基于改进YOLOv5算法的零件表面缺陷检测

针对现代工业生产环境对零件表面缺陷的高效率检测与计算需求，提出了一种基于YOLOv5算法网络的金属零件表面缺陷检测方法。通过引入以CBAM为基础构架的注意力机制，增强目标检测网络对特征图中重要信息的提取效率：针对小目标检测效率不佳的问题，融合了BiFPN网络与可变形卷积策略，提升算法对小目标缺陷的检测精度，降低小尺寸疵病漏检率。采用模型剪枝方法，有效降低了网络中冗余计算量，增强了算法的多种类平台嵌入泛化性，提升网络面向算力资源有限的移动平台时的兼容性。以NEU-DET数据集为例进行训练与测试，结果表明改进后的算法平均均值精度为98.5%,单帧计算速度为12.1 ms,能够实现针对金属工件表面缺陷的高精度、低延迟检测能力。     

基于模型剪枝的有色金属破碎料机器视觉分选方法优化

对破碎料图像进行准确、快速识别是实现有色金属破碎料实时分选的基础，文中基于YOLOv3模型，以BN层缩放因子为衡量指标对模型进行剪枝，剪切对运算结果没有影响的冗余通道，减少了卷积神经网络的参数量及计算量，实现了模型压缩。试验在生产现场采集的金属破碎料图像上进行，采用F1-Score、平均精度均值、浮点运算数、网络参数量和FPS作为评价指标，定量研究了模型压缩率对模型性能的影响。最终优化后，模型平均精度均值上升至97.1%,F1-Score为96.8%,参数量实现了70.4%的压缩率，浮点运算数降为原模型的44.5%,FPS上升40.4%,减少了模型运行计算量消耗和内存占用，加快了计算速度，能更好地满足工业生产中有色金属破碎料分选的需求。     

非均匀步长的同步Bi-RRT-DWA算法

为解决传统快速搜索随机树(RRT)算法在航迹规划中搜索效率较低、转折点过多且规划的路径未考虑无人机的动力学约束等问题，提出一种非均匀步长的同步Bi-RRT-DWA算法。该算法在传统RRT算法基础上设计了一种非均匀步长的同步双向扩展策略，减少算法无效扩展；设计剪枝优化方法，减少无效转折点；优化动态窗口法中的评价函数，提高安全性和平滑度。最后，通过仿真实验将非均匀步长的同步Bi-RRT-DWA算法与RRT算法进行对比，在同一工作环境不同起终点条件下，搜索路径长度减少了23.3%,搜索路径转折点个数减少了77.4%,验证了算法在规划效率、安全性和路径平滑性等方面有很大提升。     

3D点云曲率自适应变形图和多几何剪枝非刚性配准算法

姿态初始化和可靠的对应关系是3D点云精确配准的关键,针对现有非刚性点云配准方法在面对较大变形和缺失对应时表现不佳的问题,提出一种基于3D点云曲率自适应变形图和多几何剪枝策略的非刚性配准算法.首先用点云高斯曲率和局部测地线距离采样源点云,自适应地构建一个反映源表面形状变化的节点图,在采样到表面变形关键点的同时控制采样密度,使采样节点均匀分布在源表面;然后根据点云的SHOT特征和曲率寻找初始对应关系,结合扩散剪枝为非刚性配准获得可靠的对应关系;最后在配准优化期间重新寻找对应关系,根据对应点的距离和法线剪枝去除虚假对应以约束变形域.在Human-motion和ANIM数据集上的实验结果表明,所提算法可以获得更好的初始化姿态并去除大量误匹配,在平均配准误差降低50%～80%的同时,非刚体配准运行速度提高3～7倍.     

基于深度学习的无人机电力巡检方法研究

考虑到无人机平台电力巡检有效载荷及计算能力有限，该文提出了一种基于无人机的智能电力巡检方案。首先，设计了无人机电力巡检软硬件框架；其次，提出了一种双阶段微调策略训练深度学习模型，从而提高模型应对特殊数据集的检测能力；最后，提出了一种通道剪枝方案，从而去除冗余的特征通道降低模型的复杂度，使得模型可有效部署于计算能力有限的无人机平台。实验阶段，以检测绝缘子为例，对所提方案进行验证。结果表明，所提双阶段微调策略可将基础网络性能提升约4%至10%。同时，所提通道剪枝方法可使得网络模型尺寸更小、性能更优。该模型为电力系统智能化及无人化监控管理提供了一定借鉴作用。     

改进的模板匹配金字塔搜索算法

针对模板匹配和智能检索技术对效率的要求，提出了改进的金字塔分层搜索算法，分别从算法剪枝和并行匹配两方面对算法进行改进。采用边缘梯度作为基础匹配描述子，改进的搜索算法融合了预先终止、匹配进程中终止、边缘点稀疏、逐层重叠筛选四种方法来降低算法的搜索空间复杂度。在算法中引入PPL并行库实现了多模板的并行匹配。实验结果显示，选择合适的参数，针对特定的模板匹配任务，改进后的金字塔搜索算法在保证准确检测目标的基础上，与传统的金字塔搜索算法相比效率提升56.3%。     

智能6G：网络的边缘部署和轻量化

6G移动通信技术将会推进人类社会步入智能时代，实现数字世界与现实世界的融合。在这一时代背景下，将人工智能模型部署在边缘计算平台成为了一种必然的趋势，降低模型体量、提升模型性能也成为一个重点的研究方向。从一个广阔的视角对边缘计算以及模型轻量化的研究进行了归纳总结，为相关学者提供了全面的背景知识，并通过分析可靠的数据展望该领域的发展前景，讨论边缘计算和轻量化模型结合的重要性。     

基于邻接表存储与哈希表的频繁项集挖掘算法

针对Apriori算法从数据中挖掘频繁项集的计算时间效率较低和空间内存占用较高的问题提出一种ATSAHT-Apriori(Adjacency Table Storage and Hash Table-Apriori)算法。该算法利用哈希表来存储数据，极大地提高了项集支持度频数的计算效率，结合图存储的思想利用邻接表来存储候选项集，极大地优化了内存空间占用，同时将候选项集构建大根堆，通过堆排序的思想与动态剪枝算法思想优化了频繁项集的计算速度和候选项集存储的内存空间，有效地优化了传统Apriori算法的计算时间效率和内存空间占用方面的不足。一系列对比实验表明，ATSAHT-Apriori算法在时间效率和空间效率都有一定的提高。     

基于深度学习主动视觉压力容器焊缝质量参数检测方法

压力容器A、B类对接焊缝是重要受力部位，其质量参数测量是焊接质量评估重要环节，本文研究基于深度学习主动视觉压力容器焊缝质量参数检测方法。提出多缺陷共存下焊缝参数计算方法，突破焊缝缺陷参数共存下存在焊缝质量参数难以计算或无法计算问题；开展编码-解码图像特征点提取网络(EDE-net)结构设计，较好实现焊缝表面参数特征点一次性准确提取；研究深度网络结构化通道剪枝方法，有效提高压力容器焊缝检测实时性能。以不同尺寸压力容器焊缝为实验对象，结果表明Resnet50骨干的EDE-net网络在模型整体压缩率CR=0.5下，单张图片提取时间由0.31 s降低到0.19 s,减少38.7%;第三方检测机构给出测试报告，装置同时测量对接焊缝(A、B类)焊缝5个参数耗时<0.63 s,测量误差允许误差≤0.08 mm。