原木贸易过程中,原木材积的精确测量与经济效益直接相关。通常,同一批木材的长度相对固定,其材积计算依赖于原木端面检测算法。但是,原木端面形状各异、数量不一,给成捆原木端面检测带来巨大的挑战。因此,为了减少原木端面图像中的漏检原木数目,使模型能够更加完整地识别图像中的所有原木,同时考虑算法模型的可移植性,提出一种基于改进YOLOv4-Tiny的成捆原木端面检测模型,通过引入压缩和激励(Squeeze and Excitation,SE)网络实现注意力机制以增强目标原木的特征,同时将YOLOv4-Tiny的解码网络中的卷积层改为深度可分离卷积(Depthwise Separable Convolution,DSC),减少了模型的参数量。实验结果表明,所提出的模型能够有效地提高原始YOLOv4-Tiny的检测性能,精准率达到了93.3%,召回率达到了95.07%,同时模型的权重大小相比较原始模型减少了29.91%。
针对以频繁项集产生-规则产生为核心的两阶段关联规则挖掘,存在需要人工以先验知识指定最小支持度和最小置信度阈值的缺陷。本文提出以支持数和置信度为依据,采用曲线拟合技术,根据可决系数自动确定曲线的次数及对应多项式的算法AARM_BR(Adaptation Association Rule Mining Based on Determination Coefficient R^2),从而确定支持度和置信度阈值。在标准数据集Trolley和Groceries上进行关联规则挖掘实验,结果表明本算法更具有数据依赖性,在用户不具备先验知识的情况下,无须人为指定多项式阶次、支持度和置信度阈值的优点。
暂无评论