【摘 要】
:
目前建筑工地视频监控图像模糊,部分图像有遮挡,监控智能性差,耗费大量的人力物力仍无法实现高效管理,针对此问题,提出一种基于最小二乘生成式对抗网络(LSGAN)及迁移学习的智慧工地监控图像修复和识别方法。首先,利用生成式对抗网络的判别器与生成器之间的零和博弈,引入最小二乘损失函数,修复工地监控图像;其次,引入迁移学习思想提取图像特征,将修复后的图像在预训练的GoogleNet模型上进行训练,对网络参
论文部分内容阅读
目前建筑工地视频监控图像模糊,部分图像有遮挡,监控智能性差,耗费大量的人力物力仍无法实现高效管理,针对此问题,提出一种基于最小二乘生成式对抗网络(LSGAN)及迁移学习的智慧工地监控图像修复和识别方法。首先,利用生成式对抗网络的判别器与生成器之间的零和博弈,引入最小二乘损失函数,修复工地监控图像;其次,引入迁移学习思想提取图像特征,将修复后的图像在预训练的GoogleNet模型上进行训练,对网络参数进行微调;最后,利用长短时记忆(LSTM)神经网络对目标图像进行检测与识别,判别现场是否存在安全隐患及
其他文献
【目的】研究长株潭生态绿心林地景观格局动态变化,探讨驱动因子和发展趋势,为林地景观保护和长株潭生态绿心建设提供参考。【方法】以2003、2008、2013、2018年4期矢量数据为基础,采用景观转移矩阵、相关性分析、景观格局指数进行分析。【结果】1)林地占区域总面积的42.70%,与耕地交错形成生态绿心的基底。林地景观以慢生阔叶树组、一般公益林、人工林、风景林为主。2)林地景观总体呈现快速下降的趋
针对传统葡萄霜霉病人工诊断分级方法低效且存在滞后性的问题,提出了一种改进残差网络的田间葡萄霜霉病识别及病害程度分级模型。在田间采集霜霉病前期、中期、后期以及健康叶片图像,并模拟天气、拍摄角度及设备噪声等影响因素进行数据增容;基于不同发病程度叶片间特征相似度高,区分难度大的特点,在优选ResNet-50模型的基础上,为解决捷径分支信息损失严重和主分支特征提取能力不足的问题,在多个残差块组成的残差体的
提出一种基于全覆盖的无人机最优数量的三维空间部署方法,通过不断优化无人机基站的三维空间位置,以此最小化全覆盖用户条件下无人机基站的部署数量。首先推导出无人机基站的最大覆盖半径、最佳高度;然后利用局部互利博弈模型建模无人机基站部署,并证明该博弈是精确势博弈;最后计算所需无人机基站数量的下限值,提出一种超启发式算法,通过迭代来逼近最大覆盖要求下的纳什均衡点,实现无人机基站的最优部署位置,从而确定无人机
以云南省建水县喀斯特地区的天然次生林、人工云南松纯林、灌木及天然草本共4种植被类型为研究对象,利用拓扑原理及工业CT扫描技术,识别研究区4种植被类型条件下的土壤大孔隙网络结构,并结合VG Studio MAX软件,定量分析大孔隙的弯曲度、扭曲度、趋向性等特征。结果表明:4种植被类型的土壤持水量依次为天然草地>灌木>天然次生林>人工云南松纯林,土壤毛管孔隙度依次为灌木>草地>人工云南松纯林>天然次生
为满足太阳能无人机对长航时飞行和高载重能力的需求,本文研究能源系统的储能均衡控制问题.通过将太阳能无人机中每个由光伏—储能—输出单元组成的发电节点作为一个智能体,设计基于多智能体的分布式控制器并给出满足系统约束的控制算法,实现储能单元荷电状态的一致性.本文分别针对连续系统模型和离散系统模型给出分布式控制协议,并通过理论分析说明连续和离散的控制协议均可实现控制目标.通过搭建半实物平台进行了实测验证,
动态场景的非均匀盲去模糊一直是图像复原领域中的一个难题,针对目前的模糊图像复原算法并不能很好地解决模糊源多样性的问题,提出了一种基于多尺度网络的运动模糊图像复原算法。所提算法使用修剪过的残差块作为基本单元,在每一级尺度上都采用相同的非对称编解码网络。为了更好地提取输入图像特征,在编码端使用引入注意力机制的残差模块,还加入了空间金字塔池化层。编码端和解码端中间的循环单元可以获取图像的空间信息,从而利
针对基于卷积神经网络(CNN)的单图像去雾模型,在移动/嵌入式端部署难、不易用做实时视频去雾的问题,提出一种基于Zynq片上系统(SoC)的去雾模型硬件重构加速方法。首先,提出量化-反量化算法,对两个代表去雾模型进行后训练量化(PTQ);其次,基于视频流存储器架构和软硬件协同、流水线等技术以及高级综合(HLS)工具,对量化后的去雾模型硬件重构并生成具有高性能扩展总线接口(AXI4)的硬件IP核。实
With HPC(high performance computing) evolving into the exascale era, improvements in computing performance and power efficiency have become increasingly more important. Based on our previous work on e
非侵入负荷监测(NILM)技术为需求侧管理提供了技术支撑,在负荷监测过程中非侵入负荷辨识是关键环节。在负荷数据采样过程中无法实现长期的实时高频采集,得到的负荷数据还存在缺乏时序性的问题;同时,卷积神经网络(CNN)存在对低级信号特征表现不足的缺陷。针对以上两个问题,提出了一种基于上采样金字塔结构的卷积神经网络非侵入负荷辨识算法。所提算法直接面向采集到的负荷电流信号,利用上采样网络扩展数据在时间维度
仪表读数的检测与识别被广泛应用在工业中,然而工程领域中复杂的背景环境为获取仪表信息带来了困难。为了解决光照不均、背景复杂、图像模糊、仪表倾斜、遮挡等多种干扰问题,本文设计了一种基于深度学习的数字仪表读数算法,首先使用图像增广方法丰富数字仪表检测数据集,并利用数据合成的方法构建了数字仪表文本识别数据集,然后通过DB分割算法进行文符区域检测简化后处理过程。同时提出了一种适用于数字仪表图像的预处理方法,