基于改进Faster-RCNN算法的地铁车辆车侧下结构检测识别

地铁车辆车侧下人工巡检存在漏检、劳动强度大、效率低等问题,本文提出一种基于改进Faster-RCNN算法的地铁车辆车侧下结构检测识别方法,分别采用MobileNetV2、ResNet-101+FPN和DarkNet53+FPN三种特征提取网络替换原Faster-RCNN的特征提取网络VGG16,再通过5 000张地铁车辆车侧下结构的图像对更换特征提取网络的Faster-RCNN进行训练以及检测验证.实验结果表明,以DarkNet53+FPN为特征提取网络的Faster-RCNN模型比其余两种模型检测效果好,模型平均精确度AP达到96.7%,均值平均精度mAP达到92.7%,检测速度可达20.5 fps.改进算法成功将巡检由线下改为了线上,地铁车辆车侧下各结构的检测识别都取得很好的效果.     

一种基于策略和移动代理的网络管理体系结构

网络管理是一项复杂的系统工程,传统的客户机 /服务器模式的缺点日益明显,已经无法胜任对大型的分布异构网络的管理。通过对基于移动代理的网络管理和基于策略的网络管理的分析研究,结合两种技术的优点,提出了一种具有良好的适应性的自动化网络管理体系结构,并进行性能分析。最后通过简单原型系统的实现和域间服务质量 (QoS)配置的实例研究,验证了该体系结构的有效性和灵活性。     

基于改进YOLOv4算法的动车库接地杆状态检测

工人登顶动车检修库作业前,需确认接地杆接地状态.采用人工视频复核的方式,存在易疲劳、效率低等问题,且有严重的安全隐患,本文提出一种基于改进YOLOv4算法的动车库接地杆状态检测方法.该算法采用改进K-means算法对图片数据集进行聚类分析,筛选出适合图片目标的锚框;之后采用改进的YOLOv4算法对数据集进行特征提取与训练,即通过在网络中添加CBAM注意力模块和改进SPP结构,以增强算法的准确性与检测速度;最后根据训练网络进行测试,改进算法后mAP值比原YOLOv4算法提高了2.51%达到99.09%,检测速度大约提高了5 f/s.算法应用于现场边缘计算模块中,取得了良好的应用效果.     

基于蓄水池抽样的智能医保动态风险决策及应用

医保风险决策在实际应用中的难点是投保人的患病具有不确定性,为此尝试利用机器学习耦合蓄水池抽样建立动态预测模型,辅助医保公司开展智能风险决策.具体做了三个方面的工作:首先,构建了医保风险决策模型,并从理论上得到了最优决策规则;然后,基于样本量固定的历史数据,搭建了智能医保静态风险决策的框架;最后,为改进静态智能预测对于风险决策指导的滞后性,提出将机器学习耦合蓄水池算法开展智能动态风险决策的思路,在不断更新的数据集上进行动态抽样,建立随时间动态更新的预测模型.以投保病种为糖尿病为例,选用2017年天池精准医疗大赛——人工智能辅助糖尿病风险预测相关数据.鉴于数据特征变量维度高且类型复杂,因此选用的机器学习算法为随机森林.对样本量相同的训练集以及同一测试集进行实验和对比,结果表明:基于动态预测的决策模型效果优于静态决策模型.