检索结果-内蒙古大学图书馆

中国测试 2024年第6期50卷 35-41,48页

作者：赵泽毅周福强王少红徐小力北京信息科技大学现代测控技术教育部重点实验室北京100192

针对交通标识识别问题,传统的LeNet-5网络结构对于交通标识识别准确率低,识别速度慢,并且忽略天气等自然因素的影响。通过卷积神经网络技术,提出一种基于LeNet-5改进的双通道、多尺度的网络结构模型。在双通道结构中每个通道包含两个分... 详细信息

针对交通标识识别问题,传统的LeNet-5网络结构对于交通标识识别准确率低,识别速度慢,并且忽略天气等自然因素的影响。通过卷积神经网络技术,提出一种基于LeNet-5改进的双通道、多尺度的网络结构模型。在双通道结构中每个通道包含两个分支结构,且每个通道的卷积个数和图像尺度不同,通过不同尺度图像的特征提取,使图像特征变得更为丰富。其次,改进后的网络结构大大增加卷积核的个数。最后,通过更改Sigmoid激活函数为ReLu激活函数,更改随机梯度下降算法为Adam算法,并添加Dropout层来防止过拟合,从而提高交通标识识别率。改进网络的识别率为98.6%,上下浮动0.5%,相对与传统的LeNet-5网络结构,识别率提高15%以上,验证得出改进的网络结构具有一定的鲁棒性。

关键词：交通标识识别 LeNet-5网络结构卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的车牌智能识别方法

引用

重庆理工大学学报（自然科学） 2021年第3期35卷 119-127页

作者：饶文军谷玉海朱腾腾黄艳庭北京信息科技大学现代测控技术教育部重点实验室北京100192

针对传统的车牌识别算法对于复杂环境车牌定位效果不理想、车牌识别准确率低、实时性差等问题,提出了一种基于深度学习的车牌智能识别方法。首先使用Yolov3网络对图片中的车牌进行定位,然后采用空间变换网络对倾斜的车牌进行校正,并将... 详细信息

针对传统的车牌识别算法对于复杂环境车牌定位效果不理想、车牌识别准确率低、实时性差等问题,提出了一种基于深度学习的车牌智能识别方法。首先使用Yolov3网络对图片中的车牌进行定位,然后采用空间变换网络对倾斜的车牌进行校正,并将校正后的车牌送入设计的改进卷积神经网络中提取车牌序列特征,最后通过双向递归神经网络和时序分类网络识别出车牌字符。与传统车牌识别方法相比,提出的方法能够有效克服天气等不良状况的影响,从Yolov3定位到识别完成的平均时间可以缩短至33ms左右,平均识别准确率能够达到96.1%。

关键词：复杂环境神经网络车牌识别

来源：评论

学校读者我要写书评

暂无评论

基于1.5维谱活跃频率的行星齿轮箱磨损故障诊断研究

引用

机电工程 2021年第10期38卷 1305-1310页

作者：毕浩程蒋章雷李宇恒吴国新王红军北京信息科技大学现代测控技术教育部重点实验室北京100192

行星齿轮箱中多种频率成分相互耦合导致无法提取故障特征,针对这一问题,提出了基于1.5维谱(三阶累积量一维对角切片谱)活跃频率的行星齿轮箱磨损故障诊断的方法。该方法先将1.5维谱能够识别的二次相位耦合推广到符合实际意义的二次频率... 详细信息

行星齿轮箱中多种频率成分相互耦合导致无法提取故障特征,针对这一问题,提出了基于1.5维谱(三阶累积量一维对角切片谱)活跃频率的行星齿轮箱磨损故障诊断的方法。该方法先将1.5维谱能够识别的二次相位耦合推广到符合实际意义的二次频率耦合,再将解耦出的参与耦合频率与耦合产生频率逐点相乘,以得到其活跃频率;然后通过观察活跃频率与故障频率之间的关系,判断行星齿轮箱是否发生故障;实验部分首先运用该方法从仿真信号中提取出了活跃频率,然后通过搭建行星齿轮箱齿面磨损故障实验台采集振动信号,最后运用该方法提取出了其磨损故障特征频率。研究结果表明:传统的傅里叶变换方法不能提取出故障特征频率,基于1.5维谱活跃频率的磨损故障诊断方法能够从行星齿轮箱振动信号中提取出故障特征频率,实现了对行星齿轮箱磨损故障的诊断,对行星齿轮箱磨损故障诊断具有重要意义。

关键词：行星齿轮箱故障诊断 1.5维谱活跃频率频率耦合

来源：评论

学校读者我要写书评

暂无评论

基于YOLO-GT网络的零售商品目标检测方法

引用

重庆理工大学学报（自然科学） 2021年第6期35卷 174-184页

作者：周可鑫左云波谷玉海朱腾腾卞景艺北京信息科技大学现代测控技术教育部重点实验室北京100192

提出改进的YOLO-GT深度学习网络,实现基于嵌入式平台的零售商品数据集RPC的图像目标检测。YOLO-GT网络以YOLOv3-Tiny网络为基础,采用线性扩展优化用于特征提取的卷积层,并将深度学习网络浅层信息与深层信息融合使得网络成为三尺度预测网... 详细信息

提出改进的YOLO-GT深度学习网络,实现基于嵌入式平台的零售商品数据集RPC的图像目标检测。YOLO-GT网络以YOLOv3-Tiny网络为基础,采用线性扩展优化用于特征提取的卷积层,并将深度学习网络浅层信息与深层信息融合使得网络成为三尺度预测网络,提高网络对小目标商品的识别能力。YOLO-GT采用Mish函数优化了网络激活函数,并重新利用FCM聚类算法生成多个新的先验框。利用RPC零售商品数据集在嵌入式平台Jetson nano核心板上实验,YOLO-GT网络对于每张图片的平均检测速度为342.67 ms/张,平均检测准确率(m AP)为97.21%,与YOLOv3-Tiny相比,检测速度提升了57.81%,m AP提升了1.84%,并降低了小目标漏检率,能够满足使用要求。

关键词：深度学习目标检测 RPC 嵌入式 YOLO-GT

来源：评论

学校读者我要写书评

暂无评论

基于SNIC超像素融合纹理特征和上下文内容的显著性目标检测算法

引用

中国测试 2023年第2期49卷 93-98页

作者：李瑶吴国新赵西伟左云波北京信息科技大学现代测控技术教育部重点实验室北京100192

针对显著性目标检测算法在面对复杂场景图像时存在背景错误凸显和不能凸显纹理细节的问题,提出一种改进的基于SNIC超像素融合纹理特征和上下文内容的显著性目标检测算法。对图像进行SNIC超像素分割,基于超像素的距离、颜色得到超像素显... 详细信息

针对显著性目标检测算法在面对复杂场景图像时存在背景错误凸显和不能凸显纹理细节的问题,提出一种改进的基于SNIC超像素融合纹理特征和上下文内容的显著性目标检测算法。对图像进行SNIC超像素分割,基于超像素的距离、颜色得到超像素显著图;利用LBP算子得到图像的纹理显著图,将超像素显著图以及纹理显著图结合得到初级显著图,最后将初级显著图与CA模型下的显著图融合,得到最终显著图。基于MSRA10K数据集将该文算法与其他5种算法进行对比测试。结果表明:该文所提出的算法与其他现有的显著目标检测算法相比,该文算法可有效抑制相似背景的干扰,突出目标区域的纹理信息,并且具有较高的准确度和稳定性。

关键词： SNIC超像素分割图像特征显著图目标检测

来源：评论

学校读者我要写书评

暂无评论

针对视觉/惯导系统的异常数据检测算法研究

引用

重庆理工大学学报（自然科学） 2024年第6期38卷 220-226页

作者：姜海燕王立勇苏清华王绅同张鹏博王弘轩谢敏北京信息科技大学现代测控技术教育部重点实验室北京100192

视觉/惯导航系统(VINS)中传感器异常数据的故障检测(FD)方法对提高系统的定位性能和可靠性至关重要。然而,基于视觉/惯导航系统的异常数据检测与排除方法的研究相对较少。提出一种基于传感器测量残差的异常数据检测算法(VINS-ORFD),通... 详细信息

视觉/惯导航系统(VINS)中传感器异常数据的故障检测(FD)方法对提高系统的定位性能和可靠性至关重要。然而,基于视觉/惯导航系统的异常数据检测与排除方法的研究相对较少。提出一种基于传感器测量残差的异常数据检测算法(VINS-ORFD),通过对相机和IMU异常数据进行主动检测并过滤,提升系统可靠性。基于TUM数据集的测试结果表明,该算法不仅可以实现视觉和IMU传感器异常数据快速检测,还能提升至少22.66%的定位精度(RMSE)。

关键词：视觉/惯性导航系统传感器异常数据故障检测 VINS-ORFD

来源：评论

学校读者我要写书评

暂无评论

基于深度信念网络的风电机组齿轮箱故障诊断方法

引用

可再生能源 2017年第12期35卷 1862-1868页

作者：刘秀丽徐小力北京信息科技大学现代测控技术教育部重点实验室北京100192

针对风电机组故障诊断中存在的数据量大,提取故障特征困难等问题,结合深度学习理论的强大感知与自我学习能力,提出一种基于深度信念网络的风电机组齿轮箱故障诊断方法。将原始时域信号数据输入深度信念网络进行训练,通过反向微调学习对... 详细信息

针对风电机组故障诊断中存在的数据量大,提取故障特征困难等问题,结合深度学习理论的强大感知与自我学习能力,提出一种基于深度信念网络的风电机组齿轮箱故障诊断方法。将原始时域信号数据输入深度信念网络进行训练,通过反向微调学习对深度信念网络进行整体微调,提高分类准确性;同时,在训练过程加入Batch Normalization,减少过拟合几率,提高网络的收敛速度。将该方法用于风电机组行星齿轮箱的故障诊断,比DBN和BPNN算法及传统故障诊断方法的准确率更高。

关键词：风电机组齿轮箱深度信念网络 Batch Normalization 故障诊断

来源：评论

学校读者我要写书评

暂无评论

动态环境下激光雷达地图构建

引用

计算机工程与设计 2023年第7期44卷 2125-2131页

作者：杨颖王立勇孙鹏宋越张政北京信息科技大学现代测控技术教育部重点实验室北京100192

针对动态噪声大室外应用场景中存在里程计与建图精度较低、鲁棒性不足的问题,提出基于激光里程计与建图方法。利用惯性测量单元对每一帧点云数据进行运动补偿,进行地面分割。采用欧几里得聚类方法在非地面区域检测动态物体并去除动态物... 详细信息

针对动态噪声大室外应用场景中存在里程计与建图精度较低、鲁棒性不足的问题,提出基于激光里程计与建图方法。利用惯性测量单元对每一帧点云数据进行运动补偿,进行地面分割。采用欧几里得聚类方法在非地面区域检测动态物体并去除动态物体的点云数据,在可靠区域内获取关键特征点后进行点云配准和分步骤求解位姿。构建全局静态地图,通过回环检测减少累积误差。利用KITTI数据集和校园环境数据对方法进行验证,实验结果表明,提出方法在满足实时性的要求下激光里程计与建图精度优于目前主流算法LOAM、Lego-LOAM,具有良好的鲁棒性和环境适应性。

关键词：激光雷达地面分割动态物体特征提取激光里程计回环检测建图

来源：评论

学校读者我要写书评

暂无评论

基于改进YOLOv3-Tiny网络的嵌入式物流商品查验系统设计与实现

引用

计算机应用与软件 2023年第9期40卷 10-18页

作者：周可鑫左云波李小群付勇谷玉海北京信息科技大学现代测控技术教育部重点实验室北京100192

针对电商店家在发货前人工验货效率低下的问题,设计一种基于改进YOLOv3-Tiny网络图像目标检测算法的嵌入式商品查验系统,可高效完成物流商品查验工作。系统通过摄像头获得实时视频帧图片,将帧图片送入改进的YOLOv3-Tiny网络,直接在图片... 详细信息

针对电商店家在发货前人工验货效率低下的问题,设计一种基于改进YOLOv3-Tiny网络图像目标检测算法的嵌入式商品查验系统,可高效完成物流商品查验工作。系统通过摄像头获得实时视频帧图片,将帧图片送入改进的YOLOv3-Tiny网络,直接在图片上识别回归分析出商品名称信息及坐标信息,与本地订单数据进行比较,判断配货是否正确。整个系统可在Linux或Windows环境下使用。系统优化了YOLOv3-Tiny的特征融合部分、卷积层、锚框数目、锚框尺寸。实验结果表明,该系统单次商品检测分析的运行时间在355~370 ms之间,准确率为96.15%,满足商品实时查验检测的使用要求。

关键词：物流商品目标检测嵌入式 YOLOv3-Tiny

来源：评论

学校读者我要写书评

暂无评论

室内障碍物点云分割的可变阈值联合聚类算法研究

引用

电子测量技术 2024年第9期47卷 70-78页

作者：刘洪凯王少红左云波谷玉海北京信息科技大学现代测控技术教育部重点实验室北京100192

激光雷达点云分割技术在智能车辆环境识别中扮演着重要角色。由于激光雷达存在点云近密远疏、分布不均匀的问题以及存在噪点的情况,导致出现点云分割不准确的现象。针对上述问题,提出了一种可变阈值联合聚类算法。该方法首先对点云数据... 详细信息

激光雷达点云分割技术在智能车辆环境识别中扮演着重要角色。由于激光雷达存在点云近密远疏、分布不均匀的问题以及存在噪点的情况,导致出现点云分割不准确的现象。针对上述问题,提出了一种可变阈值联合聚类算法。该方法首先对点云数据进行预处理,使用直通滤波、体素滤波和立方体滤波对点云进行提取、稀疏和降噪,再联合自适应DBSCAN算法和改进后的可变阈值欧式聚类算法对点云进行聚类分割。采集真实场景数据进行测试,结果显示,在C-H系数、轮廓系数、D-B系数及轮廓系数等评价指标上均有所提高。这表明,可变阈值联合聚类算法显著提高了点云分割的准确性,有效的提高了聚类结果的类内一致性和类间差异性,为目标检测和识别提供了更可靠的基础。

关键词：激光雷达障碍物检测点云分割 DBSCAN

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：