基于深度学习的图书馆文献自动检索机器人研究

针对当前检索机器人存在的检索速度慢、检索质量差的问题,利用深度学习算法从机械结构和检索功能两个方面,实现图书馆文献自动检索机器人的优化设计。改装机器人通信与交互模块、运动器件和视觉扫描器件,结合其工作方式,连接组成元件,完成机械结构的设计。在机器人设备的运行驱动下,完成图书馆文献资源的收集与处理任务。利用深度学习算法,提取图书馆文献特征并将其分类存储。根据输入的检索关键词,建立文献自动检索索引,通过计算关键词与文献特征之间的相似度,得出图书馆文献的自动检索结果。通过性能测试实验得出结论：设计机器人的检索召回率与准确率均高于95%,且检索时延低于80 ms,即设计机器人的检索质量与速度均满足应用要求。     

总线网络取证信息自动检索风险控制系统设计

当前取证信息自动检索系统未对取证信息潜在检索风险进行过滤,导致对取证信息的检索风险控制效果差、检索效率低、误差高的问题,为此设计一种总线网络取证信息自动检索风险控制系统。将输入的取证信息在采集模块中进行收集,检索风险控制模块对采集的取证信息信息进行风险过滤和风险控制后,发送给DSP进行自动检索,采用STM32F407设计接口电路连接采集模块和检索风险控制模块,完成硬件部分的改进;选择高检索相关度节点,利用节点内置文档实现取证信息检索风险的控制,完成软件部分设计。实验结果表明,该系统的检索风险控制效果好,控制精度可达到80%以上,能够为用户提供更有效、更安全的权证信息检索结果。     

人工智能机器人技术在图书馆的应用

文章利用自然语言处理和机器学习技术,理解图书馆用户的检索意图并提供准确的文献检索结果,分析用户的查询语句和历史检索记录,学习和识别用户的偏好,从而提供个性化的检索服务。实验结果表明,文章应用人工智能机器人技术构建的文献自动检索系统具有较高的准确性和可靠性,能够有效提高图书馆文献检索的效率和质量。     

嵌入双尺度分离式卷积块注意力模块的口罩人脸姿态分类

目的 针对口罩遮挡的人脸姿态分类新需求,为了提高基于卷积神经网络的人脸姿态分类效率和准确率,提出了一个轻量级卷积神经网络用于口罩人脸姿态分类。方法 本文设计的轻量级卷积神经网络的核心为双尺度可分离注意力卷积单元。该卷积单元由3×3和5×5两个尺度的深度可分离卷积并联而成,并且将卷积块注意力模块(convolutional block attention module,CBAM)的空间注意力模块(spatial attention module,SAM)和通道注意力模块(channel attention module,CAM)分别嵌入深度(depthwise,DW)卷积和点(pointwise,PW)卷积中,针对性地对DW卷积及PW卷积的特征图进行调整。同时对SAM模块补充1×1的点卷积挤压结果增强其对空间信息的利用,形成更加有效的注意力图。在保证模型性能的前提下,控制构建网络的卷积单元通道数和单元数,并丢弃全连接层,采用卷积层替代,进一步轻量化网络模型。结果 实验结果表明,本文模型的准确率较未改进SAM模块分离嵌入CBAM的模型、标准方式嵌入CBAM的模型和未嵌入注意力模块的模型分别提升了2.86%、6.41% 和12.16%。采用双尺度卷积核丰富特征,在有限的卷积单元内增强特征提取能力。与经典卷积神经网络对比,本文设计的模型仅有1.02 MB的参数量和24.18 MB的每秒浮点运算次数(floating-point operations per second,FLOPs),大幅轻量化了模型并能达到98.57%的准确率。结论 本文设计了一个轻量高效的卷积单元构建网络模型,该模型具有较高的准确率和较低的参数量及计算复杂度,提高了口罩人脸姿态分类模型的效率和准确率。     

面向变电站机器人的仪表检测与场景理解技术

为提升变电站巡检机器人巡检效率和环境适应能力,将深度学习算法应用于变电站巡检机器人仪表检测和道路场景理解中,提出一种多视觉任务交替实现的轻量级卷积神经网络.该网络由骨干结构、控制模块、任务分支3部分串联组成,通过改进的Inception结构结合注意力模型提取图像特征信息,引入基于分类思想的控制模块实现仪表检测和场景理解支路交替运行,使网络充分利用平台计算资源,避免对无效信息的处理.实验结果表明,所提网络与传统网络相比,其精度与效率都有较大的提升,同时,在实际变电站场景中,该网络也体现出更高的适应性,可以更好辅助机器人完成巡检任务.     

深度卷积神经网络图像超分辨率重建方法研究

基于深度卷积神经网络算法实现网络图像超分辨率重建技术，为满足图像的超分辨率精度检测和构建需求，通过构建图像融合技术来实现图像重建架构，形成以机器人视觉系统数据为主体的控制模块，实现对网络图像超分辨率的图像融合分析的目标，完成深度卷积神经网络图像重建。在深度卷积神经网络图像的构建过程中，注意神经网络输出数据决策方案和图像的自适应预置模块设计，分析深度卷积神经网络的各层节点数，平衡图像分辨率数据深度卷积过程中的信息损失量，提升图像分辨率数据的重建精度。     

基于注意力机制的点云神经网络架构搜索方法

为了解决设计面向点云数据的神经网络需要大量人工介入的问题,提出了基于注意力机制和点卷积的神经网络架构搜索方法。针对不同尺度点云的信息融合问题,提出了一种基于注意力机制的多尺度融合模块。针对点云的处理效率问题,设计了基于点卷积的特征提取模块作为候选操作,并与多尺度融合模块组成搜索单元。将多个搜索单元叠加成的神经网络作为搜索空间,并采用基于可微分神经网络架构搜索算法搜索出最优神经网络。在公开点云数据集ModelNet上的实验结果证明,该方法得到的神经网络具有领先的精度,同时具有较少的可学习参数,并且该方法大幅减少了人工介入的工作量。该数据集上的消融实验结果表明,在基线模型中加入提出的基于注意力机制的多尺度融合模块,精度提升了1.1个百分点。     

基于物联网架构的图书馆书目智能管理系统设计

针对图书馆书目误检率高、查全率低的问题,本文设计了基于物联网架构的图书馆书目智能管理系统.引入物联网架构—RFID技术,在硬件模块设计了服务器选取单元、RFID硬件选取单元及其系统通信单元,软件模块为书目信息整合模块、图书馆书目检索模块及其书目定位跟踪模块.通过实验数据对比发现,设计系统书目误检率较低,查全率较高,充分...     

双核压缩激活神经网络艺术图像分类

目的 为了充分提取版画、中国画、油画、水彩画和水粉画等艺术图像的整体风格和局部细节特征,实现计算机自动分类检索艺术图像的需求,提出通过双核压缩激活模块（double kernel squeeze-and-excitation,DKSE）和深度可分离卷积搭建卷积神经网络对艺术图像进行分类。方法 根据SKNet（selective kernel networks）自适应调节感受野提取图像整体与细节特征的结构特点和SENet（squeeze-and-excitation networks）增强通道特征的特点构建DKSE模块,利用DKSE模块分支上的卷积核提取输入图像的整体特征与局部细节特征;将分支上的特征图进行特征融合,并对融合后的特征图进行特征压缩和激活处理;将处理后的特征加权映射到不同分支的特征图上并进行特征融合;通过DKSE模块与深度可分离卷积搭建卷积神经网络对艺术图像进行分类。结果 使用本文网络模型对有无数据增强（5类艺术图像数据增强后共25 634幅）处理的数据分类,数据增强后的分类准确率比未增强处理的准确率高9.21%。将本文方法与其他网络模型和传统分类方法相比,本文方法的分类准确率达到86.55%,比传统分类方法高26.35%。当DKSE模块分支上的卷积核为1×1和5×5,且放在本文网络模型第3个深度可分离卷积后,分类准确率达到87.58%。结论 DKSE模块可以有效提高模型分类性能,充分提取艺术图像的整体与局部细节特征,比传统网络模型具有更好的分类准确率。     

ARM+FPGA双核计算的配电自动化终端设计

为了提高配电自动化终端数据信息自动化分析能力,设计了基于ARM+现场可编程门阵列(FPGA)双核计算的配电自动化终端。为了提高模块计算能力,在模块中构建了堆叠式自动编码器-神经网络(SAE-NN)深度学习算法模型。在常规堆叠式自动编码器(SAE)深度学习模型基础上融合神经网络(NN)模型,应用过程中改善传统NN对分层节点数目的限制。试验结果表明,所设计终端随着系统运行能达到95%以上的精度,而现有SAE模型仅达到85%左右的精度。通过与文献[1]和文献[2]方法的对比可知,所设计终端有较高的调度能力。该设计显著提高了配电网数据信息的分析精度,大幅提升了电网应用对数据信息处理的准确度和效率。     

基于机器视觉的英语翻译机器人错误文本检测系统

为实现智能、高效地英语翻译错误文本检测,设计一种基于机器视觉的英语翻译机器人错误文本检测系统。系统的硬件模块包括光源模块、图像获取模块、机器视觉模块构成。其中在光源模块中,主要通过光源获取有明显对照的图像。图像获取模块由图像传感器、摄像机、图像采集卡、IEEE1394接口构成。机器视觉模块由工控机、机械手构成。系统的软件模块包括图像预处理模块、字符区域提取模块、字符分类模块、错误文本检测模块。其中图像预处理模块能够实现采集图像的灰度处理。字符区域提取模块主要通过MSERs算法实施字符区域提取。字符分类模块主要用于评价各MSERs,也就是将各MSERs分类成非字符或字符,使用的分类器为AdaBoost。错误文本检测模块主要使用卷积神经网络搭建正确文本与错误文本的分类器。通过硬件与软件相结合,实现应用翻译错误文本的检测。对设计系统实施应用与测试,测试结果为设计系统的漏检字符数与错检字符数都较少,有着良好的错误文本检测性能。     

英语翻译机器人翻译错误自动检测系统设计

翻译是否准确是衡量英语翻译机器人应用性能的关键指标。英语翻译机器人在使用过程中频繁发生翻译错误事件,影响用户沟通质量,极大地阻碍了英语翻译机器人的发展,提出英语翻译机器人翻译错误自动检测系统设计研究。为了有效校正翻译错误,设计系统对翻译错误进行有效检测,其硬件设计包括英语翻译语音传感器选取单元、英语翻译语音处理器选取单元与通信芯片选取单元;软件设计包括英语翻译语音采集模块、英语翻译语音处理模块与翻译错误自动检测模块。通过上述硬件单元及其软件模块的设计,实现了英语翻译机器人翻译错误自动检测系统的运行。实验数据显示：应用设计系统后,获得的翻译错误自动检测正确率高于最低限值,误判率低于最高限值,充分证实设计系统能够获得较好的翻译错误自动检测效果。     

基于卷积神经网络的构件分类策略的研究

为了提高软件复用过程中构件检索的效率，分析了软件构件分类技术的优缺点以及构件特征，从构件刻面信息的角度，采用卷积神经网络技术，提出一种基于卷积神经网络的构件分类策略；利用卷积神经网络对构件刻面特征进行提取，减少人为因素，提高刻面信息提取精确性，并训练出基于卷积神经网络的构件分类模型，通过具体的实验，来论证该模型的准确性，以达到提高构件检索效率的目的。     

基于模糊控制的自主寻迹机器人设计

以飞思卡尔16 bit单片机MC9S12XS128为核心控制单元,设计了寻迹传感器,避障模块、驱动模块以及调试模块等硬件电路。在控制算法上采用模糊控制对小车进行控制,使得机器人能自动采集信息,分析外部环境,控制电机转向及寻迹,实现了机器人的自动寻迹以及避障功能。     

基于机器视觉的电力巡检机器人自动化系统设计

为实现巡检中更低的误检率,设计一种基于机器视觉的电力巡检机器人自动化系统。利用远距离激光雷达配合多种设备,实现机器人的定位导航。根据图像预处理模块能够实现巡检图像的色彩分割、降噪滤波等处理。总控平台模块主要由六部分构成,分别为图像识别单元、核心服务单元等。通过硬件与软件相结合实现机器人的电力巡检功能。实验结果表明,设计的机器人运动指标良好,能够实现高效变电站巡检,同时系统的巡检导航性能良好,巡检误检率较低,说明系统满足设计需求。     

基于场景理解与改进型BUG算法的移动机器人避障

针对现有移动机器人在视觉避障上存在的局限,将深度学习算法和路径规划技术相结合,提出了一种基于深层卷积神经网络和改进Bug算法的机器人避障方法;该方法采用多任务深度卷积神经网络提取道路图像特征,实现图像分类和语义分割任务;其次,基于语义分割结果构建栅格地图,并将图像分类结果与改进的Bug算法相结合,搜索出最优避障路径;同时,为降低冗余计算,设计了特征对比结构来对避免对重复计算的特征信息,保障机器人在实际应用中实时性;通过实验结果表明,所提方法有效的平衡了多视觉任务的精度与效率,并能准确规划出安全的避障路径,辅助机器人完成导航避障。     

基于FPGA和卷积神经网络的实时心梗诊断系统

针对小型化日常心电监护系统的需求，设计了一套基于FPGA和卷积神经网络算法的心肌梗死疾病实时诊断系统。系统包含形态学滤波器、最小均方算法自适应陷波器、卷积神经网络硬件加速模块三大部分，通过在FPGA中并行化和加速处理，实现对心血管疾病的实时监护和诊断。经过上板验证，系统的相对准确率达到99.91%，片上功耗为2.39 W，处理时间为3.81 ms，可满足各项设计需求。     

结合分类卷积神经网络和形状上下文的线画图检索

传统线画图检索中仅仅利用线画图形状特征信息导致检索准确率不高,为了高效、准确地从线画图数据集中检索相似的线画图,提出一种结合分类卷积神经网络和形状上下文的线画图检索方法.首先利用大卷积核的分类卷积神经网络对线画图像数据集进行分类训练任务得到神经网络权值参数,使用该网络结构提取数据集中每张线画图的卷积特征信息;然后根据用户在画图板上绘制得到的简单线画图输入,利用卷积神经网络进行二次分类得到前15种最相似的分类,并结合形状上下文算法对15种分类匹配相似度并取前8种分类;最后使用卷积神经网络提取用户输入的线画图特征信息并与8种分类中的线画图特征信息进行匹配,根据相似度大小排序得到线画图匹配结果.基于Caffe卷积神经网络开发框架,采用TU-Berlinsketchbenchmark线画图数据集进行实验的结果表明,该方法能高效、准确地从数据集中检索得到相似线画图,同时能保证检索结果集中于最相似的几种类别且同类型中能有更多的选择.     

倾角传感器自动校准系统的设计

为了解决倾角传感器传统手工校准方法成本高、效率低和精度低等问题,设计了一种倾角传感器自动校准系统.分别对该系统的硬件设计、软件设计以及校准算法三部分进行了阐述.硬件设计主要包括ATmega128微处理器模块设计、CH340串口转换模块设计、ADM3251 RS-232收发器模块设计、有源晶振模块设计以及电源模块设计;软件部分主要是上位机的程序设计;校准算法部分介绍了最优精度算法对数据进行处理的过程.最终对单轴倾角传感器进行了校准实验,实验数据表明,自校准系统相比于传统手工校准方法精度高,校准误差缩小了近1个数量级.     

改进卷积神经网络在遥感图像分类中的应用

针对传统卷积神经网络（CNN）稀疏网络结构无法保留全连接网络密集计算的高效性和实验过程中激活函数的经验性选择造成结果不准确或计算量大的问题,提出一种改进卷积神经网络方法对遥感图像进行分类。首先,利用Inception模块的不同尺度卷积核提取图像多尺度特征,然后利用Maxout模型学习隐藏层节点的激活函数,最后通过Softmax方法对图像进行分类。在美国土地使用分类数据集（UCM_LandUse_21）上进行的实验结果表明,在卷积层数相同的情况下,所提方法比传统的CNN方法分类精度提高了约3.66%,比同样也基于多尺度深度卷积神经网络（MS_DCNN）方法分类精度提高了2.11%,比基于低层特征和中层特征的视觉词典等方法分类精度更是提高了10%以上。因此,所提方法具有较高的分类效率,适用于图像分类。