期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到9篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于对抗修复网络的输送带表面缺陷检测
1
作者 杨泽霖 杨立清 郝斌 《工矿自动化》 CSCD 北大核心 2024年第9期108-114,166,共8页
针对输送带缺陷数据获取和标注困难、输送带工作场景中的不稳定因素和数据波动导致基于深度学习的输送带缺陷检测方法精度低的问题,提出了一种基于对抗修复网络的输送带表面缺陷检测模型。该模型主要由自编码器结构的生成器和马尔可夫... 针对输送带缺陷数据获取和标注困难、输送带工作场景中的不稳定因素和数据波动导致基于深度学习的输送带缺陷检测方法精度低的问题,提出了一种基于对抗修复网络的输送带表面缺陷检测模型。该模型主要由自编码器结构的生成器和马尔可夫判别器组成。在训练阶段,将模拟的输送带表面缺陷图像输入生成器,得到无模拟缺陷的重构图像,提升模型对未知缺陷的泛化能力;将原始无损输送带图像、重构图像和模拟的输送带表面缺陷图像输入马尔可夫判别器,通过残差块获得特征图,提高模型对于微小缺陷的检测能力。在检测阶段,将待测图像输入训练完的生成器得到重构图像,再通过训练完的马尔可夫判别器提取待测图像与重构图像的特征图,根据待测图像与重构图像特征图之间的均方误差和待测图像特征图最大值,计算异常分数并与设定的阈值进行比较,从而判断待测图像是否存在缺陷。实验结果表明,该模型的接收操作特征曲线下面积(ROC-AUC)达0.999,精确率-召回率曲线下面积(PR-AUC)达0.997,单张图像检测时间为13.51 ms,能准确定位不同类型缺陷位置。 展开更多
关键词 输送带表面缺陷检测 对抗修复网络 自编码器 生成器 马尔可夫判别器
在线阅读 下载PDF
基于VMD-Itransformer-MOSSA模型的短期风电功率预测方法
2
作者 张伟 高鹭 +1 位作者 秦岭 李伟 《计算机工程与设计》 北大核心 2025年第9期2690-2698,共9页
为解决天气预报存在较小的误差,使风电功率预测产生巨大误差的问题,提出一种结合VMD算法和MOSSA优化的Transformer模型用于短期风力预测。应用变分模态分解处理天气预报风速和实测风速间的误差,将分解结果结合天气预报信息中的其它部分... 为解决天气预报存在较小的误差,使风电功率预测产生巨大误差的问题,提出一种结合VMD算法和MOSSA优化的Transformer模型用于短期风力预测。应用变分模态分解处理天气预报风速和实测风速间的误差,将分解结果结合天气预报信息中的其它部分特征作为改进的Transformer模型输入。通过改进麻雀搜索算法(SSA)优化修正模型的关键参数,提高预测准确性。将预测的风速误差与天气预报风速相加即得到修正后的天气预报风速并计算风功率。仿真结果表明,该模型方法在准确性上优于基准模型,验证了所提出的改进组合模型有效性。 展开更多
关键词 风速修正 变分模态分解 改进的变压器 麻雀搜索算法 短期风电功率 数据预处理 天气预报信息
在线阅读 下载PDF
针对中文文本分类的多模态对抗样本生成方法
3
作者 王永平 刘垚 +2 位作者 张晓琳 王静宇 刘立新 《计算机应用》 北大核心 2025年第10期3074-3082,共9页
针对现有中文文本对抗样本生成方法中重要词定位方法和变换策略单一,导致攻击成功率和对抗样本质量难以提高的问题,从汉字的形态、发音和语义角度,提出一种针对中文文本分类的多模态对抗样本生成方法。在计算词语重要性阶段,利用掩码模... 针对现有中文文本对抗样本生成方法中重要词定位方法和变换策略单一,导致攻击成功率和对抗样本质量难以提高的问题,从汉字的形态、发音和语义角度,提出一种针对中文文本分类的多模态对抗样本生成方法。在计算词语重要性阶段,利用掩码模型和模型输出得到置信概率,并计算预测词的离散性且将它作为位置的敏感性,最终结合二者以确定扰动优先级;在对抗变换阶段,设计一种结合汉字的音形和语义特征的多模态攻击策略生成对抗样本,并通过词典、基于卷积神经网络(CNN)的字形相似比较模型和掩码语言模型(MLM)生成候选样本。实验结果表明,所提方法能对鲁棒性较强的BERT(Bidirectional Encoder Representations from Transformers)和RoBERTa(Robustly optimized BERT pretraining approach)模型实现了33.2%~65.8%的攻击成功率。可见,通过对抗训练生成的对抗样本可以提升模型的鲁棒性。 展开更多
关键词 深度学习 文本分类 对抗样本 多模态 对抗攻击
在线阅读 下载PDF
仿真假体视觉下基于风格迁移的人脸表情识别
4
作者 王盛 赵瑛 张岩 《现代电子技术》 北大核心 2025年第15期45-50,共6页
目前对于重度视网膜色素变性或老年性黄斑变性患者而言,视网膜假体仍是其唯一有效的视觉康复手段。为了实现假体视觉下表情的准确识别,文中提出采用AdaIN算法实现图像风格转换的图像处理策略,将原始人脸图像转换成简笔画人脸图像,并利用... 目前对于重度视网膜色素变性或老年性黄斑变性患者而言,视网膜假体仍是其唯一有效的视觉康复手段。为了实现假体视觉下表情的准确识别,文中提出采用AdaIN算法实现图像风格转换的图像处理策略,将原始人脸图像转换成简笔画人脸图像,并利用Dlib库实现人脸关键点的标记,借助关键点坐标截取人脸区域,最后进行像素化处理。同时,正常人视觉下对原始图像和该方法的表情识别效果,以及仿真假体视觉下该方法在三种分辨率(24×24、32×32与48×48)与原始图像直接像素化后表情识别的效果均开展了对比研究。实验结果证明,正常人视觉下对于原始图像和该方法的表情识别效果的准确率分别为71.58%和60.41%,在24×24与32×32低分辨率下,文中方法与原始图像直接像素化相比更有助于表情的识别。 展开更多
关键词 视觉假体 仿真假体视觉 风格迁移 表情识别 像素化 AdaIN算法
在线阅读 下载PDF
基于背部特征的挤奶场景下奶牛识别方法
5
作者 李泽昊 王月明 蒲朝燚 《农业工程学报》 北大核心 2025年第11期201-208,共8页
针对奶牛养殖场挤奶场景下奶牛实时无接触身份识别需求,该研究提出一种基于背部特征的奶牛实时身份识别方法。首先在挤奶场景下采集奶牛背部视频数据,建立包含793张图片的目标检测数据集和包含3145头奶牛、52834张图片的身份识别数据集... 针对奶牛养殖场挤奶场景下奶牛实时无接触身份识别需求,该研究提出一种基于背部特征的奶牛实时身份识别方法。首先在挤奶场景下采集奶牛背部视频数据,建立包含793张图片的目标检测数据集和包含3145头奶牛、52834张图片的身份识别数据集,构建YOLOv8-DW目标检测模型,检测奶牛背部。然后,训练对比HRNet、EfficientNet、ConvNeXt、Swin Transformer和Swin Transformer V2这5种骨干网络,选择最优网络提取奶牛背部特征,通过计算其与数据库中身份的相似度并与入库验证阈值对比,得到单帧识别结果。最后,设计多帧识别方法,通过对单帧识别结果进行融合得到奶牛身份。YOLOv8-DW目标检测模型平均精度均值达99.3%,处理速度达169.49帧/s;最优网络HRNet在测试集中的平均精度均值为99.76%和120.12帧/s的处理速度;在对不同挤奶日期奶牛的识别中,多帧识别下已入库奶牛的识别率达97.7%,未入库奶牛识别率达94.0%。该研究结果可为挤奶场景下奶牛的识别提供参考。 展开更多
关键词 奶牛 YOLOv8 身份识别 背部特征 挤奶场景
在线阅读 下载PDF
脑电图信号在疲劳驾驶检测中的应用与挑战 被引量：4
6
作者 宗少杰 董芳 +5 位作者 程永欣 喻大华 袁凯 王娟 马宇欣 张飞 《生物化学与生物物理进展》 SCIE CAS CSCD 北大核心 2024年第7期1645-1669,共25页
当前快节奏生活已经成为日常生活的常态,对人们的身心健康带来了不少负面影响,特别是在驾驶过程中容易出现疲劳困倦的情况。因此,疲劳驾驶检测技术成为了研究的热点,并取得了显著的进展。本文将介绍基于脑电图(electroencephalogram,EEG... 当前快节奏生活已经成为日常生活的常态,对人们的身心健康带来了不少负面影响,特别是在驾驶过程中容易出现疲劳困倦的情况。因此,疲劳驾驶检测技术成为了研究的热点,并取得了显著的进展。本文将介绍基于脑电图(electroencephalogram,EEG)信号的疲劳驾驶检测方法。本文首先概述基于EEG信号的疲劳驾驶检测的总体流程,包括信号采集、预处理、特征提取和分类等步骤。然后,详细介绍EEG信号中与疲劳相关的特征及其在疲劳驾驶检测中的应用。这些特征包括频域特征、时域特征、拓扑特征等,通过分析这些特征可以有效地识别出驾驶员是否处于疲劳状态。接下来,探讨目前已有的疲劳驾驶检测模型的性能评估和评价指标。针对基于EEG信号的疲劳驾驶检测,常用的指标包括准确率、灵敏度、特异度等。本文分析不同模型在这些指标上的表现,并比较它们的优劣。本文还简单介绍了EEG信号分类方法及其应用现状。常见的分类方法包括支持向量机、神经网络、贝叶斯分类器等,这些方法在疲劳驾驶检测中得到了广泛应用。针对目前基于EEG信号的疲劳驾驶检测面临的问题,本文提出了一些解决方法。例如,统一数据标注标准、增加被试数量等。最后,在总结全文内容的基础上讨论了基于EEG信号的疲劳驾驶技术未来的发展方向。在未来,可以进一步提升疲劳驾驶检测技术的准确性和实用性,以更好地应对快节奏社会给驾驶员安全带来的挑战。 展开更多
关键词 脑电图信号 疲劳驾驶检测 脑功能连接 传统机器学习 深度学习
在线阅读 下载PDF
基于头颈背部关键点的奶牛跛行检测 被引量：2
7
作者 张智荣 褚燕华 +3 位作者 王月明 王丽颖 申煜浩 李鑫 《农业工程学报》 EI CAS CSCD 北大核心 2024年第21期157-164,共8页
为实现奶牛跛行的自动检测,该研究鉴于跛行奶牛行走时,头部起伏较大且背部弓起的特点,提出了一种基于深度学习的奶牛头、颈、背部6个关键点的跛行检测算法。首先,在通道旁固定摄像头,采集奶牛行走的视频数据,利用YOLOv8n-seg实例分割算... 为实现奶牛跛行的自动检测,该研究鉴于跛行奶牛行走时,头部起伏较大且背部弓起的特点,提出了一种基于深度学习的奶牛头、颈、背部6个关键点的跛行检测算法。首先,在通道旁固定摄像头,采集奶牛行走的视频数据,利用YOLOv8n-seg实例分割算法将奶牛从图像中识别出来;其次,使用DeepLabCut算法提取视频帧序列中奶牛的头、颈、肩、背部中心、腰和尾部6个关键点坐标,对比分析实例分割得到的6种格式输入图像在MobileNet-V2和ResNet系列主干网络上的训练效果后,最终选择按目标检测框裁剪后的分割结果图和ResNet-152作为DeepLabCut算法的最佳输入和最优主干网络;最后,对比分析4种时间序列模型和FN-BiLSTM模型在奶牛跛行检测中的表现。试验结果表明,FNBiLSTM算法的性能最优,在包含16头奶牛16段视频的测试集上跛行识别的准确率达到了97.16%。研究表明,该算法可为养殖场奶牛跛行检测提供技术支持。 展开更多
关键词 奶牛跛行 深度学习 实例分割 关键点检测
在线阅读 下载PDF
基于行列锚点融合的车道线检测方法研究
8
作者 李燕辉 方中纯 李海荣 《现代电子技术》 北大核心 2024年第22期165-172,共8页
车道线检测是自动驾驶和高级驾驶辅助系统中的关键技术之一,对于车辆准确定位和识别道路信息非常重要。为了提高检测精度和效率,提出一种基于行列锚点融合的车道线检测方法。首先,使用主干网络ResNet18提取车道线特征锚点,将提取出来的... 车道线检测是自动驾驶和高级驾驶辅助系统中的关键技术之一,对于车辆准确定位和识别道路信息非常重要。为了提高检测精度和效率,提出一种基于行列锚点融合的车道线检测方法。首先,使用主干网络ResNet18提取车道线特征锚点,将提取出来的特征锚点进行解耦分类处理;然后对其特征锚点分别在行方向和列方向加入水平注意力机制和垂直注意力机制,进行通道维度信息和空间维度信息的特征融合,以解决全局关注计算成本高、局部关注限制交互领域的问题,与此同时,车道线检测无视觉问题也得到了极大的改善。在CULane和Tusimple数据集上进行了广泛的实验和测试,结果表明,所提方法在检测精度和效率方面表现出综合优势,取得了良好的检测效果。 展开更多
关键词 车道线检测 行列锚点融合 自动驾驶 ResNet18网络 特征提取 解耦
在线阅读 下载PDF
尼古丁成瘾脑白质成像研究
9
作者 王俊轩 薛婷 +3 位作者 喻大华 宋岱凝 忻五园 丁静静 《放射学实践》 2025年第10期1215-1222,共8页
尼古丁是导致烟草成瘾的主要物质,长期吸食尼古丁已被证实会对大脑结构和功能造成损伤,使大脑产生适应性改变,破坏大脑的奖赏和动机系统,从而对尼古丁产生依赖。脑白质作为大脑的主要部分,与认知控制、情绪调节等多种精神功能紧密相关,... 尼古丁是导致烟草成瘾的主要物质,长期吸食尼古丁已被证实会对大脑结构和功能造成损伤,使大脑产生适应性改变,破坏大脑的奖赏和动机系统,从而对尼古丁产生依赖。脑白质作为大脑的主要部分,与认知控制、情绪调节等多种精神功能紧密相关,白质结构和功能的改变可能是尼古丁成瘾行为形成和维系的神经基础,影响吸烟者的认知注意和行为控制。因此,通过采用神经影像学技术,探索尼古丁成瘾者大脑白质的结构和功能的改变,可以加深我们对尼古丁成瘾内在神经机制的认知和理解,为之后的戒烟治疗提供一定的依据。本文综述了与尼古丁成瘾相关的脑白质机制和脑白质成像研究,主要介绍了弥散磁共振成像技术(dMRI)和功能成像技术在白质研究中的应用。研究发现尼古丁成瘾者表现出了白质结构、功能以及功能连接上的改变,其改变程度往往与吸烟史以及尼古丁依赖程度等密切相关,其中利用功能磁共振成像技术探索尼古丁成瘾者白质功能方面的研究具有广阔的前景,值得进一步探索和完善。 展开更多
关键词 尼古丁依赖 脑白质 弥散磁共振成像
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部