寸降低了90%, 计算量仅为原始模型的18%, 实现了检测模型的轻量化, 更有助于在计算资源有限和对实时性要求高的场景中部署。     

复杂背景下SAR图像近岸舰船目标检测

针对合成孔径雷达(synthetic aperture radar, SAR)图像近岸舰船目标易受背景杂波的影响, 造成SAR图像近岸舰船目标检测检测率低、虚警率和漏检率高的问题，提出一种适用于复杂背景下SAR图像近岸舰船目标检测的DFF-Yolov5(deformable feature fusion you only look once 5)算法。构建了一个专门用于SAR图像复杂背景近岸舰船目标检测的数据集, 基于Yolov5目标检测算法, 在特征提取网络中进行特征细化和多特征融合两个方面的改进。在特征提取网络中利用可变形卷积神经网络改变卷积对目标采样点的位置, 增强目标的特征提取能力, 提高复杂背景下SAR图像舰船目标的检测率。在多特征融合网络结构中采用级联和并列金字塔, 进行不同层级的特征融合。同时，使用空洞卷积扩大特征提取的视觉感受野, 增强网络对复杂背景近岸多尺度舰船目标的适应性, 降低复杂背景下SAR图像舰船目标检测的虚警率。通过在构建的复杂背景近岸舰船检测数据集上的测试实验, 结果表明: DFF-Yolov5的平均准确率为85.99%, 相比于原始的Yolov5, 所提方法平均准确率提高了5.09%, 精度提高了1.4%。