摘要：为实现脐橙品质的快速、准确分级,提出一种同时具有高准确度与高速度的算法。该算法基于高效卷积神经网络(Convolution Neural Network,CNN)设计神经网络结构,结合通道剪枝方法进行推断速度优化。为提升脐橙分级效果,算法采用多任务学习方式,先进行分类,再根据分类结果,让适合回归的种类回归出其瑕疵面积占表面积的比例,为此设计多任务加权损失函数,采用损失函数超参数自适应学习策略,平衡分类与回归的性能。实验表明:该算法在评价指标上取得了最优效果。通道剪枝让模型在CPU下推断速度提升200%,达到90幅/秒的处理速度,准确率仅仅下降2.37百分点。与其他经典模型相比,最好的实验模型准确率可达94.05%。

摘要：条形码识别技术在日常工作中发挥着巨大作用,尤其是在智能物流包裹分拣领域。该技术主要分为三个部分:条形码检测、矫正和译码。目前条形码检测和译码技术较为成熟,而在条形码倾斜矫正技术上研究效果一般。为提升条形码矫正效果,设计一种矫正算法。先对条形码倾斜程度进行分类,再进行角度回归,有效降低条形码矫正任务难度;并将该算法与单阶段检测器融合构成多任务目标检测算法,协同促进发挥检测和矫正的作用。实验表明:余弦距离角度损失函数更加适合角度回归任务,针对条形码倾斜程度分类有助于提升条形码矫正效果。与其他相关算法对比,该算法在矫正准确率、实际译码率和速度上均取得最优的效果。

摘要：目的针对当前大数据处理在数据存储、计算速度和分析算法等方面的技术难题,提出有效的一体化解决方案。方法以Spark计算框架、Hadoop分布式存储和机器学习算法3项技术为支撑,构建大数据在线分析服务平台,并在平台上对Ⅱ型糖尿病分类任务进行训练和预测。通过对比实验证明,基于Spark框架和Spark机器学习算法进行大数据分析,大大提高了计算效率,减少了时间成本。结论基于Spark框架的大数据分析平台能够实现海量数据的快速存储和计算,降低医疗行业数据分析领域的技术门槛,有利于促进大数据产业加快发展。