查看论文列表

{
  "code" : 20000,
  "message" : "查询成功",
  "data" : {
    "articleList" : [ {
      "articleId" : 421,
      "classify" : "技术",
      "title" : "基于D2-YOLO去模糊识别网络的果园障碍物检测",
      "author" : "蔡舒平;潘文浩;刘慧;曾潇;孙仲鸣;",
      "pubTime" : "2023-02-25",
      "keyword" : "果园机器人;障碍物检测;模糊图像;D2-YOLO;融合网络",
      "summary" : "针对果园目标检测时相机抖动以及物体相对运动导致检测图像模糊的问题，本文提出一种将DeblurGAN-v2去模糊网络和YOLOv5s目标检测网络相融合的D2-YOLO一阶段去模糊识别深度网络，用于检测识别果园模糊场景图像中的障碍物。为了减少融合网络的参数量并提升检测速度，首先将YOLOv5s骨干网络中的标准卷积替换成深度可分离卷积，并且在输出预测端使用CIoU＿Loss进行边界框回归预测。融合网络使用改进的CSPDarknet作为骨干网络进行特征提取，将模糊图像恢复原始自然信息后，结合多尺度特征进行模型预测。为了验证本文方法的有效性，选取果园中7种常见的障碍物作为目标检测对象，在Pytorch深度学习框架上进行模型训练和测试。试验结果表明，本文提出的D2-YOLO去模糊识别网络准确率和召回率分别为91.33%和89.12%,与分步式DeblurGAN-v2+YOLOv5s相比提升1.36、2.7个百分点，与YOLOv5s相比分别提升9.54、9.99个百分点，能够满足果园机器人障碍物去模糊识别的准确性和实时性要求。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=NYJX202302029&DbName=CJFQTEMP",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 424,
      "classify" : "技术",
      "title" : "基于空间注意力和可变形卷积的无人机田间障碍物检测",
      "author" : "杜小强;李卓林;马锃宏;杨振华;王大帅;",
      "pubTime" : "2023-02-25",
      "keyword" : "田间障碍物;Mask R-CNN;空间注意力;可变形卷积",
      "summary" : "为了解决植保无人机作业时，传统田间障碍物识别方法依赖人工提取特征，计算耗时较长，难以实现在非结构化田间环境下实时作业识别的问题，提出一种优化的Mask R-CNN模型的非结构化农田障碍物实例分割方法。以ResNet-50残差网络为基础，将空间注意力(Spatial attention, SA)引入残差结构，聚焦跟踪目标的显著性表观特征并主动抑制噪声等无用特征的影响；引入可变形卷积(Deformable convolution, DCN),通过加入偏移量，增大感受野，提高模型的鲁棒性。构建包含农田典型障碍物的数据集，通过对比试验研究在ResNet残差网络结构中的不同阶段中加入空间注意力和可变形卷积时的模型性能差异。结果表明，与Mask R-CNN原型网络相比，在ResNet的阶段2、阶段3、阶段5加入空间注意力和可变形卷积后，改进Mask R-CNN的边界框(Bbox)和掩膜(Mask)的平均精度均值(mAP)分别从64.5%、56.9%提高到71.3%、62.3%。本文提出的改进Mask R-CNN可以很好地实现农田障碍物检测，可为植保无人机在非结构化农田环境下安全高效工作提供技术支撑。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=NYJX202302028&DbName=CJFQTEMP",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 425,
      "classify" : "技术",
      "title" : "基于深度学习的道路车辆目标检测系统设计",
      "author" : "梅玲玲;",
      "pubTime" : "2023-02-25",
      "keyword" : "深度学习;道路车辆;目标检测;检测系统;YOLOv4检测模型",
      "summary" : "针对现有道路车辆目标检测系统由于计算量过大，且在复杂背景下容易出现误检的问题，设计了一种基于深度学习的道路车辆目标检测系统；系统硬件主要由信号输入模块、控制模块、中央处理模块和输出通道模块四部分组成；引入XCV50E芯片构建控制模块，通过高速随机存取存储器(RAM)快速分配信号；利用TMS320C6202芯片设置中央处理模块，将PCI9054作为信号输出模块的核心设备；软件设计中，完成用户登录、数据采集及处理、模型训练等设计；引入深度学习策略，先采用直方图均衡法处理环境光线干扰的问题，然后建立改进YOLOv4模型，处理噪声等干扰信息，最后基于注意力机制完成图像特征提取优化，进而更精准地完成道路车辆目标检测；实验结果表明，所提系统具有很好的鲁棒性，能够很好地减少计算量，提高检测准确率。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=JZCK202302013&DbName=CJFQTEMP",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 428,
      "classify" : "技术",
      "title" : "基于改进YOLOv5的露天矿山目标检测方法",
      "author" : "秦晓辉;黄启东;常灯祥;刘建;胡满江;徐彪;谢国涛;",
      "pubTime" : "2023-02-25",
      "keyword" : "露天矿山;自动驾驶;目标检测;深度学习",
      "summary" : "目前实地部署的商用采矿无人系统大都采用激光雷达和毫米波雷达作为感知传感器，难以准确识别障碍物的类型，尤其是较远处障碍物，不利于正确决策，从而影响无人作业的安全和整体效率.针对这些问题，本文采集了不同场景的矿山数据，并提出了一种基于YOLOv5S的图像目标检测算法.该算法主要进行了三方面改进：首先，使用不同的填充策略和空间注意模块优化采样方法，提高了模型的采样能力；其次，解耦Head预测分支，让每个分支专注自己的任务；最后，优化损失函数，耦合定位和分类，实现定位和分类任务的联合优化.试验表明，三种方法在保持实时性的前提下，可将YOLOv5S的平均精度（Average Precesion, AP）从49.9%提高至58.9%，实现白天、夜间场景下不同尺度的障碍物识别.",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=HNDX202302003&DbName=CJFQTEMP",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 436,
      "classify" : "技术",
      "title" : "基于计算机视觉的点刺标注与检测",
      "author" : "罗思言;吴豆豆;刘茜玮;王心舟;饶向荣;",
      "pubTime" : "2023-02-25",
      "keyword" : "机器视觉;深度学习;中医舌诊;点刺检测",
      "summary" : "目的：智能化地识别点刺在舌体不同区域的分布情况。方法：首先利用LoG算子对舌体图像进行卷积运算，对舌体上的斑点进行初步检测；随后利用人工交互的方式微调点刺标注，并训练卷积神经网络模型Fast-RCNN。结果：将同一舌象仪采集的240张图像作为训练集，60张图像作为测试集，达到了90.78%的召回率，优于已有的方法。结论：本文提出的数据预标注与人工微调方法将细粒度的点刺标注变为了可能。在精确到点刺个体的数据集基础之上，本文引入卷积神经网络进行亚像素级的点刺分布检测，其结果可为中医临床诊断提供客观化、定量化、自动化的参考依据。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=YXWZ202302019&DbName=CJFQTEMP",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 439,
      "classify" : "技术",
      "title" : "融合注意力机制的自编码器视频人体异常行为检测模型",
      "author" : "张红民;房晓冰;庄旭;",
      "pubTime" : "2023-02-25",
      "keyword" : "自编码器;弱监督;异常行为检测;注意力;记忆网络",
      "summary" : "在固定监控场景下的人体异常行为检测任务中,行为正常与否判定很大程度上与其发生时的背景息息相关,因此,需要检测模型从全局考虑而非只是行为本身;基于卷积神经网络的自编码器检测模型通常缺乏部分与整体之间的交互,且存在泛化能力过强的不足。针对此两方面问题,提出一种全局自注意力与卷积特征共享的自编码器异常行为检测模型SW-MemAE,该模型以全局注意力捕捉图像整体特征交互信息,在瓶颈处插入记忆模块以约束自编码器对于正常行为的过度泛化,通过视频前四帧和预测帧间的重构误差来判断是否存在异常行为。使用USCD-Ped2、CUHK Avenue两个基准数据集对该模型性能开展实验,结果表明,相比于其他基于预测或重构的视频异常行为检测模型,提出SW-MemAE模型在AUC指标上分别达到95.69%、84.1%,检测性能表现良好。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=JGZZ202302013&DbName=CJFQTEMP",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 444,
      "classify" : "技术",
      "title" : "基于视觉检测的红外与可见光图像区域匹配研究",
      "author" : "罗文彬;刘敏;李琳;王成德;",
      "pubTime" : "2023-02-25",
      "keyword" : "视觉检测;红外图像;可见光图像;区域匹配;视觉显著图;直方图",
      "summary" : "为了增强归一化区域形状特征提取的稳定性,提升图像匹配效果。研究基于视觉检测的红外与可见光图像区域匹配方法。利用视觉显著性检测方法,获取红外与可见光图像的视觉显著图;通过直方图均衡化与优化配比灰度级动态范围方法,增强视觉显著图;采用仿射归一化方法,提取增强视觉显著图的归一化区域形状特征,匹配区域形状特征,完成红外与可见光图像区域匹配。实验证明:该方法可有效提升图像亮度和匹配红外与可见光图像,获取清晰度更佳的图像;在图像模糊与亮度等变化情况下,该方法边缘保持度与香农熵等分析指标值均与最高值较为接近,即图像匹配效果较优;在不同视角变化角度时,该方法归一化区域形状特征提取的稳定性较佳。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=JGZZ202302033&DbName=CJFQTEMP",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 516,
      "classify" : "技术",
      "title" : "基于特征融合与注意力机制的无人机图像小目标检测算法",
      "author" : "李利霞;王鑫;王军;张又元;",
      "pubTime" : "2023-02-24",
      "keyword" : "特征融合;注意力机制;无人机航拍图像;小目标检测;YOLOv5",
      "summary" : "由于无人机航拍图像目标物体尺寸太小、包含的特征信息少，导致现有的检测算法对小目标的检测效果不理想。针对该问题，在YOLOv5主干网络中融入多头注意力机制，可以有效整合全局特征信息。随着网络深度的不断加深，模型将更关注高层的语义信息，进而忽略对小目标检测至关重要的底层细节纹理特征，导致小目标的检测效果较差。因此，提出浅层特征增强模块来学习底层特征信息，达到增强小目标特征信息的目的。此外，为了加强特征融合的能力，设计了一种多级特征融合模块，将不同层级的特征信息进行聚合，使网络能够动态调节各输出检测层的权重。实验结果表明，所提算法在公开数据集VisDrone2021平均均值精度达到45.7%，相比原YOLOv5算法提升了3.1%，对高分辨率图像的检测速度FPS达到41帧/秒，满足实时性，与其他主流算法相比该算法检测精度有明显提升。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=GCTX20230222001&DbName=CAPJ2023",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 522,
      "classify" : "技术",
      "title" : "基于YOLOv5的物流托盘实时检测方法研究",
      "author" : "肖施睿;刁云峰;程文明;涂昊;谢孟添;",
      "pubTime" : "2023-02-24",
      "keyword" : "托盘识别;目标检测;YOLOv5s;深度学习",
      "summary" : "传统物流作业主要依靠人工操作叉车对托盘进行搬运,自动化程度低。工厂实际环境复杂多样,导致现有的托盘检测算法的模型复杂,耗时较长,无法同时达到准确性和实时性要求,难以实际运用。针对浙江某机械(搬运)设备有限公司下属的电动车工业园实际工厂环境下,XP3托盘自动搬运机器人工作效率问题,提出了一种高效准确的托盘检测算法,该算法利用改进的YOLOv5s网络检测托盘,在托盘定位部分准确率达到了99.8%,定位仅耗时10ms,同时算法的总体正确率达到了98.9%,总体耗时仅54ms,实现了对托盘高效精确的检测。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=JXGY202302004&DbName=CJFQTEMP",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 523,
      "classify" : "技术",
      "title" : "基于改进YOLOv4的乳腺肿块检测",
      "author" : "王杉;胡艺莹;詹泽乾;丰亮;郭林英;",
      "pubTime" : "2023-02-24",
      "keyword" : "乳房x线摄影术;YOLOv4;深度可分离卷积;递归特征金字塔;目标检测",
      "summary" : "乳腺癌的早期发现和治疗对提高患者生存率至关重要。针对乳房x线摄影图像中小肿块的特征提取难度大导致其常被漏诊的问题，提出了改进的YOLOv4乳腺肿块检测和分类方法。首先，采用递归特征金字塔作为特征融合模块，将特征金字塔网络提取的信息反馈到主干网络中进行重复利用，提高了小肿块的识别精度。其次，为了加快计算速度，节省计算成本，提出了一种改进的深度可分离卷积来代替主干网络中的标准卷积。最后，对改进模块做了消融实验并与其他传统目标检测算法进行了对比分析。实验结果表明，改进的YOLOv4乳腺肿块检测方法的mAP达到了95.48%，相较于原始YOLOv4算法提升了1.38%，每张图像的检测时间只需要31ms，缩短了12ms。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=JXGY202302002&DbName=CJFQTEMP",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 526,
      "classify" : "技术",
      "title" : "基于轻量化YOLOv4的轮毂内部缺陷检测算法",
      "author" : "范涛;王明泉;张俊生;曹鹏娟;朱榕榕;",
      "pubTime" : "2023-02-24",
      "keyword" : "目标检测;YOLOv4;MobileNetV3;轻量化网络;通道注意力机制",
      "summary" : "为解决常规深度学习方法检测轮毂内部缺陷存在模型尺寸大、参数多和精度低等问题，提出一种轻量化YOLOv4的轮毂内部缺陷检测算法。该算法采用MobileNetV3替换YOLOv4的主干特征提取网络，并利用深度可分离卷积模块对YOLOv4的PANet(path aggregation network)模块中的传统卷积进行了替换。同时，在PANet特征加强网络中加入通道注意力机制(SE)模块，提高了轮毂内部缺陷目标的识别精度。测试结果表明，所提算法检测精度为90.23%,权值文件为45.2 MB,检测速率为68.38帧/s。相较于常规模型性能有所提升，更适用于轮毂内部缺陷的快速、准确检测。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=JXYD202302001&DbName=CJFQTEMP",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 478,
      "classify" : "技术",
      "title" : "基于改进SSD的工件表面缺陷检测",
      "author" : "刘艳菊;王秋霁;张惠玉;刘彦忠;赵开峰;",
      "pubTime" : "2023-02-24",
      "keyword" : "工件表面;缺陷检测;SSD;反卷积;特征融合",
      "summary" : "工件的表面缺陷不仅影响外观而且直接影响产品的质量、寿命和性能，因此对工件进行实时表面缺陷检测很有必要。针对当前SSD算法不利于小目标检测易导致误检的情况，提出了一种基于单阶段多层检测器的改进SSD自动检测方法。采用了以ResNet替换SSD中原始的VGGNet的方法，研究了小目标检测的问题；采用了对深层特征进行反卷积且将深层特征与浅层特征融合的方法，研究了语义信息不足易误检的问题。结果表明，该方法较原SSD模型在工件的表面缺陷检测上mAP值提高了约4.6%，从而认为本方法可用于工件表面缺陷的实时自动检测。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=SJGY2023022300D&DbName=CAPJ2023",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 480,
      "classify" : "技术",
      "title" : "基于改进YOLOX的轻量型垃圾分类检测方法",
      "author" : "李洋;苟刚;",
      "pubTime" : "2023-02-24",
      "keyword" : "垃圾分类;YOLOX;轻量型网络;EIoU;CBAM;GhostBottleneck",
      "summary" : "生活垃圾分类是保护生态环境，促进绿色和谐发展的有效措施。针对计算资源和内存有限，重量级模型难以嵌入移动端设备等问题，本文提出了一种基于改进YOLOX-tiny轻量型的垃圾分类检测方法。首先，使用EIoU替换原来的IoU损失函数，能加速收敛，提升检测精度；其次，在颈部网络引入注意力机制CBAM，对不同通道的权重重新分配，获取更多浅层的细粒度特征和深层的语义信息；最后，使用GhostBottleneck模块替换加强特征提取网络中的CSP模块，保留更多边缘信息，同时降低参数量，轻量化模型。在华为云垃圾数据集上的实验结果表明，改进的算法与YOLOX-tiny相比，参数量降低至原来的87.97%，精度提升了0.3个百分点，在TrashNet数据集上的实验效果提升了0.36个百分点，从而证明了本文算法的有效性，该算法有利于嵌入移动端设备使用，具有一定的实用价值。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=GXSF20230222001&DbName=CAPJ2023",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 486,
      "classify" : "技术",
      "title" : "基于视觉加强注意力模型的植物病虫害检测",
      "author" : "杨堃;范习健;薄维昊;刘婕;王俊玲;",
      "pubTime" : "2023-02-24",
      "keyword" : "植物病虫害检测;目标检测;注意力机制;数据增强",
      "summary" : "【目的】植物病虫害准确检测是病虫害精准化防治的关键，构建准确高效的植物病虫害监测模型，为病虫害的早期诊断与预警提供重要依据。【方法】针对现有植物病虫害检测模型泛化能力弱、小目标漏检率高等问题，提出一种基于视觉加强注意力改进的植物病虫害检测模型—YOLOv5-VE(vision enhancement)。为方便检测实验样本中的小目标采用Mosaic 9数据增强方法；设计出基于视觉注意力的特征加强模块CBAM(Convolutional Block Attention Module) ；为确定不同目标重叠在一起和被遮挡的定位损失引入边界框定位损失函数DIoU。【结果】YOLOv5-VE模型在实验数据集上的识别精度和检测平均准确率达到65.87%和73.49%，对比原模型提高1.07%和8.25%，在型号为1 080 Ti的GPU上检测速度可达每秒35帧。【结论】该方法可以在背景复杂的野外场景快速有效地检测和识别种类多样的病害和虫害，可以提高检测的鲁棒性能，提升模型对病虫害目标的特征提取能力，降低复杂野外场景对检测带来的干扰，表现出良好的应用潜力，可广泛运用于大规模的植物病虫害检测。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=NJLY20230222001&DbName=CAPJ2023",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 494,
      "classify" : "技术",
      "title" : "多特征尺度融合改进Faster-RCNN视网膜微动脉瘤自动检测算法",
      "author" : "高玮玮;杨亦乐;方宇;樊博;宋楠;",
      "pubTime" : "2023-02-24",
      "keyword" : "眼底图像;微动脉瘤;Faster-RCNN;多特征尺度融合;深度学习",
      "summary" : "视网膜微动脉瘤的检测对于早期发现糖尿病视网膜病变等重要疾病至关重要，但该病灶尺寸相对较小，属于眼底图像中的微小目标，现有的微动脉瘤检测算法难以实现该病灶的精准检测，为此提出了基于多特征尺度融合的改进Faster-RCNN微动脉瘤自动检测算法。该算法在Faster-RCNN网络模型的基础上，首先采用多特征尺度融合对特征提取网络与RPN结构进行改进以提高网络对于微小目标特征的利用；然后，通过感兴趣区域齐平池化以消除感兴趣区域池化过程中引入的量化误差；最后，通过对损失函数中的smooth L1损失函数进行重新设计得到平衡L1损失函数以实现损失函数优化，从而有效降低大梯度难学样本与小梯度易学样本间的不平衡问题，进而使得模型能够得到更好地训练。针对眼底图像中微动脉瘤的自动检测，将优化后的Faster-RCNN网络模型在Kaggle数据集上进行训练及测试，并与其他方法进行对比。实验结果表明，与其他各种结构的Faster-RCNN网络模型相比，所提出的基于多特征尺度融合的改进Faster-RCNN算法能显著提高检测结果（F-score与原始Faster-RCNN相比提升了9.36%）；与其他网络模型以及方法相比，所提出的基于多特征尺度融合的改进Faster-RCNN的自动检测精度明显更优。故所提出的基于多特征尺度融合的改进Faster-RCNN算法性能较优，能准确、有效地检测出眼底图像中的微动脉瘤。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=GZXB20230222003&DbName=CAPJ2023",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 502,
      "classify" : "技术",
      "title" : "基于深度学习的异状零件抓取检测方法",
      "author" : "孙先涛;杨茵鸣;王辰;陈文杰;胡祥涛;陈伟海;",
      "pubTime" : "2023-02-24",
      "keyword" : "机器人抓取;深度神经网络;位姿检测;关键点检测;热力图",
      "summary" : "目前，因加工零件存在残缺而导致视觉系统无法准确定位的问题严重影响中小型企业生产自动化的推广。针对此问题，本文提出一种异状零件抓取检测方法，该方法先基于深度学习设计一个关键点检测模型KPDM(Keypoints detection model)以检测不同异状零件的抓取关键点，再根据关键点位置信息和手眼标定参数设计一个位姿求解模块以解算出零件的抓取位姿。其中，KPDM结合了图像分割模型Deeplab V3+的架构和热力图监督方式，可以通过输入的零件图像获取抓取关键点热力图。实验结果表明，该抓取方法可以在不同光照环境下准确预测完整零件和残缺零件的抓取位姿，其中两种零件的检测成功率分别约为97.2%，92.7%。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=JSJJ2023022200A&DbName=CAPJ2023",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 506,
      "classify" : "技术",
      "title" : "监控视频异常行为检测的概率记忆自编码网络",
      "author" : "肖进胜;郭浩文;谢红刚;赵陶;申梦瑶;王元方;",
      "pubTime" : "2023-02-24",
      "keyword" : "异常行为检测;自编码网络;概率模型;记忆向量",
      "summary" : "异常行为检测是智能监控系统中重要的功能之一,在保障社会治安等方面发挥着积极的作用.为提高监控视频中异常行为的检测率,从学习正常行为分布的角度出发,设计了基于概率记忆模型的半监督异常行为检测网络,解决正常行为数据与异常行为数据极度不均衡的问题.该网络以自编码网络为主干网络,利用预测的未来帧与真实帧之间的差距来衡量异常程度.在主干网络提取时空特征时,使用因果三维卷积和时间维度共享全连接层来避免未来信息的泄露,保证信息的时序性.在辅助模块方面,从概率熵和正常行为数据模式多样性的角度,设计了概率模型和记忆模块提高主干网络视频帧重建质量.概率模型利用自回归过程拟合输入数据分布,促使模型收敛于正常分布的低熵状态;记忆模块存储历史数据中的正常行为的原型特征,实现多模式数据的共存,同时避免主干网络的过度参与而造成对异常帧的重建.最后,利用公开数据集进行了消融实验和与经典算法的对比实验,以验证所提算法的有效性.",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=RJXB2023022200B&DbName=CAPJ2023",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 659,
      "classify" : "技术",
      "title" : "基于Petri网展开的多线程程序数据竞争检测与重演",
      "author" : "鲁法明;黄莹;曾庆田;包云霞;唐梦凡;",
      "pubTime" : "2023-02-23",
      "keyword" : "数据竞争;Petri网;网展开;动态程序分析",
      "summary" : "数据竞争是多线程程序的常见漏洞之一,传统的数据竞争分析方法在查全率和准确率方面难以两全,而且所生成检测报告难以定位漏洞的根源.鉴于Petri网在并发系统建模和分析方面具有行为描述精确、分析工具丰富的优点,提出一种基于Petri网展开的新型数据竞争检测方法.首先,对程序的某一运行轨迹进行分析和挖掘,构建程序的一个Petri网模型,它由单一轨迹挖掘得到,却可隐含程序的多个不同运行轨迹,由此可在保证效率的同时降低传统动态分析方法的漏报率;其次,提出基于Petri网展开的潜在数据竞争检测方法,相比静态分析方法在有效性上有较大提升,而且能明确给出数据竞争的产生路径;最后,对上一阶段检测到的潜在数据竞争,给出基于CalFuzzer平台的潜在死锁重演调度方法,可剔除误报,保证数据竞争检测结果的真实性.开发相应的原型系统,结合公开的程序实例验证了所提方法的有效性.",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=RJXB20230222005&DbName=CAPJ2023",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 691,
      "classify" : "技术",
      "title" : "基于改进YOLOv3的道路目标检测",
      "author" : "朱仕宁;胡晓斌;彭太乐;",
      "pubTime" : "2023-02-23",
      "keyword" : "道路目标检测;YOLOv3;K-Means++",
      "summary" : "针对YOLOv3在道路目标检测中漏检率高和检测精度低的问题，提出一种基于改进YOLOv3的道路目标检测方法 。通过将原有YOLOv3的3个特征尺度增至4个，从而提升了对于小目标的检测准确率。使用CIoU损失函数提高模型的准确性，利用K-Means++聚类算法对道路目标重新聚类，得到新的候选框。在BDD100K数据集上的验证结果 表明，改进的YOLOv3算法在降低漏检率和提高检测精度方面效果较好。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=WHZG202301011&DbName=CJFQTEMP",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 697,
      "classify" : "技术",
      "title" : "采用无人机航拍图像的电力绝缘子缺损检测",
      "author" : "王子睿;曾杰;田英涛;苏志从;",
      "pubTime" : "2023-02-23",
      "keyword" : "深度学习;巡线无人机;绝缘子故障检测;高压输电线路",
      "summary" : "高压输电线路距离远、规模大，工作环境恶劣，采用人力巡检耗时长、劳动强度大，不能满足日益增长的巡检需求。结合视觉检测与智能算法，使用无人机航拍图像实现目标检测和故障辨识，能准确快速定位故障点，大幅提高巡检质量，提高故障检测的效率，已经成为当前研究的热点。本文在深入调查大量国内外文献的基础上，使用Faster-RCNN算法，使用848张无人机捕获的绝缘子图像构建数据集，训练出了用于检测绝缘子以及绝缘子缺损的模型，引入平均精度MAP等指标对模型进行评价，在绝缘子以及绝缘子缺损两类识别中，MAP分别达到了97.73%和90.52%。结果表明，该算法在识别绝缘子缺损故障具有良好的效果。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=FJDN202302002&DbName=CJFQTEMP",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 711,
      "classify" : "技术",
      "title" : "金属棒材表面缺陷的机器视觉检测方法研究",
      "author" : "马晓雄;熊晓燕;兰媛;乔葳;",
      "pubTime" : "2023-02-22",
      "keyword" : "金属棒材;缺陷检测;机器视觉;非下采样剪切波变换",
      "summary" : "针对传统金属棒材表面缺陷人工检测方法速度慢、效率低，工作环境差，且工人长时间工作导致的视觉疲劳会造成漏检，错检的问题，提出一种计算量小且稳定性高的检测算法。首先，采用同态滤波与CLAHE对使用检测系统采集的原始图像进行预处理；然后，利用保持平移不变性的非下采样剪切波变换（NSST）对预处理后的图像进行分解，对分解得到的高频成分采用各向异性扩散与改进的自适应gamma校正进行滤波与图像增强；同时，将低频成分与二维高斯函数作卷积运算，从而达到均匀背景的目的；最后通过NSST重构可得到质量较高的原始图像，结合形态学运算及Sobel算法实现划痕缺陷数量、尺寸及位置的检测。实验表明，算法的缺陷检测准确率为93.8％，平均检测时间为0.673s，可满足工业要求。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=JSYZ20230221012&DbName=CAPJ2023",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 713,
      "classify" : "技术",
      "title" : "多尺度局部聚类的Kmeans-DETR目标检测方法",
      "author" : "崔鹏;杨海峰;蔡江辉;王玉鹏;",
      "pubTime" : "2023-02-22",
      "keyword" : "目标检测;Kmeans;DETR;多尺度;Transformer",
      "summary" : "在利用DETR进行目标检测时，复杂的矩阵运算不仅对稀疏冗余特征产生了大量无效计算，还阻碍了对图像更多尺度信息的使用。针对上述问题，本文提出了多尺度局部聚类的Kmeans-DETR目标检测方法。首先构造了局部Kmeans聚类方法，通过在特征图的局部区域内聚类得到对应簇，并选取特征代表该簇以降低稀疏冗余特征的数量，进而减少矩阵计算量与模型复杂度；其次通过三种尺度的局部聚类，引入多尺度信息的同时通过不同尺度聚类区域重叠的方式解决局部信息不互通的问题；最后改进了位置编码方式用以记录局部聚类后特征的位置信息，并嵌入到簇的代表特征中，利用Transformer结构完成检测任务。本文提出的模型在COCO数据集上与主流的目标检测模型进行了对比，在多个指标上均有较好的表现。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=XXWX20230221009&DbName=CAPJ2023",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 721,
      "classify" : "技术",
      "title" : "基于深度学习的电力设备铭牌文本检测方法",
      "author" : "王道累;康博;朱瑞;",
      "pubTime" : "2023-02-22",
      "keyword" : "文本检测;DBNet;注意力模块;数据增强;电力设备铭牌",
      "summary" : "电力设备铭牌的快速检测可以帮助变电站、电厂了解设备信息，进行定期检修与维护，以保证设备的正常运行。针对目前的文本检测网络无法做到提高精确率的同时兼顾检测效率的问题，提出了在DBNet网络模型中引入注意力模块（CBAM），并改进检测头，在主干网络中引入多尺度特征金字塔FPN结构，并在原始的FPN上进行改进。针对目前电力设备铭牌并无公开数据集且较难采集数据的情况，提出了将数张铭牌图片裁剪成矩形，再以一定比例进行拼接成新的图像的数据增强方法，以此对数据集进行了有效的扩充。实验结果表明，数据增强方法和改进后的DBNet网络结构在检测性能上均有提升，优于目前大多数文本检测网络结构。改进后的DBNet网络结构检测精确率达到了90.3%，召回率达到了79.7%，F值达到了84.7%，相较于原始模型，F值提升了3.3个百分点。在检测速度变化损失很小的同时，极大地提高了检测性能。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=GCTX20230220001&DbName=CAPJ2023",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 729,
      "classify" : "技术",
      "title" : "基于YOLOv5-EA-FPNs的芯片缺陷检测方法研究",
      "author" : "杭芹;程成;袁彪;赵洪坪;吕雪;张恒;",
      "pubTime" : "2023-02-22",
      "keyword" : "芯片缺陷检测;深度学习;特征金字塔;多尺度融合;小目标检测;YOLOv5",
      "summary" : "针对芯片缺陷检测中，缺陷尺寸跨度大、特征相似、小目标难识别、漏检等问题，本文提出基于YOLOv5改进的缺陷检测方法。针对小目标缺陷检测中出现的漏检、误检等问题，提出新增小目标特征检测器(small target feature detector， S-Detector)，提升模型对小目标缺陷的学习能力；针对缺陷尺寸跨度大、特征相似等问题，提出具有高效聚焦学习能力的特征金字塔结构(efficient attention feature pyramid networks， EA-FPNs)，提升模型对不同尺寸缺陷的检测能力；针对预测阶段冗余框较多导致时间开销大的问题，提出基于面积的边界框融合算法(bounding box fusion algorithm， BFA)，减少冗余框。实验结果表明，本文方法相较于改进前，检测精确度提升1.2%，小目标缺陷精确度提升1.6%；采用BFA消除冗余框的同时，平均检测时长为26.8μs/张，较使用BFA前减少了5.2μs。本文所提方法具有良好性能，能够提升检测效率。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=DZIY2023022100A&DbName=CAPJ2023",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 730,
      "classify" : "技术",
      "title" : "高分辨率的航拍输电线路绝缘子检测",
      "author" : "柳方圆;任东;王露;杨军;郑朋;",
      "pubTime" : "2023-02-22",
      "keyword" : "无人机巡检;目标检测;高分辨率图像;可变形卷积;锚框",
      "summary" : "绝缘子是输电线路上的重要部件之一，利用无人机巡检准确的检测出绝缘子及其缺陷是保障电力安全输送的重要手段。针对目前主流目标检测网络处理高分辨率图像时直接缩放原图带来目标的细节信息丢失或者将原图切块再检测导致目标丢失整体信息的问题，在残差网络（ResNet 50）的基础上设计了一个双分支结构的主干网络（RC Net）同时兼顾绝缘子的位置信息和细节信息，能减少目标上下文信息和局部信息的丢失。同时引入可变形卷积替换部分常规卷积来改变采样点，使采样点能更贴合目标本身的几何形状，提高网络的特征表达能力，并根据绝缘子本身的大小和形状重新设计锚框的参数，使锚框更适合目标本身的尺度，边框回归更精确。在扩增的中国输电线路绝缘子数据集（CPLID）进行实验，结果表明，本文提出的算法的平均精度达到88.3%，相比于目前主流的检测算法在高分辨率图像背景下具有更好的检测效果。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=DZCL20230220004&DbName=CAPJ2023",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 734,
      "classify" : "技术",
      "title" : "基于改进YOLACT的果树叶墙区域实时检测方法",
      "author" : "肖珂;梁聪哲;夏伟光;",
      "pubTime" : "2023-02-22",
      "keyword" : "果树;叶墙密度;YOLACT模型;目标检测;实时;平均距离",
      "summary" : "为了解决果园因农药过量使用导致的环境污染与农药浪费问题，提出了一种基于改进YOLACT的果树叶墙区域（Leaf wall area，LWA）实时检测方法，用于计算深度-彩色双目相机采集视频中的叶墙区域距离及密度，为果园农药智慧喷施作业中农药喷洒剂量与喷洒距离的实时调整提供依据。首先，使用ConvNeXt主干网络改进了YOLACT模型，并引入NAM通道注意力机制对模型进行了优化；其次，提出了基于深度学习的果树叶墙密度检测方法；最后，通过阈值法排除深度图像中的干扰信息，简化了果树叶墙平均距离计算方法的处理流程。实验结果表明，改进YOLACT模型分割的AP_(all)指标为91.6%，相较于原始模型上升了3.0个百分点，与YOLACT++、Mask R-CNN和QueryInst模型相比分别高出2.9、1.2、4.1个百分点；叶墙密度估计算法的均方根误差（Root mean square error，RMSE）分别为1.49、0.82、2.20；叶墙区域实时检测方法的处理速度可达29.96FPS。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=NYJX2023022000W&DbName=CAPJ2023",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 735,
      "classify" : "技术",
      "title" : "基于改进YOLOv5的输电线路鸟巢缺陷检测方法",
      "author" : "赵霖;王素珍;邵明伟;许浩;",
      "pubTime" : "2023-02-22",
      "keyword" : "鸟巢缺陷检测;YOLOv5算法;CBAM;自适应特征融合;Mish",
      "summary" : "鸟巢侵占是输电线路经常发生的一个故障情况。鸟类在铁塔上筑巢将会影响铁塔的绝缘性能，造成跳闸事故的发生。传统的输电线路鸟巢识别方法效率低且安全性不足。为此，本文提出了一种改进YOLOv5模型的输电线路鸟巢检测算法。通过在主干网络中加入CBAM注意力模块，以较小的计算代价提升主干网络的特征提取能力。在颈部网络中引入自适应特征融合模块替换原始结构，加强多尺度特征融合效果。使用更加稳定和平滑的Mish激活函数作为激活函数，以提升分类精度和泛化能力。实验结果表明，相较于原始YOLOv5s模型，改进方法在召回率以及平均精度均值方面分别提升4.4%和2.3%。对于遮挡目标以及远近距离目标均表现出良好的性能，验证了改进方法的有效性。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=DZCL20230220005&DbName=CAPJ2023",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 738,
      "classify" : "技术",
      "title" : "显著性特征融合的热红外图像光伏组件热斑检测",
      "author" : "刘宇宸;李浩;",
      "pubTime" : "2023-02-22",
      "keyword" : "显著图融合;光伏热斑;热红外图像;缺陷检测;无人机航拍;深度学习",
      "summary" : "利用无人机搭载热成像仪对光伏组件的巡检有着很大的应用价值，但热红外图像往往具有图像特征对比度较弱、边缘不清晰的特点，影响了热斑的检测精度。因此，提出通过显著图像对光伏组件的热红外图像进行增强，作为对缺陷目标检测的注意力机制，以此来提高光伏组件热斑检测的精度。并针对YOLOv5在光伏航拍红外图像上测精度不高的问题，设计了基于注意力机制的CT-YOLOv5网络模型。首先通过U2-Net生成显著图像，再采用替换图像RGB中某一通道的融合方式将显著图与热红外图像融合，并在设计的CT-YOLOv5网络模型上验证其检测性能。实验表明使用显著图与红外图像融合的方式对光伏组件热斑检测精度有明显提升。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=SLFD20230220001&DbName=CAPJ2023",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 740,
      "classify" : "技术",
      "title" : "基于改进YOLO v4的肉鸽检测模型研究",
      "author" : "郭建军;何国煌;徐龙琴;刘同来;冯大春;刘双印;",
      "pubTime" : "2023-02-22",
      "keyword" : "肉鸽行为检测;改进YOLO v4;多尺度特征;自适应空间特征融合",
      "summary" : "肉鸽行为表现与鸽舍环境舒适度和肉鸽健康状况密切相关。为实现肉鸽行为精准检测、及时把控肉鸽健康状况，提出了基于改进YOLO v4模型的肉鸽行为检测方法。由于肉鸽社交等行为特征相似性程度高，为了在复杂环境下准确识别肉鸽行为，本文采用自适应空间特征融合（Adaptively Spatial Feature Fusion，ASFF）模块改进YOLO v4模型，在特征金字塔网络中增加ASFF模块，根据特征权值自适应融合多层特征，充分利用不同尺度特征信息，并且ASFF模块能有效过滤空间冲突信息、抑制反向梯度不一致问题、改善特征比例不变性以及降低推理开销。基于多时段的肉鸽清洁和社交行为数据集，自制5类肉鸽行为图像数据库，采用OpenCV工具进行模糊、亮度、雾霾和噪音等处理扩充图像数据集（共10320幅图像），增加数据多样性和模拟不同识别场景，提升模型泛化能力。本文按照比例8:2划分训练集和验证集，训练总共迭代300 周期，对不同时段、角度、尺寸的肉鸽数据集进行检测。检测结果表明YOLO v4-ASFF在阈值0.50和0.75时检测精度比YOLO v4的mAP_(50)和mAP_(75)提升了14.73、14.97个百分点。对比Faster RCNN、SSD、YOLO v3、YOLO v5 和CenterNet模型验证模型检测性能，在测试集中mAP_(50)分别提升了13.98、14.00、18.63、14.16、10.87个百分点。视频检测速度为8.1 帧/s，在推理速度相当情况下，本文改进模型识别准确率更高，复杂环境泛化能力更强，且对相似度高的行为误检和漏检情况更少，本文研究肉鸽行为检测可为智能化肉鸽养殖和科学管理提供技术参考。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=NYJX2023022000V&DbName=CAPJ2023",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 754,
      "classify" : "技术",
      "title" : "基于曼哈顿距离检测的马铃薯畸形识别",
      "author" : "于莹;王关平;王成江;韦昱伶;",
      "pubTime" : "2023-02-22",
      "keyword" : "马铃薯;畸形;曼哈顿距离;坐标图;波峰差",
      "summary" : "使用曼哈顿距离检测法对马铃薯进行畸形识别。首先对采集的数据集进行灰度、二值化等图像预处理，获取马铃薯形状轮廓的最小外接圆，并提取所有轮廓曲线。使用Python库Skimage canny算法遍历马铃薯图像边缘，从而获得其轮廓线像素的点坐标，并与已获取最小外接圆坐标数据构成二维坐标矩阵，即可快速计算矩阵中每一列上下对应两点间的曼哈顿距离值，并绘制曼哈顿距离坐标图。通过观察曼哈顿距离曲线的走势、波峰个数以及波峰最大值与最小值间的差值（波峰差），即可判断马铃薯是否畸形。测试数据表明，马铃薯畸形识别的准确率约为96%。该方法简单、速度快、准确率高，具有潜在应用价值。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=SDLG202302008&DbName=CJFQTEMP",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 772,
      "classify" : "技术",
      "title" : "基于持续无监督域适应策略的水面漂浮物目标检测方法",
      "author" : "陈任飞;彭勇;李忠文;",
      "pubTime" : "2023-02-21",
      "keyword" : "深度学习;水面漂浮物;目标检测;无监督域适应;持续学习",
      "summary" : "针对漂浮物检测中小尺度目标和域转移问题，本文提出一种基于持续无监督域适应策略的漂浮物检测方法。该方法通过删除低分辨率特征图，增强高分辨率特征图，提升小尺度漂浮物的特征提取能力。同时，该方法整合无监督域适应、缓冲区和样本重放，降低应用场景中不断变化的域转移差异。并将改进检测网络与持续无监督域适应相结合，提升模型检测精度和泛化能力。通过在漂浮物数据集上实验验证，对比现有方法，该方法的检测精度达到82.2%，检测速度达到68.5 f/s，浮点数的算量减少到33亿，模型大小达到25.3 MB，扩展了目标检测在水面视觉中的应用。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=XTYD20230216001&DbName=CAPJ2023",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 779,
      "classify" : "技术",
      "title" : "高斯混合模型与GhostNet结合的YOLO-G遗留物检测方法",
      "author" : "林德钰;周卓彤;过斌;闵卫东;韩清;",
      "pubTime" : "2023-02-21",
      "keyword" : "遗留物检测;YOLO-G深度网络模型;光影变化影响;网络参数量优化;特征准确提取",
      "summary" : "遗留物检测作为视频监控的关键支撑技术之一， 具有广泛的应用前景. 针对现有方法存在无法较好地解决光影变化问题、深度学习遗留物检测方法中神经网络的参数量较多及准确度低等问题， 提出基于YOLO-G的遗留物检测方法. 首先结合高斯混合模型背景建模进行前景检测， 根据移动区域与静止区域的分离距离与时间得到可疑静止区域， 将判定为分离时刻的帧图像传入深层神经网络进行检测与识别; 然后在网络模型中将幽灵网络中的幽灵模块应用于CSPDarknet53主干网络; 最后引入压缩激励网络进一步提高特征提取能力. 实验结果表明， 所提方法的检测准确率比FCOS， SSD， RefineNet， YOLOv3， LRF和YOLOv4分别提高了34.22%， 23.86%， 16.64%， 13.19%， 8.16%和1.41%， 网络参数量比YOLOv4减少了22.78%.",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=JSJF20230217001&DbName=CAPJ2023",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 781,
      "classify" : "技术",
      "title" : "面向复杂交通场景的道路目标检测方法",
      "author" : "盛博莹;侯进;李嘉新;党辉;",
      "pubTime" : "2023-02-21",
      "keyword" : "YOLOv5s;递归金字塔;注意力机制;GhostNet",
      "summary" : "针对复杂交通场景下小目标检测精度低，容易出现误检和漏检的问题，提出一种基于改进YOLOv5s的道路目标检测算法YOLOv5s-MRS。首先提出基于反馈机制的特征提取网络（RFP-PAN），增加浅层特征层与反馈连接并设计IASPP模块，充分融合不同尺度的特征信息，提升网络的特征融合能力；其次，提出级联注意力机制（SECA），在通道和空间维度上聚焦重要特征，让算法关注更加有用的信息；最后，利用Ghost模块的轻量化优势，降低算法的参数量、计算量和模型占用空间。实验结果表明，YOLOv5s-MRS算法在KITTI数据集和VisDrone2021 DET数据集上的检测精度分别达到了93.4%和40.8%，相比原始算法分别提高了1.6%和8.6%，模型大小为12.9M，在保证实时性的同时具有良好的检测精度，在一定程度上解决了小目标的漏检和误检问题。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=JSGG20230217007&DbName=CAPJ2023",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 785,
      "classify" : "技术",
      "title" : "跨域人脸活体检测的单边对抗网络算法",
      "author" : "曾凡智;吴楚涛;周燕;",
      "pubTime" : "2023-02-21",
      "keyword" : "域泛化;生成对抗网络;人脸活体检测;自适应归一化;注意力机制",
      "summary" : "现有跨域人脸活体检测算法，其特征提取过程容易发生过拟合和缺乏特征聚合所导致的泛化性不足问题。针对该问题，本文提出了跨域人脸活体检测的单边对抗网络算法，首先，将分组卷积与改进的倒残差结构融合替换普通卷积，降低网络参数同时加强人脸细粒度特征的表达能力，并引入自适应特征归一化模块，强调图像中人脸活体信息区域淡化无关背景区域，有效避免人脸活体信息的过拟合并加强来自不同源域的人脸活体检测能力。其次，基于NetVLAD引入通道注意力机制模块，通道注意力机制模块作为特征聚合网络的分支，学习不同源域中人脸局部特征的语义信息，有效增强对不同源域的人脸活体信息分类的泛化能力。最后，设计两模块融合网络以提高未知场景下跨域人脸活体检测精度。在OULU-NPU、CASIA-FASD、MSU-MFSD和Idiap Replay-Attack数据集上的实验结果表明，本文算法在跨数据集测试O&C&M to I、O&C&I to M、I&C&M to O、O&M&I to C均有不错的表现，其中，在O&C&I to M及O&M&I to C性能评估指标分别提升了0.99%和0.5%的精度。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=JSGG20230217001&DbName=CAPJ2023",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 757,
      "classify" : "技术",
      "title" : "基于动态剪枝神经网络的杂草检测算法研究",
      "author" : "亢洁;刘港;王勍;夏宇;郭国法;刘文波;",
      "pubTime" : "2023-02-21",
      "keyword" : "杂草检测;模型压缩;注意力机制;动态稀疏约束",
      "summary" : "针对卷积神经网络模型巨大的参数量和计算量而导致其实际应用时难度较大的问题，提出了一种基于注意力机制与动态稀疏约束的模型压缩方法。该算法首先借助SENet（Squeeze and excitation networks，SENet）模块（可称为SE模块）评估出网络中各个通道的重要性，并施加稀疏正则化；然后提出一种网络稀疏度的自适应惩罚权重，根据模型学习效果，动态调整权重，将其添加到最终的训练目标上，实现模型动态压缩。最后，通过实验来验证所提出的模型压缩方法，在经典的多分类数据集CIFAR-10上进行实验，证明了本文所提出的基于注意力机制与动态稀疏约束的模型压缩方法可降低网络的冗余度，使网络模型参数量减少43.97%，计算量减少82.94%，而分类准确率只比原始VGG16模型下降0.04%。随后又将提出的模型压缩方法应用到杂草检测任务中，在甜菜与杂草数据集上进行实验，实验结果表明，剪枝模型相较于未剪枝模型的模型参数量减少41.26%，计算量减少45.77%，而平均检测精度均值只减少了0.91%，证明了该方法在杂草检测方面效果较好。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=NYJX20230220008&DbName=CAPJ2023",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 764,
      "classify" : "技术",
      "title" : "基于改进YOLOF模型的田间农作物害虫检测",
      "author" : "彭红星;徐慧明;高宗梅;田兴国;邓倩婷;咸春龙;",
      "pubTime" : "2023-02-21",
      "keyword" : "害虫检测;诱虫灯;YOLOF;自适应坐标注意力;多尺度特征",
      "summary" : "田间害虫图像数据采集困难，并且传统的检测模型大多使用复杂的特征金字塔（Feature pyramid network，FPN）结构提升精度，这在一定程度上影响了检测的实时性。为此，本研究通过设计诱虫灯装置构建害虫数据集FieldPest5，并且对无FPN结构的检测器YOLOF进行改进，提出兼顾检测精度和效率的害虫检测模型YOLOF＿PD。首先，增加Cutout数据增强方法缓解害虫图像中的遮挡问题，并且使用CIoU损失函数获得更好的框回归位置；其次，在原有坐标注意力机制（Coordinate attention，CA）的全局平均池化（Global average pooling，GAP）路径中增加全局最大池化（Global max pooling，GMP）路径，并且使用可学习参数自适应更新不同路径的权重，提出自适应坐标注意力机制（Adaptive coordinate attention，ACA），增强模型的信息表征能力；最后，对YOLOF膨胀编码器中的Projector和Residual模块进行改进，在Projector模块的3×3卷积后引入ACA注意力机制，在Residual模块中融合3×3的深度可分离卷积和1×1的逐点卷积，提出Dilated＿Dwise＿ACA编码器，提高YOLOF对小尺度害虫的检测性能。实验结果表明：改进后的YOLOF＿PD模型在FieldPest5测试集上的均值平均精度（Mean average precision，mAP）为 93.7%，较改进前提升了2.1个百分点，并且检测时的每秒传输帧数为42.4帧，能够满足害虫快速检测的要求。对比Cascade R-CNN、RetinaNet、ATSS等模型，YOLOF＿PD模型在检测效果和检测速度方面均取得了良好表现。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=NYJX20230220003&DbName=CAPJ2023",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 813,
      "classify" : "技术",
      "title" : "改进Deeplabv3+网络的钢板表面缺陷检测研究",
      "author" : "范瑶瑶;王兴芬;刘亚辉;",
      "pubTime" : "2023-02-20",
      "keyword" : "表面缺陷检测;Deeplabv3+网络;坐标注意力机制;图像语义分割;图像增强",
      "summary" : "针对钢板表面缺陷检测中存在的边缘分割粗糙、漏检和误检率高等问题，提出了一种引入注意力机制的多尺度特征融合的Deeplabv3+检测方法。首先，在Deeplabv3+网络的解码区中，充分利用多尺度特征信息，对跃层特征融合进行优化，保留浅层特征并对深层特征进行了细化的上采样操作，获得更精细的缺陷边缘；其次，在编码区主干网络ResNet101中引入坐标注意力机制，增强特征提取能力，提高分割准确率。此外，还设计了加权Dice损失和交叉熵损失(BCEloss)结合的优化损失函数来缓解样本不均衡的问题，提高分割精度。改进Deeplabv3+网络的Dice系数和mIoU值分别提高了4.4%和9.32%，刮痕缺陷边缘分割更准确，对凹坑、边缘裂纹与氧化铁皮缺陷的分割效果提升明显，实验结果验证了该方法处理钢板表面缺陷问题的有效性。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=JSGG20230217002&DbName=CAPJ2023",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 824,
      "classify" : "技术",
      "title" : "驾驶员安全带检测方法研究综述",
      "author" : "徐国新;李雷孝;何嘉彬;高昊昱;",
      "pubTime" : "2023-02-20",
      "keyword" : "驾驶员安全带检测;计算机视觉;图像处理;深度学习;目标检测",
      "summary" : "驾驶员安全带检测作为计算机视觉的一个具体应用领域，目前基于计算机视觉相关技术的驾驶员安全带检测方法以节约人力、实时监督、高精度等优势逐渐成为研究热点。对近年来驾驶员安全带检测方法进行了系统性的分析和总结，首先对驾驶员安全带检测背景和传统传感器检测方法进行了简要说明；其次介绍了数字图像处理和机器学习的相关方法，分析总结其优缺点；然后重点分析和总结了深度学习的方法，从模型训练常用方法、卷积神经网络和衍生的目标检测算法的发展历程及其在驾驶员安全带检测中的应用三个方面进行介绍；最后对当前研究仍面临的问题以及进一步的研究方向进行了总结和展望。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=JSGG20230216006&DbName=CAPJ2023",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 829,
      "classify" : "技术",
      "title" : "一种面向行人跌倒检测的改进YOLOv5算法",
      "author" : "沈国鑫;魏怡;刘力手;尹天睿;",
      "pubTime" : "2023-02-20",
      "keyword" : "AFEF-FPN;FFEM;注意力模块;上采样算子;IoU Loss",
      "summary" : "针对行人跌倒检测的应用场景复杂，原始YOLOv5的检测精度不高，特征融合不充分的问题，本文首先提出了一种新的特征金字塔(FPN)结构-自适应特征增强融合金字塔网络 (AFEF-FPN)和特征增强融合模块(FFEM)来增加特征的表示以及融合深度。其次使用基于全局语义信息的上采样算子CARAFE代替Nearest Upsample来建模全局上采样信息，使用Alpha IoU Loss代替CIoU Loss来提高High IoU目标的损失和回归精度。最终本文网络YOLOv5(AFEF-FPN)在训练集上取得了98.62%mAP，在测试集上取得了96.21%mAP，相比于原始YOLOv5网络在训练集和测试集上分别提升了1.64%和2.86%。实验表明，本文网络在复杂场景下的目标检测效果优于原始YOLOv5及其他网络。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=XXWX20230217006&DbName=CAPJ2023",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 830,
      "classify" : "技术",
      "title" : "改进YOLOv5s的铁路异物入侵检测算法",
      "author" : "孟彩霞;王兆楠;石磊;高宇飞;卫琳;",
      "pubTime" : "2023-02-20",
      "keyword" : "铁路入侵检测;混合注意力机制;解耦头;损失函数;上采样",
      "summary" : "行人、车辆等异物侵入铁路界线，严重威胁行人安全和铁路交通安全。针对传统铁路异物入侵检测方法精度低、时效性差等问题，提出改进YOLOv5s算法的铁路异物入侵检测模型SD-YOLO。本文提出SSA混合注意力机制，加强模型的局部表征能力，提高小目标识别效果；提出DW-Decoupled Head解耦检测头，加快网络收敛速度；引入边界框回归损失函数SIoU，提高了模型的检测精度；使用转置卷积作为采样方法，采样更适合铁路侵限障碍物特征的尺寸和比例。在数据集RS和Pascal VOC 2012进行实验验证，与基线YOLOv5s算法相比，平均精度mAP@0.5分别提高了2.7%、1.8%，mAP@.5:.95分别提高了2.9%、2.1%，检测速度分别达到79 FPS和78 FPS，表明该算法在检测精度和速度上均取得良好的性能，有效改善了漏检、误检问题，提高了小目标识别能力。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=XXWX20230217008&DbName=CAPJ2023",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 832,
      "classify" : "技术",
      "title" : "融合多尺度CNN和CRF的通用细粒度事件检测",
      "author" : "任永功;阎格;何馨宇;",
      "pubTime" : "2023-02-20",
      "keyword" : "事件检测;BERT;多尺度CNN;条件随机场(CRF);交叉验证",
      "summary" : "事件检测是自然语言处理领域中事件抽取的主要任务之一，它旨在从众多非结构化信息中自动提取出结构化的关键信息.现有的方法存在特征提取不全面、特征分布不均等情况.为了提高事件检测的准确率，提出了一种融合BERT预训练模型与多尺度CNN的神经网络模型（BMCC，BERT+ Multi-scale CNN + CRF）.首先通过BERT（Bidirectional Encoder Representations from Transformers）预训练模型来进行词向量的嵌入，并利用其双向训练的Transformer机制来提取序列的状态特征；其次使用不同尺度的卷积核在多个卷积通道中进行卷积训练，以此来提取不同视野的语义信息，丰富其语义表征.最后将BIO机制融入到条件随机场（CRF）来对序列进行标注，实现事件的检测.实验结果表明，所提出的模型在MAVEN数据集上的F1值为65.17%，表现了该模型的良好性能.",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=XXWX20230214003&DbName=CAPJ2023",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 843,
      "classify" : "技术",
      "title" : "球栅阵列芯片锡球的三维检测方法研究",
      "author" : "梁天为;朱呈祥;陈浩;杨光;",
      "pubTime" : "2023-02-20",
      "keyword" : "芯片检测;球栅阵列;三维点云;深度图像;连通域分析",
      "summary" : "为提高球栅阵列(BGA)芯片锡球三维检测精度，克服从点云做直接处理的低效率，提出一种新的BGA芯片锡球三维检测方法。该方法通过采集芯片点云并沿Z方向投影转换为深度图像，利用连通域分析方法标记各锡球区域，拟合基座表面获得方程参数，提取锡球区域的二维中心坐标及其8邻域像素对应的三维坐标点，并求取平均赋值给锡球顶部三维点。在标记锡球区域时，结合形态学方法将锡球逼近圆形化以提高算法的鲁棒性。最后，计算顶点到拟合表面的距离得到锡球高度及其共面度。运行耗时表明：该算法可有效地应用于实时检测。实验的重复性精度也获得了满意的结果。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=CGQJ202302006&DbName=CJFQTEMP",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 848,
      "classify" : "技术",
      "title" : "基于注意力残差网络的口罩佩戴规范检测算法",
      "author" : "姜月武;张玉金;施建新;",
      "pubTime" : "2023-02-20",
      "keyword" : "口罩检测;注意力机制;残差网络;深度学习",
      "summary" : "COVID—19已经在全球蔓延，阻断病毒传播途径是人们目前控制COVID—19传播的主要方法。在人员密集场所佩戴口罩可有效地切断病毒传播途径。现有的口罩检测算对鉴别佩戴口罩的规范性仍具有较大的挑战。为解决口罩佩戴规范性检测问题，提出了一种结合注意力机制和残差网络的口罩佩戴规范检测算法。通过注意力机制进行佩戴口罩部位的特征强化，实现口罩佩戴规范性识别。同时设计了一种口鼻检测器，结合现有的口罩数据集，使用口鼻特征检测器将数据集细分为规范佩戴口罩、不规范佩戴口罩，增加无口罩数据构成实验数据集。实验结果表明：该算法的平均预测准确率为97.240%。该方法可有效识别口罩佩戴的规范性，具有一定的实用价值。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=CGQJ202302036&DbName=CJFQTEMP",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 886,
      "classify" : "技术",
      "title" : "基于YCbCr与角点检测的火灾识别算法研究",
      "author" : "黄景博;王红霞;",
      "pubTime" : "2023-02-20",
      "keyword" : "YCbCr;支持向量机;视频监控;角点检测;特征提取;图像分割",
      "summary" : "目前火灾识别技术已成为火灾预警与有效控制的重要手段之一，但传统的火灾识别方法存在易受噪声干扰及受数据规模限制的问题。本文提出了一种基于YCbCr与角点检测的火灾识别算法。通过YCbCr提取疑似火焰区域，实现疑似火焰区域内的颜色、面积变化率、尖角个数和圆形度的计算与分析。在尖角个数特征提取方法基础上，提出了一种基于角点检测的方法，使用近似值代替精确值的算法得到尖角个数。利用提出的基于交叉验证的网格搜索方法获得最优参数对，以实现支持向量机(SVM)对数据逐帧地检测。实验结果表明，通过本文提出的方法能够获得噪点更少、更清晰、识别度更高的火焰图像，预测正确率达到95%以上。因此，该方法可用于常见火灾检测。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=CCSS202302009&DbName=CJFQTEMP",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 934,
      "classify" : "技术",
      "title" : "多尺度池化和双向特征融合的场景文本检测",
      "author" : "魏哲亮;李岳阳;罗海驰;",
      "pubTime" : "2023-02-17",
      "keyword" : "文本检测;图像分割;多尺度池化;双向特征融合",
      "summary" : "针对自然场景中文字背景复杂多样、形态大小各异的问题，提出了一种新的基于分割的场景文本检测网络。通过构建多尺度池化和双向特征融合两个模块来提升网络性能。根据文本实例的特点，多尺度池化模块使用不同长宽比窗口的空间池来捕获不同距离上文本信息的依赖关系，指导网络得到更加准确的分割结果。双向特征融合模块构建了两条不同方向的融合路径，以更好的利用主干网络的不同尺度特征，提升网络对不同尺度文本的检测性能。实验结果证明了所提方法的有效性，在ICDAR2015、MSRA-TD500和Total-Text这三个公开数据集上，分别取得了87.71%、86.70%和85.52%的F-measure值。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=JSGG20230216003&DbName=CAPJ2023",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 942,
      "classify" : "技术",
      "title" : "ParallelGAT:网络谣言检测方法",
      "author" : "吴越;温欣;袁雪;",
      "pubTime" : "2023-02-17",
      "keyword" : "社交媒体平台;谣言检测;图注意力网络;传播结构;证据推理",
      "summary" : "[研究目的]社交媒体平台在促进多元信息交互的同时,也助推了谣言的快速传播。如何准确、及时地发现谣言,已成为多领域学者共同关注的热点问题。最新的谣言检测研究表明,基于谣言传播结构的方法能够捕捉丰富的谣言传播特征,提升谣言检测准确率,而基于外部证据推理的方法可以在传播数据不充分的情况下判别谣言真假,提高谣言检测的时效性。[研究方法]为实现谣言检测准确率和时效性的同步提升,本文结合这两种方法的优势,提出了基于并行图注意力网络的谣言检测方法ParallelGAT。ParallelGAT由两个图注意力网络模型BiGAT和MlGAT并行构成。其中,BiGAT模型通过引入注意力机制以捕捉重要的谣言传播和散布特征;MlGAT模型通过在外部知识中增加多头注意力机制以获取关键的外部句子级证据知识和词语级证据知识;BiGAT和MlGAT的输出特征向量最终通过聚合模块生成谣言检测标签。[研究结论]在公开数据集上的实验结果显示,本文提出的模型优于现有的方法。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=QBZZ20230215002&DbName=CAPJ2023",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 947,
      "classify" : "技术",
      "title" : "改进U-Net网络的高纹理表面缺陷检测方法",
      "author" : "杨彬;亚森江·木沙;张凯;",
      "pubTime" : "2023-02-17",
      "keyword" : "缺陷检测;高纹理;U-Net;特征融合;多尺度融合;空洞卷积;联合损失函数",
      "summary" : "缺陷检测是生产实践中非常重要的一个环节。产品表面往往存在丰富的纹理信息，纹理信息很容易导致缺陷误判。针对传统算法在缺陷检测中的局限性，提出了一种改进的U-Net模型来进行高纹理表面缺陷检测。该模型在下采样采用特征融合策略，以减少细节的丢失；在上采样采用多尺度融合策略，获取不同感受野下的丰富信息；用空洞卷积代替部分普通卷积，增加感受野来防止边缘细节的丢失。同时，模型中还采用联合损失函数进行训练，并通过参数优化提高收敛速度。最终，通过对高纹理表面缺陷数据集上进行实验，验证改进的U-Net模型与原始U-Net模型以及SegNet模型、基于滑动窗口的CNN等同类方法进行客观比较，并对实验结果进行可行性分析，提出的模型表现出更精确的检测精度和更好的性能。实验结果表明改进的U-Net模型可以更好的适用于实际生产过程的缺陷检测中。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=JSYZ2023021500X&DbName=CAPJ2023",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 962,
      "classify" : "技术",
      "title" : "基于事件帧与RGB帧融合的水下透明生物检测实验方案设计",
      "author" : "罗偲;吴吉花;孙士新;李凯扬;任鹏;",
      "pubTime" : "2023-02-17",
      "keyword" : "水下透明生物检测;事件相机;YOLOX;自适应空间特征融合;损失函数",
      "summary" : "为了提高水下透明生物的检测精度，在图像预处理方面，提出用事件相机转化得到的事件帧与RGB帧进行图像的像素级融合，以便加强水下透明生物的边缘特征。在检测方面，提出用改进的YOLOX算法进行水下透明生物检测，改进内容包括：添加自适应空间特征融合模块进行加权融合，充分利用不同尺度之间的特征；使用Focal loss函数，缓解数据集中类别不均衡问题；使用α-iou函数进行更准确的边界框回归，提高定位的准确率。实验结果表明，与传统的YOLOX算法相比，本文提出的算法的mAP提高了2.58%，与Faster R-CNN、SSD等算法相比也有较大提升，证明了本文改进YOLOX算法的有效性与优越性。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=SYJL20230215006&DbName=CAPJ2023",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 972,
      "classify" : "技术",
      "title" : "一种基于注意力机制的低光照下行人检测算法",
      "author" : "师后勤;谢辉;张梦钰;姜凌;陈瑞;",
      "pubTime" : "2023-02-17",
      "keyword" : "低光照;Retinex模型;图像增强;YOLOv3网络;注意力机制;分量增强",
      "summary" : "由于在低光照环境下拍摄的图片质量较差，对低光照环境下的行人检测造成很大的困难。文中针对行人检测在低光照下检测率低的问题，提出一种基于Retinex视觉模型的低光照图象增强算法。此方法采用YOLOv3框架，研究基于Retinex视觉模型的低光照图像增强算法，加入基于分量增强的低光照图像增强算法和融合注意力机制的光照鲁棒目标跟踪算法，构建融合注意力机制的YOLOv3网络。对低光照原始图像进行分解，基于分量增强，生成对抗网络模型，对原始图像进行增强，得到增强后的图像再进行行人检测。实验结果表明：此方法能够很好地进行低光照环境下的行人检测，具有较高的准确率，能够达到较好的检测结果。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=WLWJ202302007&DbName=CJFQTEMP",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    }, {
      "articleId" : 973,
      "classify" : "技术",
      "title" : "基于国产芯片和RTOS的农业病虫害检测系统",
      "author" : "刘佳辉;刘强;李彤召;",
      "pubTime" : "2023-02-17",
      "keyword" : "物联网;人工智能;视觉识别;机器学习;智慧农业;实时操作系统;国产芯片",
      "summary" : "农业病虫害是影响农业产量和粮食安全的重要因素之一，受限于传统人工观察和经验判断容易误诊，同时由于专业农技人员的不足，在生产实际中往往难以对病虫害进行及时识别或预警。本项目综合利用深度学习、计算机视觉技术、植物病理学知识等分析处理病虫害图像数据，训练学习模型。并利用国产微控制器芯片配合国产实时操作系统（RTOS）开发监测硬件，同时建立物联网网络。最后，将训练好的模型部署到芯片上，实时监测作物的生长状况，对病虫害进行实时识别并发送预警信号。",
      "link" : "https://kns.cnki.net/kcms/detail/detail.aspx?FileName=WLWJ202302009&DbName=CJFQTEMP",
      "status" : 1,
      "views" : 0,
      "likes" : 0,
      "stars" : 0
    } ],
    "currPage" : 2,
    "totalPage" : 4
  }
}