课程文献中心 更多>>

关键词： SOLOv2   随机深度   AdamW   ResNet   实例分割  

摘要： 针对拾球机器人原有SOLOv2算法中残差网络存在的训练耗时严重、梯度消失和过拟合等问题，提出基于随机深度与AdamW优化SOLOv2的图像实例分割方法。基于随机深度算法的ResNet 网络，在模型训练时剔除冗余的残差块，有效提高训练效率；采用AdamW优化算法自适应地调整改进SOLOv2网络中各参数的学习率，通过权重衰减优化网络的正则化项，防止系统过拟合，并在自定义COCO数据集的图像实例分割为例进行实验验证。实验结果表明，与经典SOLOv2算法相比，改进的SOLOv2算法实例分割精度达到了73.7%，提升了12.35%，有效缩短了模型训练时间，提升了模型识别的鲁棒性，实现机器人自动取球与放球功能。

关键词： 电力巡检   无人机   充电续航   路径规划   双Q学习   强化遗传算法   参数调优  

摘要： 针对以机巢为充电站的无人机电力巡检路径规划问题，以最小化无人机执行任务总时间为目标构建数学模型，设计了一种强化遗传算法来求解该问题。在该算法中，提出了基于贪婪的种群初始化算子和基于split的可行解生成算子，并将遗传算法参数调优过程建模为马尔科夫决策过程，基于强化学习double Q-learning设计了交叉概率和变异概率的动态调优策略。在数值实验中，与Gurobi求解器、经典遗传算法、基于精英保留的遗传算法、差分进化算法的对比结果表明，该算法在求解质量和求解速度方面均具有显著优势。同时，在案例分析中与现有巡检策略进行对比进一步验证了该算法在实际场景中的应用效果。

关键词： 煤矿监控检测   不安全行为识别   目标检测   自注意力机制   融合边界框损失函数  

摘要： 我国煤矿工业建设已逐步转化为智能化模式，采用深度学习算法识别煤矿监控视频中矿工不安全行为具有十分重要的意义。但煤矿井下环境恶劣，提取矿工行为特征干扰大，目前目标检测算法存在精度低，计算量大的问题。针对这些挑战，本文提出了一种融合自注意机制的矿工行为识别模型CMFA-YOLO，采用ConvNeXt V2模块来替代原有YOLOv8n中的C2f模块，实现了Transformer思想与目标检测领域的完美融合，有效降低了模型计算量。进一步采用融合边界框损失函数MF-IoU(MPD-and-Focaler IoU)提高模型的精度。此外引入了自适应空间相关性金字塔注意力ASCPA，配合ConvNeXt V2发挥模型最佳效果。经过多项实验结果显示，CMFA-YOLO在煤矿视频监控场景下的检测精度达到99.0%，为煤矿场景下的异常行为检测任务提供高精确算法。

关键词： 地浸采铀   机器学习   砂岩型铀矿   岩性识别   测井数据   SMOTE-LSTM模型   XGBoost模型  

摘要： 机器学习算法可从大量地质数据中自动学习和提取特征，进而实现对岩性的快速准确识别。以内蒙古某砂岩型铀矿区为研究对象，将数口井的测井数据随机划分为训练集和验证集，通过调整模型结构和优化超参数进行训练，利用BC1401、BC2802、BC4603和BC7206等4口井进行测试，实现对随机森林、XGBoost、K值邻近算法、BP网络和SMOTE-LSTM算法等模型应用效果的对比。分析结果显示，SMOTE-LSTM模型应用的稳定性和准确度最优，准确率为84.6%。

关键词： 弱光遥感   视频单曝光压缩成像   成像模型   仿真分析   深度学习  

摘要： 为解决弱光条件下遥感相机长时间曝光导致的像移问题，本文提出了一种基于视频单曝光压缩成像的遥感成像技术。该技术在遥感相机的曝光过程中使用空间光调制器件编码调制目标场景，采集包含时间信息的压缩观测后使用深度学习算法进行重建，将较长的曝光过程分解为多个较短的时间帧。此外，本文建立了视频压缩遥感成像模型，通过仿真实验与样机实验探究了相机积分时间、压缩比、目标运动速度与弱光遥感成像质量的制约关系。结果表明：在遥感相机等效入瞳辐亮度为1×10-3W/（sr×m2）的光照条件下，使用文中技术在积分时间为31.38ms、78.46ms和313.86ms时分别实现7.78dB、8.08dB及8.69dB的信噪比提升。且遥感图像清晰度随着相机积分时间的增加而升高，积分时间由31.38ms增加至313.86ms时，信噪比提升7.07dB。单帧积分时间为3.9ms时，压缩比由4提高至16有利于重建信噪比的提升，高于16后重建质量随压缩比的提升逐渐下降。上述成果可为弱光遥感中的像移问题提供新的解决思路，同时为新型光学遥感器的设计提供工程参考。

关键词： 核医学成像   小鼠   运动追踪   位姿监测   YOLO v5算法  

摘要： 针对清醒无约束的小鼠在核医学成像时头部运动造成伪影的问题,设计了一种基于YOLO v5算法的运动追踪系统来实时监测小鼠头部的位置和姿态。该系统使用YOLO v5算法对小鼠头部特征点进行识别与定位,以获取每个特征点的像素坐标。通过视差效应对双目相机所获得的像素坐标进行三维重建,以求解特征点在世界坐标系下的三维坐标。利用小鼠头部特征点的对称性来计算头部的Euler角,并使用帧间位姿差分法计算相邻两帧图像小鼠头部位姿变化的平移和旋转参数。为了验证该运动追踪系统的性能,将小鼠假体静止放置并检测其头部位置和姿态角的变化值。实验结果表明:该系统测量的小鼠假体头部在X、 Y、 Z轴上的平移参数均方根误差分别为0.04、 0.19、 0.03 mm,旋转参数均方根误差分别为0.58°、0.34°、 2.03°。所设计的系统能在核医学成像时较为精确地追踪小鼠头部位姿变化,可用于运动伪影矫正并提高核医学图像质量。

关键词： 感受野空间特征   多尺度卷积   轻量级卷积   火情信息  

摘要： 针对目前综合管廊火灾检测存在提供火灾信息有限，且因受复杂环境干扰而导致检测精度不高，以及初期火焰特征提取困难、模型结构复杂等问题，提出一种基于多尺度卷积及感受野注意力的轻量化火情识别算法。首先，通过强调感受野空间特征调整卷积核参数，解决卷积核参数共享问题，并在通道和空间维度上加权，增强特征提取能力。其次，采用多尺度并行卷积捕获跨纬度交互获得更清晰的多尺度特征，降低图像中干扰因素的影响；此外，采用轻量级卷积重构颈部降低网络复杂度，并融入具有丰富小目标语义信息的特征层；最后，实现火情信息识别，根据火灾检测结果提取火灾蔓延位置、蔓延宽度和蔓延速度信息。结果表明，该模型检测精度提高11%，参数量下降了13.3%，提取的三个参数平均相对误差较原模型分别降低13.3%、9.38%、13.25%。