排序方式: 共有4条查询结果,搜索用时 109 毫秒
1
1.
针对电子元器件装配过程中由于元器件体积小、外观相似,导致工人在长期高强度的工作下极易误识别、误装配元器件的问题,提出了一种基于深度学习的检测算法ETS-Net实现电子元器件的快速准确检测。算法引入深度可分离卷积,减少模型参数量和运算量,降低了模型的复杂度。提出一个轻量化高性能卷积神经网络提取具有分辨力的抽象特征,采用K-Means聚类并微调得到适合本场景的锚框,使用高效率的区域提议网络获取高质量的预选框。其次利用两个并联的全连接层预测类别并再次调整预选框,采用非极大抑制排除冗余检测结果。实验结果表明,该算法在电子元器件装配机器人视觉检测任务上具有较高的鲁棒性和实时性。 相似文献
2.
3.
以柠檬酸为络合剂,采用溶胶-凝胶法制备了Ce—Co—Mn—O复合氧化物催化剂,研究了催化剂的钴锰比、Ce含量、焙烧温度对NO催化氧化转化率的影响。当Ce、Co、Mn物质的量的比为2:1:3、450℃焙烧时,催化剂的NO转化率最高可达72%,而在其他条件下催化剂活性较差。催化剂样品的XRD、BET及SEM—EDAX分析显示:焙烧温度≤450℃的催化剂呈现出无定形态、大量孔隙通道及较大比表面积,当焙烧温度升高至600℃,开始出现晶相分离,而当焙烧温度为750℃时,催化剂的表面伴生出尖晶石相,导致其活性急剧降低。 相似文献
4.
随着深度学习理论的不断进步,端到端的立体匹配网络在自动驾驶和深度传感等领域取得了显著的成果。然而,最先进的立体匹配算法仍然无法精确恢复物体的边缘轮廓信息。为了提高视差预测的精度,在本研究中,提出了一种基于边缘检测与注意力机制的立体匹配算法。该算法从立体图像对中学习视差信息,并支持视差图和边缘图的端到端多任务预测。为了充分利用二维特征提取网络学习到的边缘信息,本算法提出了一种全新的边缘检测分支和多特征融合匹配代价卷。结果表明,基于本文模型的边缘检测方案有助于提高视差估计的精度,所获取的视差图在KITTI 2015测试平台上的误匹配率为1.75%,与金字塔立体匹配网络相比,视差图的精度提高了12%,且运行时间减少约20%。 相似文献
1