融合注意力空洞卷积和Transformer的矿石图像分割

在金矿研磨过程中,矿石粒度大小对后期黄金冶炼起着至关重要的作用,是一个不可忽略的关键参数。为解决图像分割中多数矿石表面不规则、棱角多,粘连等问题,通过结合注意力与多尺度空洞卷积的Vit Transformer模型研究了矿石图像分割。首先使用ResNet34作为下采样主干,增强对金矿石的特征提取能力;其次采用Transformer模块解决长距离依赖问题,融合复合通道注意力空洞模块提升网络对金矿石边缘特征的提取能力,提高了网络的抗干扰能力并扩大感受野。实验结果表明：本文算法准确率达到95.84%,Dice系数达到94.69%,交并比(IoU)达到90.39%,错误率低至7.83%。与其他算法对比,本文方法精度、Dice系数、IoU更高,可以较好地完成矿石图像分割任务。     

基于改进YOLOv5的人员检测方法研究

为了解决在人员检测过程中,检测精度低、收敛速度慢问题,提出了一种基于改进的YOLOv5人员检测方法。首先,在主干网络(Backbone)和特征加强网络(Neck)中加入注意力机制(CBAM),来解决Backbone特征提取能力不足问题,并加强Neck特征融合能力;然后,加入EIOU Loss,解决了计算宽高的差异值取代纵横比,同时引入Focal Loss解决难易样本不平衡问题,EIOU Loss在测试过程中,不仅仅加快模型的收敛速度,而且精度也有所提升。结果表明：在自制数据集和公开数据集CrowdHuman中,平均精度分别提高1.2%和1.6%,FPS每秒提升了11.91帧和6.44帧,漏检情况也有所降低。经过改进后的模型,实时性要求符合现实要求,更易于提取人员的特征信息,提升检测精度。     

基于多因素均衡动态分簇的WSN路由协议算法研究

为了解决无线传感器网络分簇路由协议随机筛选簇头节点的位置分布不均衡及转发节点的数据传输路径不合理会加剧节点能量消耗、缩短网络生存周期的问题,提出一种基于改进社交网络搜索算法(ISNS)优化模糊C均值聚类(FCM)的多因素均衡动态分簇路由协议(MD-LEACH)。首先,引入莱维飞行改进反向精英学习策略,以增强社交网络搜索算法的全局寻优能力;接着,使用ISNS优化模糊C均值聚类算法对网络节点动态均匀分簇,均衡网络负载;此外,在每个簇内,考虑簇内节点的能量因素和位置因素引入模糊推理,设计两种簇头选取模式,动态选举簇首,提高簇首质量。在稳定传输阶段,将单跳改为簇首之间的通信的方式,使用改进的蚁群算法寻找最优数据传输路径,提高能量效率。仿真结果表明,算法能够有效提高能量效率,平衡网络负载,延长网络生存期。     

基于改进MobileNet网络的人脸识别方法

针对轻量级卷积神经网络MobileNet应用于人脸识别实时性较差、准确率不高等问题，提出一种改进MobileNet的网络模型—MobileDeepViT。首先，鉴于MobileNet模型有效减少网络参数量特点，本网络以MobileNet为核心，构建具有7层MobileNetV2、3层特征提取层、1层标准卷积和点卷积的深度学习网络；其次，在人脸特征提取过程中引入DeepViT，使网络更有效学习人脸特征；最后，该网络与Inception＿ResNetV1和MobileNetV1在相同的数据集CASIA-WebFace上进行训练，在LFW测试数据集上对训练模型进行评估，并在相同条件下对同一人的不同照片进行欧式距离和实时性测试。实验结果显示：该网络在模型参数更小的情况下，准确率比后二者分别提升了0.21%和0.72%、欧式距离测试结果也比后二者更小，预测时间更短，表明改进后的模型参数量减少、实时性更好、精度和鲁棒性提高。     

基于分数阶混沌系统的风力机叶片微弱间歇故障幅值检测

针对风力发电机的特殊工况导致其叶片微弱间歇故障成长检测困难的问题,提出了一种基于分数阶混沌系统的微弱间歇故障幅值变化检测方法.给出了混沌系统相态判别方法,阐述了庞加莱密度峰值算法(PSDPA)原理和流程,构建了间歇故障成熟度函数(IFDF).采集了风机叶片径向和轴向轻微裂纹处的振动信号,并用PSDPA和IFDF分析了风...     

基于轻量级CNN的作物病虫害识别及安卓端应用

针对传统病虫害图像识别方法流程繁琐、效果差和应用困难等问题,本文以番茄、玉米、马铃薯3类作物17种叶部病虫害图片为研究对象,通过改进MobileNetV3网络模型并部署到移动端,实现了对多种作物病虫害图像的有效分类。首先,对病虫害图像做随机裁剪、旋转等预处理操作,对不均衡样本进行数据扩充;然后,将MobileNetV3网络从ImageNet数据集上学习获得的先验知识通过迁移学习策略应用到病虫害数据集上,经过参数微调并采用RAdam优化器训练后得到改进的轻量级网络模型;最后,将该模型通过Android Studio开发软件移植到安卓手机端。实验结果表明,该模型具有精度高、占用内存小、识别速度快等优势,能够满足对农作物叶片病虫害检测的基本要求,对智慧农业的发展具有参考意义。     

基于深度学习的葡萄果穗检测

果穗检测是农业自动化采摘作业的热门关键技术。针对成熟期葡萄易腐烂、成熟状况不一,以及葡萄果园背景复杂、光照条件多变的问题,基于YOLO v5s算法提出一种轻量化改进的检测识别方法。首先,采用Efficientnet-v2网络作为特征提取主干并在其中融合了不降维局部跨信道交互模块,在保障精度的前提下大幅度缩减模型大小以及参数量,加快模型推理速度;其次,为了进一步弥补模型简化造成的精度损失,在模型特征融合关键位置引入坐标注意力模块,强化对目标的关注度,提升模型应对密集目标检测以及对抗复杂背景干扰的能力,保障算法的综合性能及可靠性。实验结果表明：改进后的算法平均准确率达98.7%,平均检测速度为0.028 s,模型大小仅为12.01 MB,相较于改进前的算法准确率提升了0.41%,检测速度快了22%,模型减小了13.2%。在果园场景图像检测测试中,所提出算法能够良好地检测出葡萄果穗并辨别其状况,对不同环境影响也具有较强适应能力,为自动化采摘技术的发展提供了参考。