最优知识传递宽残差网络输电线路螺栓缺陷图像分类

目的 输电线路螺栓图像具有分辨率低和视觉信息较差的特点,针对螺栓缺陷图像分类时教师网络（大模型）参数量大、学生网络（小模型）分类精度低的问题,提出了一种最优知识传递宽残差网络输电线路螺栓缺陷图像分类方法,来弥补使用大小模型进行分类任务的局限性。方法 首先改变大模型宽度,即拓宽网络特征表达维度来增加向小模型传递的螺栓缺陷知识和简化小模型结构至3个残差块;然后为了选出传递螺栓缺陷知识性能最优的大模型,提出知识偏差的概念来可视化大模型向小模型螺栓缺陷知识传递的程度,综合分析不同宽度大模型利用知识蒸馏算法与注意力转移算法分别指导小模型训练后的分类准确率,并用知识偏差来确定最优知识传递模型;最后将最优知识传递模型利用知识蒸馏算法与注意力转移算法相结合指导小模型训练,尽可能提升小模型的螺栓缺陷分类性能。结果 在自建螺栓缺陷图像分类数据集上进行了验证,结果表明宽度为5的大模型向小模型传递螺栓缺陷知识性能最优,使小模型的螺栓缺陷分类准确率提高了5.56%,小模型与最优大模型的分类准确率只差2.17%,知识偏差为0.28,且小模型的参数量仅为大模型参数量的0.56%。结论 本文提出的最优知识传递宽残差网络输电线路螺栓缺陷图像分类方法,弥补了大小模型螺栓缺陷图像分类的局限性,实现了精度与资源消耗的平衡。     

A real-time vehicle detection and a novel vehicle tracking systems for estimating and monitoring traffic flow on highways

Real-time highway traffic monitoring systems play a vital role in road traffic management, planning, and preventing frequent traffic jams, traffic rule violations, and fatal road accidents. These systems rely entirely on online traffic flow info estimated from time-dependent vehicle trajectories. Vehicle trajectories are extracted from vehicle detection and tracking data obtained by processing road-side camera images. General-purpose object detectors including Yolo, SSD, EfficientNet have been utilized extensively for real-time object detection task, but, in principle, Yolo is preferred because it provides a high frame per second (FPS) performance and robust object localization functionality. However, this algorithm’s average vehicle classification accuracy is below 57%, which is insufficient for traffic flow monitoring. This study proposes improving the vehicle classification accuracy of Yolo, and developing a novel bounding box (Bbox)-based vehicle tracking algorithm. For this purpose, a new vehicle dataset is prepared by annotating 7216 images with 123831 object patterns collected from highway videos. Nine machine learning-based classifiers and a CNN-based classifier were selected. Next, the classifiers were trained via the dataset. One out of ten classifiers with the highest accuracy was selected to combine to Yolo. This way, the classification accuracy of the Yolo-based vehicle detector was increased from 57% to 95.45%. Vehicle detector 1 (Yolo) and vehicle detector 2 (Yolo + best classifier), and the Kalman filter-based tracking as vehicle tracker 1 and the Bbox-based tracking as vehicle tracker 2 were applied to the categorical/total vehicle counting tasks on 4 highway videos. The vehicle counting results show that the vehicle counting accuracy of the developed approach (vehicle detector 2 + vehicle tracker 2) was improved by 13.25% and this method performed better than the other 3 vehicle counting systems implemented in this study.     

基于深度学习的文本分类技术研究进展

随着深度学习技术的快速发展,许多研究者尝试利用深度学习来解决文本分类问题,特别是在卷积神经网络和循环神经网络方面,出现了许多新颖且有效的分类方法。对基于深度神经网络的文本分类问题进行分析,介绍卷积神经网络、循环神经网络、注意力机制等方法在文本分类中的应用和发展,分析多种典型分类方法的特点和性能,从准确率和运行时间方面对基础网络结构进行比较,表明深度神经网络较传统机器学习方法在用于文本分类时更具优势,其中卷积神经网络具有优秀的分类性能和泛化能力。在此基础上,指出当前深度文本分类模型存在的不足,并对未来的研究方向进行展望。     

IETCAM:基于信息熵的低功耗TCAM分类器

目前,三态内容寻址器被广泛应用于数据平面的高速转发,但现有的索引式TCAM在降低功耗和运行时间等方面仍存在问题.针对这些不足,提出了一种基于信息熵的低功耗索引式TCAM分类器,利用了信息熵技术,有效地解决了规则集在TCAM子块中分布不均、功耗较大的问题.实验表明,在2k大小的规则集下,该算法相较于经典的SmartPC算法平均可以提高63％的功耗降低率,运算时间更新速度缩小了97％,存储开销仅增加了10％.     

基于部分加权损失函数的RefineDet

针对目标检测网络单阶改进目标检测器（RefineDet）对类间不平衡数据集中小样本类别检测性能差的问题,提出一种部分加权损失函数SWLoss。首先,以每个训练批量中不同类别样本数量的倒数作为启发式的类间样本平衡因子,对分类损失中的不同类别进行加权,从而提高对小样本类别学习的关注程度;然后引入多任务平衡因子对分类损失和回归损失进行加权,缩小两个任务学习速率的差异;最后,在目标类别样本数量存在大幅差异的Pascal VOC 2007数据集和点阵字符数据集上进行实验。结果表明,与原始RefineDet相比,基于SWLoss的RefineDet明显提高了小样本类别的检测精度,它在两个数据集上的平均精度均值（mAP）分别提高了1.01、9.86个百分点;与基于损失平衡函数和加权成对损失的RefineDet相比,基于SWLoss的RefineDet在两个数据集上的mAP分别提高了0.68、4.73和0.49、1.48个百分点。     

客户分类下生鲜配送两级路径问题与算法研究

生活水平的提高使得消费者对生鲜产品的需求不断增长,进而促进了冷链物流行业的快速发展。将客户按重要性分为重要客户和普通客户两类,以总配送成本最小为目标,建立考虑客户分类的两级容量有限车辆路径优化模型。提出两阶段启发式算法求解该模型：第一阶段设计改进的遗传-模拟退火算法增强全局搜索能力,其中采用轮盘赌选择机制结合精英保留策略保留优秀个体,部分匹配交叉算子结合自适应交叉率维持种群多样性,Metropolis准则以一定概率接受较差解;第二阶段使用精确方法求解一级配送路径。基于Perboli的Set2算例集和Hemmelmayr的Set5算例集,共30个基准案例,分别将所提出算法与四种现有算法进行对比分析,验证了改进算法的效果,并测试了算法的收敛性。基于模拟数据进行模型分析,验证了所提出模型和算法的有效性和适用性。     

基于Word2Vec词嵌入和聚类模型的安全生产事故文本案例分类

安全生产事故的分析对应急管理能力提升具有重要意义.通过对安全生产案例的语义分析,利用Word2Vec词嵌入技术和聚类模型,选用CBOW+负采样技术实现词向量,并结合安全生产事故案例分类的数据特点,通过基于半监督学习的聚类模型算法,根据事故性质的认定特点,提出了一种优化初始聚类中心的算法,并利用K-means聚类算法实现安全事故文本案例的分类.实验表明该方法较好实现安全生产的事故案例分类,并对安全生产事故的多个维度分析具有很好借鉴意义.     

改进Otsu算法的镀锌板表面缺陷检测方法

针对镀锌板在生产工艺和传输过程中对镀锌板表面造成缺陷的问题;文章应用了基于Otsu算法的镀锌板表面缺陷检测系统,由数字光源控制器、高速CCD相机、同步触发器和编码器等硬件设备共同连接组成,采集到镀锌板表面的图像,然后将图像传输给基于Otsu算法的图像处理系统;改进优化了Ostu算法,在一维直方图求解最佳截距阈值,利用该阈值和二维信息完成图像的分割,提高了图像的抗噪能力;使用分块检验所发初步判定镀锌板表面缺陷,再逐个排查确认缺陷区域,对缺陷特征进行分类并保存在缺陷数据库中,同时发出预警;实验结果显示文章研究的检测系统对镀锌板表面缺陷检出率最高可高达98％,检测出缺陷镀锌板的数量最多,系统的检测精度高.     

基于改进特征融合的微表情识别方法

微表情的变化是非常微小的,这使得微表情的研究非常困难。微表情是不能伪造和压制的,因此也成为判断人们主观情感的重要依据。本文提出了以卷积神经网络及改进长短时记忆网络特征融合为依托的微表情识别方法,先介绍了相关的背景知识,再介绍了实验的预处理过程、特征提取以及相应的特征融合的过程,将所得的结果用于实验模型的预测分类。实验结果表明,新模型具有更好的识别率。     

Radio frequency interference suppression algorithm in the spatial domian for high-frequency radars

Radio frequency interference suppression is a very important issue in applications of high-frequency surface wave radar. This paper proposes a new interference suppression algorithm which makes use of RF interference azimuth information on the basis of learning common RF interference suppression algorithms and spatial spectrum estimation. First, we apply the MUSIC algorithm to estimate the interference azimuth and obtains the interference's signal space after the first Fourier transform; next, we use space decomposition to decompose the radar echo and obtain interference components; last, we subtract radio frequency interference components from the original signals. This algorithm can do great amount of RF interference suppression in actual data and get good results.