检索结果-南通市图书馆

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于机器学习的多气象相态反演方法研究

基于机器学习的多气象相态反演方法研究

作者：杜国权湖南师范大学

学位级别：硕士

气象与人类衣食住行密不可分,观测气象相态有利于促进国民发展。目前气象要素预报算法的主要手段是数值预报。其实质就是通过利用高性能电脑对大气运动的偏微分方程进行计算,根据某一区域的气候背景和天气演变规律,推算该区域几个小时后... 详细信息

气象与人类衣食住行密不可分,观测气象相态有利于促进国民发展。目前气象要素预报算法的主要手段是数值预报。其实质就是通过利用高性能电脑对大气运动的偏微分方程进行计算,根据某一区域的气候背景和天气演变规律,推算该区域几个小时后,几天后,甚至是几周后的环流形势,并进行一个定性或者定量的预报。然而气象要素预报现阶段也存在一定问题。本论文以机器学习作为主要算法,力求在多气象相态判别问题上有所突破。首先根据所获得的气象数据分析其特点,了解气象学知识,结合专业人员知识经验,选取所需要的气象要素数据并处理为有效数据集。然后设计适用于多气象相态分类模型,判别未来某一时间段内某气象要素的预测结果。主要工作如下:1.收集整理了一套适用于机器学习训练的气象相态数据集。首先收集中国区域范围1996年至2015年的地面填图气象要素数据和温度对数压力数据,并进行匹配,接着剔除异常缺失数据以及两份数据集不匹配部分。最后与气象专业人员沟通后舍弃对分类判别结果不起作用的气象要素,降低数据维度,最终得到38种气象要素作为数据源。2.提出了新的气象相态分类模型,此模型结合了支持向量机算法、粒子群优化算法以及梯度均衡机制。支持向量机算法是模型的基分类器,粒子群优化算法的主要作用是对SVM算法内部的参数进行优化选择,提高模型分类的准确率,梯度均衡机制通过重构损失函数,能很好处理类别不平衡问题,使训练更加稳定。针对气象数据集,将单个支持向量机建模进行实验,然后结合粒子群算法同时在6个SVM算法内部进行寻优建模实验。SVM算法结合梯度均衡机制建模实验,接着结合6个经过粒子群算法优化的SVM算法组合成强分类器,对比三种模型的分类准确率,最后验证本文的观点:支持向量机+粒子群优化算法+梯度均衡机制的结合模型分类判别准确率高,评价结果好,各气象相态分类最为理想,说明此模型具有良好的多气象相态分类准确率和较高的分类稳定性,为气象预报提供一定的参考。

关键词：数值天气预报机器学习支持向量机算法粒子群优化算法梯度均衡机制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于智能图像处理技术的隧道火灾预警研究

基于智能图像处理技术的隧道火灾预警研究

作者：张雪沈阳工业大学

学位级别：硕士

隧道火灾一旦发生,火势迅猛,救援难度高,危害性极大。传统隧道火灾检测方法,如感温电缆等,需要达到一定温度才能报警,时间冗长。应用深度学习等方法实时快速的检测出隧道内出现火焰等情形,将火灾扼杀在萌芽阶段。深度学习,从更深层次自... 详细信息

隧道火灾一旦发生,火势迅猛,救援难度高,危害性极大。传统隧道火灾检测方法,如感温电缆等,需要达到一定温度才能报警,时间冗长。应用深度学习等方法实时快速的检测出隧道内出现火焰等情形,将火灾扼杀在萌芽阶段。深度学习,从更深层次自动挖掘特征并分析,应用于火焰检测是这一领域的新思路。本文以解决传统隧道火灾检测方法速度慢、误检率高等问题为目标,首先针对小火焰目标,提出了一种YOLOv5s-SRGAN级联网络算法,根据先验信息获取低分辨率火焰图像,利用基于生成对抗网络的超分辨率重建算法进行像素恢复,将生成的超分辨率特征与原小火焰目标进行特征融合,再通过YOLOv5s网络进行特征提取和判别;为使YOLOv5s更关注火焰区域,减轻背景干扰而引入注意力机制,分别在主干网络引入CBAM和在颈部网络引入SE-Net;最后是对YOLOv5s损失函数的构建,将YOLOv5s的分类损失函数与梯度均衡机制结合,解决正、负样本极度不平衡的问题,加快模型收敛的同时优化模型的性能;针对行人检测重识别问题,将YOLOv5s后处理部分的加权NMS改为DIOU＿NMS。实验结果表明,融合YOLOv5s与SRGAN的级联网络相较于原始YOLOv5s网络模型召回率提升1.7倍,显著降低了小火焰的漏检率;引入注意力机制后,模型平均检测精度提升了11%,说明了引入注意力机制的可行性;综合以上改进策略,检测精度达到98%,对火焰的平均检测精度（IOU=0.5）提高了44%,在测试集中平均检测速度为32帧/s。对行人检测部分的改进,提高了目标框回归的精度,进而降低了人数统计的错误率。

关键词：深度学习模型火焰检测行人检测注意力机制梯度均衡机制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的夜间车辆检测算法研究

基于深度学习的夜间车辆检测算法研究

作者：刘星星长安大学

学位级别：硕士

车辆检测算法研究是目前深度学习领域中的热点问题之一,也是交通流预测、车牌识别、车辆跟踪等应用研究的基础。在采用车辆检测算法的复杂场景和环境中,尤其是夜间车辆检测,车辆图像清晰度低,特征提取困难,使得车辆检测性能欠佳。本文... 详细信息

车辆检测算法研究是目前深度学习领域中的热点问题之一,也是交通流预测、车牌识别、车辆跟踪等应用研究的基础。在采用车辆检测算法的复杂场景和环境中,尤其是夜间车辆检测,车辆图像清晰度低,特征提取困难,使得车辆检测性能欠佳。本文以实际夜间道路场景中的行驶车辆为研究对象,利用深度学习中的卷积神经网络构建夜间车辆检测模型,完成夜间车辆的有效识别检测。在实际行驶过程中,驾驶员或智能车通过车载设备准确、实时的车辆检测结果可以获取前方道路上的车辆信息,并做出正确的驾驶决策,从而避免或减少交通事故发生的风险。针对夜间车辆检测模型的精度要求,本文提出的夜间车辆检测算法首先根据夜间车辆图像的特殊性,对数据集进行白平衡处理以减少路灯颜色的干扰进而增强图像画质,并用Mosaic数据增强来丰富检测数据集进而提升模型对小目标车辆的检测效果。其次针对先验框的选取采用K-means++算法,并利用交并比距离对先验框进行聚类,使得模型收敛较快,检测效果更好。接着向主干特征提取网络加入注意力机制模块来增强残差结构特征图中目标的通道和空间特征信息,提高网络的特征提取能力,进而提升模型检测效果。最后针对训练时数据集难易样本不平衡的问题,在损失函数的原始置信度交叉熵损失中引入梯度均衡机制,使得模型可有效衰减难易样本,训练效果良好,收敛较快。针对夜间车辆检测模型的实时性要求,首先将加强特征提取网络里面的普通卷积全部更改为深度可分离卷积,同时模型给每个通道引入缩放因子,并与该通道输入相乘。其次将缩放因子正则项和权重损失函数联合进行稀疏正则化训练,此时选择较小的缩放因子进行通道剪枝,剪枝后模型的部分通道缺失,检测性能会降低。接着通过模型微调来弥补精度损失,并经过性能评估后再进行修剪迭代。最后得到一个轻量化的车辆检测模型,使其在检测精度降低少许的基础上同时最大程度的缩减参数量及模型体积,使检测速度更快,更能满足夜间车辆检测的实时性需求。经过在UA-DETRAC数据集的实验与对比分析可知,本文提出的夜间车辆检测算法的精度可达98.75%,同时每秒处理帧数高达36帧图像。相比之下目前已有最优算法的精度只有96.59%,每秒处理帧数也只有25帧图像,由此验证了本文算法的有效可行性。

关键词：夜间车辆检测深度学习卷积神经网络注意力机制模块梯度均衡机制深度可分离卷积

深度学习在线束端子截面图像分析中的应用研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

深度学习在线束端子截面图像分析中的应用研究

作者：孙秀帅河南理工大学

学位级别：硕士

线束端子是线束与外部导体连接的导电元件,线束的电气性能和机械性能取决于端子与线束之间咬合的松紧程度。压接是利用模具产生的压着力使导线和连接器件挤压发生变形,从而达到紧密啮合的一种技术。线束端子截面显微图像能够反映出端子... 详细信息

线束端子是线束与外部导体连接的导电元件,线束的电气性能和机械性能取决于端子与线束之间咬合的松紧程度。压接是利用模具产生的压着力使导线和连接器件挤压发生变形,从而达到紧密啮合的一种技术。线束端子截面显微图像能够反映出端子和线芯压接后的状态特征,为避免因压接不良而造成大量原料损坏,截面分析是线束端子质量检测中的一项重要工作。现有端子截面分析方法主要依靠人工使用基于图像处理的截面分析仪进行数据提取,仪器内置算法落后且功能不全,导致测量精度不高且工作效率较低,检测耗时又费力。近年来,深度学习在计算机视觉中的显著成效及其在工业制造领域中的广泛应用,极大地推动了工业智能化的向前发展。针对线束端子截面分析工作中线芯计数和面积提取两个子任务,研究设计了用于不同任务的模型,充分挖掘深度学习在线束端子截面图像分析中的实用价值。主要研究内容及结论如下:(1)提出一种基于梯度均衡机制改进的Efficient Det模型,用于线芯自动计数任务。线束端子显微图像中线芯密集呈蜂窝状而难以计数,为了避免模型在训练过程中过多关注难分样本造成模型过拟合,以梯度范数度量样本分类的难易属性,引入梯度均衡机制协调不同属性的样本对模型的贡献程度,并通过K-Means多维度聚类算法优化模型初始化生成的先验框,提升先验框与线芯外接矩形框的匹配程度。实验结果表明,改进后的Efficient Det线芯检测模型平均精度均值达96.2%,线芯计数准确率高,适用于线束端子截面分析中的线芯自动计数任务。(2)提出一种Mobile Net V2和FCN协同表示的线束端子截面分割模型。考虑实际部署环境对模型大小的限制,研究将轻量化的Mobile Net V2网络和全卷积网络融合,构建Mobile FCN语义分割模型,并运用迁移学习微调的学习策略,将在Cityscapes数据集上预训练的模型迁移至端子截面分割任务中。实验中选取主流的语义分割模型,探究不同模型迁移学习后用于线束端子截面分割的表现性能。实验结果表明,融合后的Mobile FCN模型的平均交并比虽略微下降,但参数量相比FCN减少了80.4%,适用于后续线束端子截面中几何量的提取任务。图35幅,表9个,参考文献85篇。

关键词：线束端子深度学习目标检测语义分割梯度均衡机制轻量级模型

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进的多尺度特征目标检测算法

基于改进的多尺度特征目标检测算法

作者：韩潇逸西南大学

学位级别：硕士

目标检测（Object Detection）是计算机视觉的一项基本任务,在智慧医疗、自动驾驶、智能农业等领域均具备应用价值和潜力,因此从理论和应用层面,对目标检测算法进行深入研究具有重要的现实意义。本文重点研究基于深度学习的目标检测算... 详细信息

目标检测（Object Detection）是计算机视觉的一项基本任务,在智慧医疗、自动驾驶、智能农业等领域均具备应用价值和潜力,因此从理论和应用层面,对目标检测算法进行深入研究具有重要的现实意义。本文重点研究基于深度学习的目标检测算法。通常,基于深度学习的目标检测算法根据其机理可分为二阶段目标检测算法与一阶段目标检测算法。根据现有研究,一般意义上,二阶段目标检测算法精度高、但实时性差;而一阶段目标检测算法精度低、但实时性强。因此为了兼顾实时性和准确性两项性能,本文以SSD（Single Shot Multi-Box Detector）目标检测算法为基准框架,研究如何进一步提升目标的检测精度,本文从以下三个问题的角度展开研究:1.由于在训练集中可能出现前景与背景的高度关联,造成训练数据多样性的欠缺。为缓解此问题,本文提出背景解耦数据扩增策略。该策略以训练集中已标注物体（Ground Truth）为基本对象,对其进行边界框（Bounding Box）镜像、边界框循环平移与“随意”背景扩充的操作。通过使用背景解耦数据扩增策略,使目标检测算法在训练过程中更关注如何学习目标或前景本身的几何或语义特性,隔离与前景高度关联背景的干扰,从而提升目标检测算法对物体本身特征的提取能力。***、YOLOv1、YOLOv2等一阶段目标检测算法具有较小目标检测性能偏低的缺陷,主要因缺乏特征重采样所致。为解决该问题,提升模型对较小目标的检测效果,本文提出基于多尺度注意力机制的目标检测算法。该算法重点以选择性内核网络与特征金字塔网络作为研究对象,从注意力机制和深浅层特征融合两个角度出发,提升模型对较小目标特征的感知能力。3.在一阶段目标检测算法训练过程中,由于简单样本所引起的梯度淹没,以及特别困难样本引起模型的过拟合,造成样本学习难易程度不一致。为减缓此问题,本文引入梯度均衡机制,及通过在一阶段目标检测算法的代价函数中引入梯度均衡机制,降低特别困难样本与过多数量的简单样本对模型训练过程所造成的影响,增强模型泛化能力与鲁棒性。本文在PASCAL VOC数据集上对所提出的策略与算法进行了评估。实验结果显示,从精度方面看,在相同训练环境和超参数设置下,背景解耦数据扩增策略使SSD目标检测算（基准框架）法在PASCAL VOC 2007测试集上的平均精度从74.30提升到82.65,基于多尺度注意力机制的目标检测算法在此基础上将精度提升到84.84,而梯度均衡机制的引入进一步将平均精度提升到85.35。在实时性方面,由于背景解耦数据扩增策略和梯度均衡机制并不影响实际模型结构,所以并未增加延时,基于多尺度注意力机制的目标检测算法由于引入选择性内核网络与特征金字塔网络,相比SSD网络架构,其模型检测速度从93FPS（2080Ti）,延长到89FPS（2080Ti）,并未显著影响算法的实时性。

关键词： SSD一阶段目标检测算法 “随意”背景的VOC数据集特征金字塔选择性内核网络梯度均衡机制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于卷积神经网络的夜间车辆检测算法

计算机与现代化 2022年第5期 108-113,118页

作者：张文丽徐丽刘星星长安大学信息工程学院陕西西安710000

针对夜间车辆检测模型的精度要求,提出以夜间车辆为研究对象,利用深度学习中的卷积神经网络构建检测模型。首先对数据集进行白平衡处理以减少路灯颜色的干扰进而增强图像画质,并用Mosaic数据增强来丰富检测数据集进而提升模型对小目标... 详细信息

针对夜间车辆检测模型的精度要求,提出以夜间车辆为研究对象,利用深度学习中的卷积神经网络构建检测模型。首先对数据集进行白平衡处理以减少路灯颜色的干扰进而增强图像画质,并用Mosaic数据增强来丰富检测数据集进而提升模型对小目标车辆的检测效果;其次针对先验框的选取采用K-means++算法,并利用交并比距离对先验框进行聚类;接着向主干特征提取网络加入注意力机制模块来增强残差结构特征图中目标的通道和空间特征信息;最后在损失函数的原始置信度交叉熵损失中引入梯度均衡机制,使模型有效衰减难易样本。通过在UA-DETRAC数据集的实验与对比分析可知:本文提出的夜间车辆检测算法的精度可达99.24%,同时每秒处理图像帧数高达19帧,验证了该算法的有效可行性。

关键词：夜间车辆检测深度学习注意力机制模块梯度均衡机制