基于YOLO-GT网络的零售商品目标检测方法

提出改进的YOLO-GT深度学习网络,实现基于嵌入式平台的零售商品数据集RPC的图像目标检测。YOLO-GT网络以YOLOv3-Tiny网络为基础,采用线性扩展优化用于特征提取的卷积层,并将深度学习网络浅层信息与深层信息融合使得网络成为三尺度预测网络,提高网络对小目标商品的识别能力。YOLO-GT采用Mish函数优化了网络激活函数,并重新利用FCM聚类算法生成多个新的先验框。利用RPC零售商品数据集在嵌入式平台Jetson nano核心板上实验,YOLO-GT网络对于每张图片的平均检测速度为342.67 ms/张,平均检测准确率(m AP)为97.21%,与YOLOv3-Tiny相比,检测速度提升了57.81%,m AP提升了1.84%,并降低了小目标漏检率,能够满足使用要求。     

基于步态能量图与VGG结合的步态识别方法

基于深度学习端到端和多层特征提取的思想,给出一种基于步态能量图和VGG卷积神经网络结合的步态识别方法。首先,使用背景减除法分割出人体轮廓;然后,通过身体轮廓宽度变化计算出步态周期;其次,根据步态周期图像计算出步态能量图;最后使用VGG网络对步态能量图进行特征学习及分类。实验结果表明:所提出的方法可以准确识别行人身份,在CASIA-B步态数据中平均准确率可达92. 5%,且对视角有较好的鲁棒性,对深度学习在步态识别领域的进一步应用有借鉴意义。     

基于改进DenseNet和迁移学习的变负载滚动轴承故障诊断

由于在实际工作环境下滚动轴承故障样本不足，而且受到环境噪声以及负载变化的影响，故障样本分布存在差异性导致诊断泛化性差，对此课题组提出一种基于改进DenseNet与迁移学习结合的滚动轴承故障诊断方法。对原DenseNet中的ReLU激活函数，使用LeakyReLU函数替代，并在全连接层后添加Softmax层进行分类，使提取故障特征更为丰富；为了使轴承信号接近工厂采集的数据，对凯斯西储大学轴承数据集中添加了信噪比为 2 dB的高斯白噪声并进行模拟，经Z Score归一化处理后转化为二维灰度图作为样本数据。实验结果表明该方法在小样本变负载下的跨域诊断准确率都达到了90%以上，与其他模型对比具有更好的泛化性。     

基于通道组合-数据对齐-多尺度全局CNN的MI-EEG分类

由于运动想象脑机接口(MI-BCI)范式不需要视觉刺激,应用MI-BCI范式在提高人机交互系统舒适度方面具有重要意义。为实现辅助设备的异步控制,提高模型的鲁棒性,减少通道使用数量以降低BCI系统输入的复杂性,提出一种基于通道组合(channel combination, CC)-数据对齐(euclidean space data alignment, EA)-多尺度全局卷积神经网络(multiscale global convolutional neural network, MGCNN)的运动想象脑电分类方法。通过引入大脑静息状态下的脑电信号,扩展MI-BCI输出指令集;利用CC将22通道脑电数据重构为左右对称通道加中间通道的3通道形式,重构后的数据经过EA方法规范后作为网络输入;构建多尺度卷积模块与全局卷积模块,并行提取脑电信号的局部特征和ERS/ERD全局特征;利用迁移学习提升模型的解码能力。结果表明：该方法在BCI Competition IV 2a数据集上达到了99.28%的平均准确率和0.99的Kappa值,提高了运动想象脑电分类精度,为在线异步运动想象脑机接口的应用与发展...     

雾环境下的船舶目标检测研究

针对船舶在雾环境中因能见度不良易发生碰撞、船舶识别困难和检测精准度较低等问题：首先构建出雾环境下的船舶目标检测数据集;接着在YOLOv5基础上进行改进,在原网络结构基础上,为使深度可分离卷积更接近可分离卷积,使用GSConv模块替换Head部分CBS模块,以提高模型精准度,并引入Slim-Neck范式,进一步提高模型平均精准度,降低模型的计算量。同时,采用多项式损失函数替换原二元交叉熵损失函数,以提高模型的精准度,并引入SIoU Loss消除真实框与预测框方向问题的缺陷,以提高训练速度和推理准确性。实验结果表明,模型在mAP_0.5指标上达到95.7%,相较于基础YOLOv5模型,改进后的船舶目标检测模型mAP_0.5提高0.9%、mAP_0.95提高0.9%,同时FLOPs也降低2.1G。这一结果表明,雾环境下的船舶目标检测模型具有更优的精准度和更轻量的模型结构,在提高雾环境下船舶检测的精准度和效率方面具有很好的应用前景。