针对采摘机器人自主行走导航过程中,难以准确定位其与果树之间的相对位置,难以准确估计果树树干姿态的问题,提出基于双目eye in hand系统的多角度树干位姿估计方法.利用YOLOv5深度学习方法与半全局块匹配算法识别树干并生成局部点云;利用半径滤波和体素滤波减少树干点云数据;利用闭环式手眼标定方法对双目eye in hand系统进行标定,并对同一树干多角度相机位置的点云数据进行拼接;利用随机抽样一致(RANSAC)算法与无约束最小二乘法估计并优化树干的位置和姿态,获取树干的圆柱体参数.通过对30幅标定板图像进行实验,闭环式手眼标定方法的平均欧式误差为3.717 7mm;采用半径滤波和体素滤波可减少98.470％的点云数据;采用RANSAC算法、圆柱体估计算法拟合树干点云数据,得到圆柱体的半径r=41.277 1 mm,RMAE=2.571 56 mm,RRMSE=2.989 36 mm;无约束最小二乘法优化后 r=39.402 8 mm,RMAE=1.989 55 mm,RRMSE=2.465 88mm.该文通过对双目eye in hand系统进行标定,建立坐标系转换关系,多角度采集环境信息,准确定位机器人与果树之间的相对位置,估计果树树干的姿态.
随着癫痫脑电信号自动检测算法研究地不断深入,需要处理的特征维度也不断增加,且冗余特征增大了算法的复杂度,导致算法性能下降.为此,提出一种基于F-Score特征选择的癫痫脑电信号识别方法.首先,从原始癫痫脑电信号数据集中提取特征,并计算每个特征的F-Score统计值;然后,根据分类模型的分类准确率,通过序列前向搜索方法,选择最优特征集;最后,利用支持向量机和逻辑回归分类模型进行实验,并与传统的特征降维方法PCA进行对比.实验结果表明,本文方法可有效降低特征矩阵的维数,提高算法运算效率.
为提高心电图身份识别过程中神经网络的训练效率及识别正确率,提出一种基于多核卷积和多头自注意力的心电图身份识别方法.首先,利用多个大小不同的卷积核对预处理后的单个心拍进行特征提取;然后,采用多头自注意力模块加强卷积通道中全局特征的提取效果;接着,将特征通道一分为二进行半实例归一化,使多头自注意力模块能够关注归一化前后的特征,提升神经网络的收敛速度;最后,将多核多头自注意力模块进行ResNet残差连接.该方法在QT数据集上经过20个epoch训练,实现了 94.92％的识别正确率.利用ResNet进行对比实验的结果表明,该方法能够有效地提升神经网络的训练效率及识别正确率.
针对中药饮片识别采用人工方式存在的耗费人力物力、主观性强,容易造成偏差等问题,提出基于通道注意力机制的中药饮片图像识别方法.首先,构建中药饮片图像数据库;然后,采用改进的AlexNet模型对莪术、姜、橘核和牡丹皮的饮片图像进行识别;最后,针对同一饮片不同炮制品的图像特征差异不明显问题,引入通道注意力机制.对比实验结果表明:基于通道注意力机制的AlexNet模型比AlexNet模型的平均精确度提高了 2.18％,识别准确率提高了 2.05％;且降低了参数量及FLOPS.
在生产作业过程中,作业人员注意力不集中是生产事故发生的主要诱因.针对现有的专注性研究方法过于依赖高性能计算设备,存在部署困难和隐私数据泄露等问题,提出一种结合深度学习和边缘计算的作业人员专注性检测方法.首先,利用YOLOv5算法对使用手机、抽烟和喝水3种常见的分心行为进行实时检测;然后,采用轻量化人脸关键点检测网络和Perclos算法对作业人员的疲劳程度进行评估,并对疲劳状态进行预警;最后,采用基于通道剪枝的压缩算法将分心行为检测网络和疲劳行为检测网络部署于低功耗的便携式边缘计算设备,避免作业人员隐私和商业数据泄露的风险.实验结果表明,该方法对疲劳行为和分心行为的检测准确率分别达98.6％和99.8％,满足实际的部署需求.
