基于深度学习的钢筋绑扎机器人目标识别定位

为了解决钢筋绑扎机器人对绑扎点识别准确率低,定位精度差的问题,提出一种基于深度学习的钢筋绑扎机器人目标识别与定位方法。首先采用YOLOv4算法对绑扎点目标框识别和裁剪,完成绑扎点初始定位;其次设计轮廓角点选取方法,利用角点计算绑扎点的图像坐标;之后通过融入CBAM注意力机制改进Monodepth算法的特征提取部分,解码部分引入路径增强PAN结构,以提高模型的特征提取能力,进一步提高立体匹配精度;最后通过双目立体视觉定位技术获得绑扎点深度信息,并由坐标变换求解钢筋绑扎机器人手眼坐标系映射关系,从而实现对绑扎点的精确识别和定位。实验结果表明：该方法针对绑扎点目标框的识别准确率达到了99.75%,每秒传输帧数达到54.65;在空间中的定位精度最大误差为11.6mm。可较好地识别定位绑扎点位置,为自动绑扎工作提供有力支持。     

通信电源监控单元的标准分析与硬件设计

针对编号为YD／T1363—2005的通信行业新标准,着重在定义术语、系统结构和监控对象三个方面,从监控单元的角度对该标准与原有标准进行比较研究,提出了以AT91RM9200为核心的新监控单元硬件设计方案,并分别对ADC、网络通信等各个模块进行了必要讨论。所设计的监控单元与现有系统相比具有显著的优点。     

基于3D ResNet-LSTM的多视角人体动作识别方法

在基于视频图像的动作识别中,由于固定视角相机所获取的不同动作视频存在视角差异,会造成识别准确率降低等问题。使用多视角视频图像是提高识别准确率的方法之一,提出基于三维残差网络（3D Residual Network,3D ResNet）和长短时记忆（Long Short-term Memory,LSTM）网络的多视角人体动作识别算法,通过3D ResNet学习各视角动作序列的融合时空特征,利用多层LSTM网络继续学习视频流中的长期活动序列表示并深度挖掘视频帧序列之间的时序信息。在NTU RGB+D 120数据集上的实验结果表明,该模型对多视角视频序列动作识别的准确率可达83.2%。     

牙膏市场两级分化短期难以改变

据权威部门预测，到2005年，我国牙膏年需求量为39亿支；到2010年，则变为45亿支。这块“蛋糕”足以让任何有心逐鹿牙膏市场的人垂涎三尺。目前，以牙膏市场排名第一的高露洁为首的高端品牌，占据绝对霸主地位。而同类牙膏中的中小品牌不断受到打压，拓展空间十分狭小，造成了两极分化严重，并且这种现状短期内很难改变。     

面向密集型钢筋计数的GCA-MobilenetV2-YOLOv4算法

为提高建筑工地的钢筋计数效率，围绕施工单位硬件设备算力不足，钢筋图像物体密集遮挡严重的情况，提出一种改进的轻量化YOLOv4算法。提出GCA-MobilenetV2轻量级网络替换CSPDarknet53,作为YOLOv4算法的主干特征网络。针对钢筋图像密集，物体间遮挡严重的情况，提出融合通道注意力机制的attention-CSP-PANet结构。针对深层网络SPP结构参数量大，模型训练时梯度消失的问题，提出DepthLite-SPP结构，增强深层网络的感受野，提高算法的检测速度。针对一阶段回归的算法正负样本失衡问题，设计CIOU-Focal损失函数。实验证明，在自建钢筋数据集中检测精度为98.78%,对比原算法精度提升了3.36%,检测速度FPS提升了7.6,参数量仅为原算法的1/3。