摘要：针对低照度场景下拍摄的图像存在对比度低、亮度过暗等问题,设计一个基于Retinex改进的低照度图像增强网络。将低照度图像以数据驱动的方式分解为反射图和光照图,通过UNet++对反射图进行噪声抑制和细节恢复,光照图则根据用户设定的增强比率自适应调节亮度。经过在多个数据集上实验验证表明,该算法在视觉、客观指标、运行效率上有一定优势,能有效地增强不同光照强度下的低照度图像,对人工智能背景下的夜间图像采集工作有一定的应用价值。

摘要：在模具设计中,通过改变浇铸流道方向,设计制造出一系列不同规格的组合模具,开发了卧式离心浇铸法生产MC尼龙棒的工艺技术,制备了一系列不同规格的旋转棒,并对产品进行了分析测试。结果表明,采用卧式离心浇铸法生产MC尼龙棒是有效可行的,可完全消除MC尼龙棒材中的收缩孔和内部缺陷。卧式离心浇铸法具有生产效率高、产品质量好、成品率高、损耗量低、效益好等优点。

摘要：针对卷积神经网络结构单一,模块中卷积核使用单一,网络特征提取不充分导致图片分类准确度不够,以及模型大的问题,提出卷积核交叉模块的网络设计。此模块先将输出特征图分成两组,每一组采用不同数量、不同大小的卷积核进行特征提取,然后将分组得到的特征图进行级联操作后再通过1×1的卷积核进行整合。该文设计的卷积神经网络与传统的网络相比,在食物101_food数据集上将识别精度由56.7%提升至72.63%;在交通GTSRB数据集上将识别精度由96.3%提升至98.41%。实验结果表明,该文设计的网络结构性能优越,且网络模型较小。

摘要：文中设计一种搭建在可WiFi远程控制移动勘测船上的超声波除藻系统。利用超声波发生器加超声波振子联用产生空化效应,藻类细胞会急剧膨胀和收缩,细胞壁发生破裂后自然死亡降到水底,不产生二次污染。使用WiFi无线控制技术,勘测船上搭载的摄像头可以实时传输视频到上位机手机或电脑等控制终端,在终端又可以远程控制勘测船的移动和机械臂抓取物体,勘测船装载MPPT太阳能自发电装置,绿色环保又节能减排。实验结果表明,太阳能除藻勘测船控制灵活,操作方便,除藻效果较好,可长时间在水面作业。

摘要：传统检测网络在复杂背景下一直存在检测效率低以及准确率低等问题。针对以上问题,在MTCNN网络上进一步设计了MT-Siam网络,主要为以后的单目标独立分割、单目标图像处理等操作快速地提供精准位置定位,从而快速获取目标位置,达到提高检测效率的目的。实验部分在YOLOv3、SSD300和MTCNN基础模型上进行了全面对比,验证了MTCNN网络的优越性,并从对比实验中得出MT-Siam网络在保持高精度的前提下,检测速度与MTCNN网络相比得到70%~85%不等的提升。

摘要：自贡因两次"川盐济楚"的机缘而成为"富庶甲于蜀中"的"川省精华"之地,也成就了一批盐场精英和盐商群体。他们不仅有卓越的经商才干,亦博古善今,爱好艺术收藏。这也从另一个侧面折射出了他们多彩的生活品味和文化情缘。

摘要：传统的卷积神经网络的网络结构单一或模块单一,网络提取特征时都是以同一种模式持续进行,导致分类精度不够理想,且模型参数和计算量较大。针对这一问题,提出一种使用多样化模块的轻量型卷积神经网络结构Diverse-net,使用Reduce Module和Slice Module两种卷积模块,通过交替叠加使用两种不同的卷积模块来代替传统网络的单卷积核结构,增加网络的深度和宽度,并在不同模块之间加入残差学习。使用文中搭建的卷积神经网络Diverse-net,与其他网络模型在GTSRB和101_food数据集上进行测试来对比网络性能与模型大小,Diverse-net网络模型大小减少至20.8 MB,在数据集GTSRB上识别率可达到98.72%;在数据集101_food上识别率可达到68.09%。实验结果表明,所设计的卷积神经网络Diversenet在图像分类方面性能更优,且网络的模型较小。

摘要：针对视频追踪中基于孪生网络的追踪算法在对有遮挡物或运动突变的物体进行追踪定位时会出现定位不准确的问题,设计了在线更新网络的视频追踪算法TripLT。该算法采用循环神经网络进行目标位置的预测,并采用全卷积神经网络对目标进行相似度的判定。TripLT算法可预测下一帧的目标位置,以摆脱遮挡物的影响,并且TripLT算法采用在线更新的机制,避免了运动突变的干扰。在数据集VOT和OTB100上的实验结果表明,和已有算法相比,TripLT算法表现出更好的性能。

摘要：传统人脸图像对的相似度判定方法易受环境、像素值等因素影响,导致其方法的准确率很低。为此,文中为提高人脸图像对的相似度判定准确率,设计一种利用卷积神经网络(CNN)的非线性特点与优化边缘算子特点相结合的轻量化网络。实验结果表明,设计的轻量化网络与传统网络对比在准确率上有效提升大约2%;在模型大小上从原有的40.2 MB缩小到18.9 MB。并且与已有算法做了全面对比,得出改进算法准确率高于已有算法,验证了改进算法的可实施性。

摘要：近年来卷积神经网络(CNN)在人脸识别领域有着显著的进步,但是这些卓越的方法是建立在大规模数据、更深和更宽的网络、复杂的算法的基础之上,而且还需要长时间的训练。为此结合深度残差网络提出了一个二叉树型信息融合网络模型。首先,在CNN的每个卷积层的输出特征图后引出两个卷积分支,产生两组特征图,再与父节点的一组特征相融合,然后通过激励函数输出。这种分支的融合可以使特征图的数量降低,在向前传播的过程中减少一定的信息冗余,而且也减少了网络参数的数量。第二,网络设计中通过随机翻转、随机裁剪、添加高斯噪声来增强数据,在算法优化阶段采用适应性动量估计法(Adam)以更快达到最优结果。实验结果表明,该方法在只有6.7万张的人脸数据集上达到野外标记的人脸(LFW)数据集上95.5%的正确率。所提算法在较少数据量、简单操作上取得较好的性能。