课程文献中心 更多>>

关键词： 目标检测   密集人群   YOLOv5   注意力机制  

摘要： 在地震、火灾、恐怖袭击等事件发生后,需要通过目标检测算法实时协助进行人员疏散和监管。但是由于人群姿态复杂,同时存在遮挡和密集分布等因素,算法精确度不足。因此本文提出一种改进的密集人群目标检测算法,在YOLOv5的基础上分别对骨干网和Neck进行改进,引入了CBAM(Convolutional Block Attention Module)注意力机制和双向特征金字塔网络(Bidirectional Feature Pyramid Network,BiFPN),从而提升算法对特征信息提取能力,提高目标检测的准确性。最终通过与主流算法对比,证明改进后的算法参数量仅为7.12M、计算量为16.1GFLOPs,mAP@50高达41.7%。通过消融实验,证明在整体类别上精确率和mAP@50提高了17.4%、2.4%,密集人群的精确率达到41.2%,均达到了最优,为应急救援和管理提供了理论依据和数据支持。

关键词： 变分模态分解   小波阈值去噪   蚁群优化算法   相关系数  

摘要： 针对低信噪比管道声发射信号去噪问题,提出一种改进变分模态分解(VMD)的信号去噪算法。首先,引入蚁群优化算法(ACO)对VMD中的2个关键参数(惩罚因子和模态分解数)进行全局寻优,找到有效的含噪本征模态函数IMF;其次,利用小波软阈值函数去噪处理局部弱相关性IMFs,有效保留强噪声背景下的弱有效信息,减小信号误差,同时降低计算量;最后,重构小波阈值处理的IMFs和相关性强的IMFs,得到去噪后的信号。通过仿真和实测信号进行实验验证。实验结果表明,该算法显著提高了信号的信噪比,在管道声发射信号去噪方面展现出良好的性能。

关键词： 路径规划   仓储机器人   粒子群算法   蚁群算法   黏菌算法  

摘要： 随着物流行业的快速发展,仓储机器人成为物流行业的重要部分,针对传统蚁群算法在仓储机器人工作初期具有盲目性、寻找路径过长和搜索资源浪费的问题,文中提出了一种融合算法。首先,根据不同的标准利用粒子群算法对蚁群算法的主要参数进行寻优,得到蚁群算法最优的参数组合,避免了算法初期的盲目性;其次,针对半包围地图易出现的路径过长的问题,提出了一种虚拟目标法;最后,将蚁群算法与黏菌算法融合解决了搜索资源浪费的问题。与不同算法相比,文中算法在路径长度、死锁蚂蚁个数以及效率等参数上优于其他算法。

关键词： 异常行为检测   深度学习   变分自编码器   卷积神经网络  

摘要： 为了更好地解决复杂监控场景异常检测问题,构建了一种基于改进的变分自编码器的算法基础框架。第一阶段,将原视频帧序列作为输入,通过使用卷积神经网络作为编码器网络,可以更加高效地提取密集分布于视频帧中感受野的外观和运动特征。第二阶段,与基于重建或生成的解决方法相比,该算法假设所有正常事件都服从一个高斯混合模型,而异常事件无法被高斯混合模型下的任何一个高斯分量所拟合。最后,在常用异常行为事件检测的数据集上对该算法进行了测试评估,并与多种方法进行了比较,结果显示所建立的算法快速准确地检测出了异常行为事件并优于其他方法。该算法在异常行为事件的定位方面具有一定的优势。

关键词： 电子胎心监护   胎心率   宫缩   腹电信号   子宫肌电信号  

摘要： 目的电子胎心监护是通过连续监测胎心率和宫缩的变化对胎儿宫内状态进行评估的重要手段,但对电子胎心监护的传统人工诊断存在主观性高和一致性低的局限。与超声多普勒法相比,经腹电信号法允许更长时间的监护,且受个体差异影响小,但国内缺乏精确的基于腹电信号的自动胎儿诊断算法。为此本研究提出了一种创新算法,旨在提高胎儿诊断的准确性和效率,并为国内临床医生提供有效的决策支持工具,提升医疗服务质量。方法本算法首先采用稳定有效的多任务深度学习网络对腹电信号提取到的胎心率进行分析得到胎心率参数(基线、加速和减速的起止时间),同时通过由腹电信号滤波得到的子宫肌电信号进行宫缩识别获取宫缩参数(宫缩频率和起止时间)。对提取的上述参数进行整理后结合电子胎心监护应用专家共识进行胎儿监护结果的诊断。结果通过分析89例同时采用腹电式动态胎儿监护仪和多普勒胎儿监护仪的20 min监护记录,算法在无激惹试验反应型的识别上表现出76.09%的敏感度和97.22%的阳性预测值,宫缩应激试验Ⅰ类的敏感度为88.89%,阳性预测值为68.09%,整体准确率达到77.53%。结论该算法在与医生诊断结果的对比中展现出较高的一致性,为提高临床决策质量和医疗服务提供了一个创新的辅助工具。

关键词： 高速公路交通事故   风险预测   改进深度森林算法   深度学习  

摘要： 高速公路交通事故风险预测对于实行动态交通安全管理至关重要。为探究影响高速公路交通事故风险的主要因素以及准确预测高速公路交通事故风险,提出了一种基于改进深度森林算法的高速公路交通事故风险预测模型。首先以高速公路交通事故数据、交通流数据、天气数据、道路条件和特殊时间段数据为基础,选取了能够表征高速公路交通事故风险的特征变量,并采用随机森林算法对特征变量的重要度进行了计算,筛选出对高速公路交通事故风险影响较大的重要特征变量,以解决后面计算过程中的维度灾难问题;然后运用基于决策树的LightGBM和XGBoost算法对深度森林模型的级联森林结构进行了改进;最后将改进深度森林算法应用于高速公路事故风险预测。结果表明:与现有的SVM、随机森林和深度森林算法相比,改进深度森林算法具有更优的预测性能,其预测准确率达到了88.84%,预测结果能为高速公路交通管理部门制定更为有效的安全管控措施提供决策支持。

关键词： 格点量子色动力学   混合精度   GMRES算法   并行计算  

摘要： 【应用背景】格点量子色动力学是通过计算机模拟进行粒子物理研究的重要理论,该物理模型构建于四维结构化网格上,模拟过程中最主要的计算热点为Dirac方程对应的大型稀疏线性系统求解,通常问题规模可达上亿维度。【方法】本文采用广义极小残差法(GMRES)求解此大型稀疏线性问题,其中采用无矩阵算法实现Wilson费米子的复数矩阵向量乘。首先,评估了GMRES方法中子空间维数m的选取情况。其次,为了减少GMRES算法的数据通信及内存占用,改善GMRES算法在格点量子色动力学中的计算性能,实现了4种单双精度混合的GMRES算法,测试了其在国产计算平台上的计算性能并分析了4种混合精度算法各个kernel的加速情况。【结果】实验结果表明,4种混合精度GMRES算法与双精度GMRES算法收敛性一致,且获得不同程度的性能加速。【局限与展望】分析了混合精度GMRES算法性能瓶颈,并对未来研究进行了展望。

关键词： 人脸识别   人脸跟踪   复杂场景   YOLOv8   DeepSort   GIoU  

摘要： 为解决在复杂场景下传统算法对人脸的识别和跟踪精度低的问题,文中提出一种面向复杂场景的人脸识别与目标跟踪算法FaceNet。该算法由人脸识别与人脸跟踪两部分组成。在人脸识别方面,基于YOLOv8提出一种改进的人脸识别算法FaceD-YOLOv8,提高了识别准确率。再以DeepSort为基础,提出一种改进人脸跟踪算法FaceT-DeepSort,实现对人脸目标连续准确的跟踪。在公开数据集上进行的对比实验结果表明,与主流的传统方法相比,所提FaceD-YOLOv8算法人脸识别的mAP值提高3.5%,FaceT-DeepSort算法的人脸目标跟踪精度(TP)值提高9.1%。证明所提方法具有良好的综合性能,能够满足工程应用的需要。

关键词： 改进YOLO算法   变电站   人员防护  

摘要： 本文基于改进的YOLO算法,针对变电站人员防护设备的检测问题进行研究。通过添加上采样结构和引入先进的损失函数和注意力机制CBAM模块,提出了一种性能优越的改进模型。试验结果表明,改进模型在检测精度和准确性方面明显优于其他经典目标检测模型,mAP指标提高了2.46%。该研究为变电站人员防护设备的检验提供了一种高效可靠的解决方案。

关键词： 路径规划   RRT-Connect算法   样条插值法   机械臂  

摘要： 在现代农业自动化领域,采棉机械臂的路径规划是实现高效、精准采棉作业的关键技术之一,其中,快速扩展随机树(RRT)算法及RRT-Connect算法因其在高维空间中的高效性和适应性,受到广泛关注。然而,传统RRT、RRT-Connect算法存在导向性差、规划路径长、不够平滑等缺点。为此,本研究提出一种混合RRT算法,通过改变节点衍生方向来改善导向性的同时缩短了规划路径,同时,利用样条插值法对路径做平滑处理。仿真结果表明:混合RRT算法相比于RRT算法规划时间减少86.88%、路径长度减少21.08%,相比于RRT-Connect算法规划时间减少10.57%、路径长度减少17.8%。总体而言,与传统算法相比,本研究提出的混合RRT算法性能提升很大,更加适用于实际工作。