一种实时数字视频内容识别方法

提出了一种在数字电视和流媒体播出过程中进行实时视频内容识别的算法模型,讨论了该模型的几个性质,同时给出一种融合不同视觉特征模型的视频匹配方法,并针对数字电视TS流进行了算法测试,得到了准确实时的内容检测效果.     

基于注意力机制的通信辐射源个体识别方法

日益复杂的电磁环境对通信辐射源个体识别提出了更高挑战,而传统的特征提取方法难以满足需求.深度学习因其在特征表示方面的优势,在多个领域的识别任务中获得了巨大成功.针对辐射源个体识别任务,利用深度神经网络,结合自然语言处理与计算机视觉领域的注意力机制思想,将双注意力机制引入预处理层与特征提取层实现对神经网络的优化,并针对同...     

基于AI技术的钢筋数量智能识别技术研究

当前,绝大多数工地清点钢筋等材料使用传统人工方式,人工清点方式耗费人力且容易造成数量统计错误。为解决上述问题,设计了一个基于AI技术的钢筋数量智能识别模型。根据实际环境中拍摄的钢筋图片作为样本集,使用LabelImg标注工具进行数据标注,利用YOLOv3算法训练识别模型,使用PyTorch作为机器学习平台。本系统使用YOLOv3算法构造神经网络进行深度学习从而训练模型,使用Loss函数、mAP函数、计算F₁值等多个参数进行评估模型,利用训练好的模型绘制框图预测钢筋位置以及计算出图中的钢筋总数。经测试,识别率为97.83%。     

基于改进YOLOv5的交通车辆目标检测

随着城市人口的不断增加,不同的车辆使得交通状况越来越复杂。对此番现象进行研究之后,提出了一种改进的YOLOv5深度神经网络模型来实现交通中的车辆识别与检测,将有效帮助交通管理部门分析车辆和行人的运行状况。在分析YOLOv5算法的核心后,并针对交通目标尺度变化大的特点,充分利用了YOLOv5算法检测轻量化、速度快、实时性强的性质,并在此基础上,用FPN架构改进网络结构以便适应目标尺度的剧烈变化,用改进的K-means算法选出更加适合的初始候选框,不仅提高了运行速度,而且满足了实时性和准确性的要求,最终获得了较为成功的目标检测效果及其方案。     

基于激光雷达的建筑物轮廓信息识别提取研究

对于采用激光雷达扫描的建筑物进行点云重建的关键,在于建筑物轮廓信息的提取,并且要能够保证其精确度和完整性。文章提出了基于几何特征与语义描述的外轮廓信息改进识别方法,比较好地解决了目前建筑物轮廓提取中存在精度较低、后续处理麻烦的问题。最终建立了数学求解模型,并且以采集的单栋建筑物点云数据作为实验样本,进行了建筑物轮廓信息提取实验。结果表明,采用的改进方法不仅理论上能够实现,还大大提高了建筑物轮廓信息提取的清晰度,通过多次实验验证,此方法优越性明显。文中所述方法对点云数据分割,特别是建筑物与地面点的分割,建筑物的三维重建具有极大的意义。     

基于人机协同的医院信息安全技术及系统研发

人机协同有助于提升人与机器装备间的整体效能。文章从人机协同视角出发,通过探索信息安全系统数据检索、检测、感知和识别数据中的处理效率和安全性内容,以分析人机协同处理下医院信息安全系统控制界面、交互算法和编程控制的稳定性和时效性。结果表明,单一机器学习方法分析信息数据,其系统安全决策精度不足,人机协同学习下,医院信息安全系统稳定性、安全性和决策精度更出色。人机协同学习方法有助于实现控制界面、编程控制、传感器的交互,提升医院信息安全系统功能丰富度,使信息数据采集更为便捷、高效。     

基于嵌入式设备的超市蔬果结算仪

目前,超市中水果和蔬菜商品的售卖,大多还采用员工手动输入商品编码或扫描商品条形码的方法,最后在收银台统一结账。在超市购买人数较多时存在人力物力的浪费,同时会造成拥塞的情况,极大降低了顾客的购物体验。文章设计了结合物联网技术、YOLOv4算法的蔬果识别技术,为顾客打造了在购物时无人收银、智能称重结算的购物新体验。     

车载激光雷达和视觉传感器融合算法研究

随着交通技术的发展,智能交通工具受到了广泛的关注。其中,车载激光雷达技术是智能驾驶系统的基础,在复杂的交通环境中,某些方面可能会受到环境干扰,导致车载激光雷达控制受损,尤其是对车辆详细信息的判断和数据搜集的准确性降低。针对以上问题,文章开展了基于激光雷达与视觉传感器融合算法的技术研究。     

基于通道注意力机制和多尺度卷积的行人重识别

针对真实环境中由于复杂背景和物体遮挡、角度变换、行人姿态变化带来的行人重识别(person re-identification,person re-ID) 问题,设计了基于通道注意力(efficient channel attention,ECA) 机制和多尺度卷积(poly-scale convolution,PSConv) 的行人重识别模型。首先利用残差网络提取全局特征,在网络末端加入基于ECA机制及PSConv的特征融合模块,将全局特征和该模块提取的全局特征进行融合,之后将新的全局特征进行分割得到局部特征,最后将新的全局特征和分割得到的局部特征融合得到最终特征,并计算损失函数。模型在Market1501和DukeMTMC-reID 数据集上进行实验验证。在Market1501数据集中,Rank-1和平均精度均值分别达到94.3%和85.2%,在DukeMTMC-reID数据集中,上述两参数分别达到86.3%和75.4%。实验结果可知,该模型可应对实际环境中的复杂情况,增强行人特征的辨别力,有效提高行人重识别的准确率和精度。     

基于改进VGG网络的单体热电池X光图像无损检测方法研究

为解决单体热电池生产中出现的安装错误、人工检测耗时耗力的问题,提出一个结合迁移学习和卷积 神 经网络(convolutional neural network,CNN) 的单体热电池缺陷检测模型。首先,对数据集图像进行裁剪、加噪等预处理,以VGG16(visual geometry group 16) 网络作为 模型的骨干架构,在瓶颈层后增添选择性核(selective kernel,SK) 卷积;然后,增添全局平均池化(global average pooling,GAP) 层, 增加Dropout层及添加 L2 正则化等微调操作,得到单体热电池缺陷检测模型Q-VGGNet;最后,在大型公开数据集ImageNet上进 行预训练学习,将获得的权重参数迁移到单体热电池图像识别模型Q-VGGNet上。测试实验表明:6种 网络模型对数据集缺陷图像的总体识别准确率分别达到了98.39%、94.44%、97.27%、96.34%、93.71%、 95.61%,Q-VGGNet网 络模型 对合格图像和 漏装负极、极耳断裂、漏装集流片3种缺陷图像 识别准确率 分别达到了99.6%,95.9%,99.6%和98.4%。检测结果表明:该方法能够更准确、快速地检测热电池缺陷, 拥有良好的缺陷诊断能力,较传统方法提高近3%,为人工检测单体热电池缺陷提供了良好的解决途径。