123,123

2020年要过去了，这些新技术带来的问题还在

　2020 年是 AI 逐渐深入生活，倒逼各行业数字化转型的一年。与此同时，随着新技术的产生，也开始带来不少麻烦与问题。如何正确理解新技术，并像解题一样，解决与之相伴的新问题，成为一项考验。

發(fā)表于：2020/12/18

基于深度学习的鱼类识别与检测的算法研究

鱼类分类识别在渔业资源研究、鱼类知识的科学推广、水产养殖加工、稀有物种保护等领域具有广泛的应用前景。针对大菱鲆、黄鳍鲷、金钱鱼、鲻鱼这四种鱼类，利用PyTorch框架为基础，通过ResNet50网络模型，用不同的算法对其进行分类识别，不断对模型进行优化，对四种鱼类训练学习，通过测试其准确率达到96%以上。同时用PyQt5开发了GUI可视化界面，通过界面图片的选择和预测功能按钮的操作，测试结果实际类别与预测类别一致，用DSOD框架做了水下目标实时跟踪检测，提高了对小目标的检测率，同时保持了模型的检测速度，检测结果达到期望。

發(fā)表于：2020/12/17

安全类文章的多文本分类系统的设计与实现

目前安全类网站信息的分类标签各不相同，没有统一分类标准，使安全类网站无法准确地向用户展示特定类别的安全信息。面对大量的安全类网站的技术类文章信息，用户需要花费大量的时间来识别文本类别。因此，设计一个多文本分类系统对于提高安全类网站的用户体验和使用效率具有重要意义。开发了一套基于CNN和LSTM混合模型的安全类文章多文本分类系统，本系统采用基于Scrapy框架的网络爬虫，该网络爬虫支持定制化配置提取不同布局的页面数据，支持数据持久化存储。并在 CNN和 LSTM混合模型基础上设计实现了多文本自动标注模块，实现了网站安全类信息的自动分类，相对传统的CNN和LSTM模型分类准确率分别提升1.79%和1.54%，F1值分别提升1.02%和0.32%。

發(fā)表于：2020/12/17

基于Android的PDR改进算法研究

基于Android开发实现了一款室内定位软件，采用PDR（Pedestrian Dead Reckoning）算法作为室内定位算法，利用智能手机内置加速度传感器、磁场传感器来实现步数、步长和航向的检测。同时，在基本的PDR算法的基础上做了改进，即采用卡尔曼滤波平滑处理步长、粒子滤波优化结果。最后对改进的算法进行实际测试，直线为主的轨迹中采用直线判定后误差为0.64 m；曲线为主的轨迹中采用两种滤波方法优化后误差为1.08 m。

發(fā)表于：2020/12/17

基于深度学习的视频火焰识别方法

针对传统视频火灾检测方法依靠人工经验提取火焰特征，误报率高、鲁棒性差的特点，提出一种基于深度学习的视频火焰识别方法。该方法充分利用火焰的运动特征和颜色信息，先使用改进的五帧差法和自适应混合高斯建模法进行运动目标提取；再采用RGB-HSV混合颜色空间模型筛选出图像中可能的火焰像素区域；最后将以上两个步骤结合起来进行疑似火焰区域提取，并将疑似火焰区域图像传入预训练的AlexNet卷积神经网络模型进行火与非火的精确识别。通过对多种场景下火焰视频的测试结果表明，提出的方法具有较高的召回率、准确率和较低的误报率。

發(fā)表于：2020/12/17

基于深度回归的指针仪表读数识别方法

现有仪表读数识别方法通过检测指针和刻度获取读数，对输入的仪表图像质量要求较高，为此提出一种新的基于深度回归的指针仪表读数识别方法。该方法首先由仪表图像获取图像特征，然后通过方向回归模块预测指针方向，最后根据指针角度计算仪表读数。相比于其他方法，该方法采用端到端的回归方式进行直接学习，具有更强的识别能力。在较大规模变电站仪表图像数据集上，该方法取得了97.2%的读数精度，相比于基于Mask R-CNN的仪表读数识别方法提高了7.4%。定性分析和定量分析结果表明，相比于现有的仪表读数识别方法，该方法对表盘图像干扰具有更强的鲁棒性。

發(fā)表于：2020/12/17

基于立体视觉的无人机动态目标实时跟踪

针对小型四旋翼飞行器的动态目标跟踪问题，提出了连续自适应椭圆检测(Continuously Adaptive Ellipse Detector，CAED)算法的飞行器目标定位以及一种基于立体视觉的跟踪控制算法。首先，双目相机拍摄的图像通过CAED算法得到目标的像素中心点，利用三角测量原理，实现了对目标位置的有效估计。其次，针对运动目标跟踪任务，设计并实现了两个级联串级PID的四旋翼位置姿态控制律。最后，在四旋翼上将图像处理算法与四旋翼控制相结合，进行了测试实验，验证了本文所提出的检测和控制方法。

發(fā)表于：2020/12/17

基于Anchor-free架构的行人检测方法

使用无预选框(Anchor-free)的检测框架，设计了一种行人检测算法。将深度残差网络(ResNet)作为特征提取网络，与特征金字塔网络(FPN)结构相结合，使用了多尺度预测的方式进行预测。把目标中心点和尺寸作为一种高级的语义特征，将含有更多细节信息的浅层特征图和含有更多语义信息的深层特征图进行融合。在Citypersons数据集上进行了实验验证，相较现有行人检测算法，提出的算法在轻微遮挡、一般遮挡和严重遮挡情况下漏检率分别提升了1.11%~3.01%，0.15%~6.55%和0.59%~6.39%，检测效果更好。

發(fā)表于：2020/12/17

基于改进LeNet-5的形状类似物体识别方法

针对深度学习在对外形类似物体的识别上存在着识别精度低、耗时长等问题，提出基于改进的LeNet-5的识别方法。在传统LeNet-5网络基础上，将卷积层变为双层非对称卷积使网络有更好的特征提取能力；通过批量归一化提高网络泛化能力；采用全局平均池化替代原Flatten层，用于克服传统全连接层参数多、耗时长的缺点；通过对训练集进行增广增加训练样本。实验结果表明，改进LeNet-5网络的训练精度达到91%，识别形状类似物体的精度为87%，且能在较少迭代次数内收敛，这些指标均显著优于原网络。

發(fā)表于：2020/12/16

飞机舵机电液伺服系统智能PID控制方法研究

针对飞机舵机电液伺服系统中PID控制器参数难以整定的问题，引入一种智能PID控制方法。该方法结合了粒子群算法和PID控制器的优点，并利用蜂群算法的选择策略对粒子群算法进行优化，适应了飞机舵机电液伺服系统非线性动态控制环境的要求。实验结果表明，飞机舵机电液伺服系统智能PID控制方法能够达到系统控制性能指标要求，相较于传统PID控制器具有更良好的跟踪效果。

發(fā)表于：2020/12/16

基于卷积神经网络的织物瑕疵检测方法研究

织物瑕疵检测是控制织物产品质量的重要步骤，传统的织物瑕疵检测方法检测效率低，劳动强度大。因此，针对传统检测方法存在的问题，提出一种基于卷积神经网络(CNN)的分类算法用于实现织物瑕疵检测。网络是在VGG16的基础上进行减枝，通过优化网络参数实现最优结果。首先，由于织物瑕疵大小差别较大，提出将瑕疵边缘作为检测的目标，这样就可以将大尺度图片分割为64×64的小尺度图片用于网络训练，既提高了网络的分类准确率，又解决了织物瑕疵图像搜集困难的问题。其次，在测试过程中，提出对大尺度图片进行有重叠的分割，然后对分割后的图片进行分类，根据每张图片的输出标签和位置来实现大尺度图片的瑕疵检测。实验结果表明，本文所提出的网络结构相比于传统的VGG16和LeNet网络结构, 具有检测速度快、检测精度高等优势。

發(fā)表于：2020/12/16

人工智能基础软硬件架构的关键技术研究

针对当前人工智能技术在军用领域的应用问题和难点，研究基于深度学习技术的军用软硬件架构设计方法，并且结合业内主流的软硬件基础架构，分析在军事应用中涉及的关键技术和解决思路。通过对深度学习模型压缩转化、数据增强和分布式训练等软硬件架构的关键技术研究，设计构建了一站式人工智能开发平台、嵌入式边缘智能计算平台，对军用人工智能提供端到端的训练、部署和测试支撑。该研究可为未来智能无人作战系统提供软硬协同的智能计算解决方案。

發(fā)表于：2020/12/16

基于改进P-Unet模型的岩屑颗粒识别

提出了一种基于改进P-Unet模型的岩屑颗粒识别方法。该方法基于Unet模型结构，运用金字塔池化模块聚合不同区域的上下文特征信息，以充分利用全局信息。改进P-Unet模型采用了残差网络ResNeXt101，在提高岩屑颗粒识别准确率前提下，减少了超参数数量。该模型采用了焦点损失函数，在一定程度上解决岩屑颗粒类别不平衡的问题，同时运用深度可分离卷积代替传统卷积，较大程度减少了网络的参数以及预测的时间。实验结果表明，改进P-Unet模型得到的识别准确率对比同类先进算法有一定的提升，对岩屑颗粒识别的结果更加准确。

發(fā)表于：2020/12/16

基于GANs无监督回归三维参数化人脸模型

针对神经网络回归训练过程中三维人脸数据稀缺的问题，提出了基于生成对抗网络(GANs)回归三维参数化人脸模型(3DMM)的无监督学习方式。首先利用GANs的对抗生成训练使生成器回归的3DMM参数符合真实感人脸形状的参数分布。随后将生成的三维人脸网格渲染成二维图片，利用身份编码器对输入人脸及渲染人脸分别提取身份特征向量，通过不断缩小向量之间的距离使得生成的三维人脸网格靠近输入人脸的身份特征。实验结果表明，该方法在重建结果顶点位置准确性上相对于现有的方法有明显的提升，且拥有较好的RMSE值，能够较好应用于三维人脸重建任务。

發(fā)表于：2020/12/16

智能化武器装备标准体系框架研究

近年来，随着边缘计算、深度学习等人工智能技术的迅速发展，基于人工智能技术的智能化武器装备应用日趋广泛，这对智能化武器装备的标准化工作提出了更高的要求。针对智能化武器装备发展现状进行分析与研究，基于智能化武器装备标准现状及发展需求建立了智能化武器装备标准体系框架。同时，根据智能化武器装备特点和智能化战争需求对未来的标准研制工作提出了建议。

發(fā)表于：2020/12/16