The article has developed a control system based on auto-calibration system for programmable process calibrator.The structure of the system is presented.The design and structure of the software is shown in detail.The system can achieve fully-automatic calibration of process calibrator of various models.Experiment shows the availability of the state-machine structure of the software.The auto-calibration can meet the technical specification and the calibration capability,which has a 30%higher efficiency than traditional method.
基于深度学习的C3D网络被广泛应用于人体动作识别领域,但其识别准确率仍有较大提升空间.为了获得更好的识别准确率,本文改进了C3D的网络卷积结构并加深了网络层次,但网络深度的提高也会使网络出现梯度消失、梯度爆炸以及网络退化问题.针对这些问题,本文又将改进的C3D网络与ResNet50 网络进行融合,在C3D网络中加入了残差结构,以此设计了ResC3D神经网络.将ResC3D网络模型在UCF101 数据集上进行训练和验证,识别准确率达到了 88.9%,相较于原始C3D网络的准确率提升了 8.7%.
5G医疗专网可以实现院本部和分院之间数据高效传输,减少误报率,提升医院信息化和智能化水平.本文分析了传统组网方式存在的问题,以及应用 5G组网方案的优势,介绍了 5G医疗专网的设计原则和总体思路,最后给出了在市县两级医院部署 5G医疗专网和实现院区信息互联互通的解决方案,即采用 5G SA架构,通过MEC技术应用,实现院区业务数据本地分流,并在分院区部署 5G基站,实现无线网络全方位覆盖.
针对人工智能实验教学存在的算力资源不足、实验环境搭建复杂等问题,本文基于CPU+GPU 协同计算架构,利用Containerd和Kubernetes构建底层容器云基础设施,并在其上部署可定制化的实验环境镜像,设计和实现功能模块,从而形成人工智能实验平台.本文重点阐述了Kubernetes 集群搭建、Jupyter Hub部署以及实验镜像制作方法等,可为多层次实验案例灵活提供Pytorch、TensorFlow等不同的实验运行环境.通过两个深度学习实验,证明了本文构建的平台具备良好的实用性和可行性,是一种有效的人工智能实验教学解决方案.
商品识别是无人超市管理的重要环节之一.为提升商品识别速度与精度,本文提出了一种基于YOLOv5模型的改进方法.首先,拍摄不同种类的商品并采用数据增强方式丰富样本数据集;其次,在算法中添加注意力机制来解决特征提取时无注意力偏好问题,从而提升检测准确度;最后,通过在骨干段中将普通卷积网络替换成Ghost卷积网络,降低网络参数带来的计算负担,进而提高目标识别速度.实验结果表明,在相同训练条件下,相比原始YOLOv5 网络,改进YOLOv5 网络的识别准确率达到 91.1%,比原模型提升了 2.8%;mAP@0.5 达到了 99.1%,比原模型提升了 6.7%;识别速度达到了 42.3 FPS,提升了 2.5 FPS.
