简介:摘要:随着我国经济发展方式的不断的变化和发展,其中煤炭行业的发展更是在前沿,智能化要求的不断提高,智能化掘进成为煤炭安全高效采掘的发展趋势。正常的生产生活环境的人体识别已经较为成熟,识别准确率也很高,但是在煤矿的掘进工作面,光线比较差,烟尘比较多,视觉成像效果很差。因此实现掘进工作面人体识别需要攻克的技术难点之一就是准确完成人体图像的识别和定位。目前,已有学者在目标识别方面进行广泛的研究,但传统的人体识别方法存在特征提取困难、泛化能力弱、未实现定位等问题。深度学习作为人工智能的一个重要分支,已广泛应用于许多领域,特别是在机器视觉和语音识别中,其性能与传统学习方法相比有了很大的提高,并且具有良好的迁移学习能力。本文提出了一种改进的YOLOv4算法,作为一种经典的深度学习方法,用于在掘进工作面的特定场景下人体的智能、高精度识别。与其他算法相比,YOLOv4通过对不同的数据集进行聚类分析,具有更好的锚定值,并通过使用拉普拉斯算子和高斯滤波器来减少矿尘和冲击的影响,通过增加特征金字塔的层数获得更丰富的详细信息,具有良好的抗干扰能力。实验结果表明,与YOLOv4、YOLOv 3、SSD和Faster RCNN四种算法相比,本文提出的改进YOLOv4具有更好的检测精度、更快的检测速度和鲁棒性。
简介:摘要:智能交通系统(IntelligentTrafficSystem,ITS)是一个融合人工智能、计算机视觉、图像处理等众多学科的综合系统。视觉场景信息作为ITS场景信息中的关键一环,包含了诸如交通信号灯、车道线、交通标志等重要道路交通安全信息,因此,如何有效准确识别交通信号灯(TrafficLightRecognition,TLR),是ITS中不可避免的一个重要话题。基于颜色的交通信号灯识别方法在很大程度上取决于环境光照、天气等因素,且HSV各个分量很难选取一个通用适合的范围,导致在实际识别过程中精度仍不够高。基于交通信号灯结构特点的先验信息,采用颜色信息与图像灰度信息融合的方法,进一步提升交通信号灯的识别准确率。
简介:摘要基于深度学习的变电站设备部件的识别,是利用深度学习的高层语义特征提取模型,构建从图像底层视觉特征到高级语义特征逐层迭代、逐层抽象的深度网络映射模型,旨在减小语义鸿沟,得到图像语义特征,然后利用全局特征预测每个位置可能的设备目标,不断进行迭代回归调整,再通过一系列的识别分析后得到最终的识别结果。该研究可以大大提高变电站设备部件识别率,从而更加针对性的进行变电站的故障检测。
简介:针对手动挡车辆在运行过程中无挡位传感器的情况下挡位信号无法识别获取的问题,通过对多次整车转鼓试验进行分析,发现读取CAN总线里面的速比信息,然后基于直方图计算各速比范围信号出现的频率,并以此确定挡位数目和速比的大小范围,再利用Parzen窗函数的方法获取各挡位的实际速比,可以实现对挡位信号精准的识别。试验结果表明,采用Parzen窗的挡位识别方法能够识别出挡位信号。对比Parzen窗获取的挡位识别信息与挡位信号传感器直接获取的挡位信息,发现两者的相似度很高,这也验证了该方法的可行性和准确性。该方法提供了整车运行过程中一种挡位识别的新方式。
简介:摘要日益增多的数据显示冠脉微血管功能障碍(coronarymicrovasculardysfunction,CMVD)与许多临床症状相关。本文将就目前用于识别存在于正常冠脉中微血管功能障碍的主要侵入性技术方法作一综述,并阐述其在临床实践运用中的适应症。