- 宣丽萍;陈济禾;甘一坤;刘海镔;曾北兴;曹子孝;
异形电子元件表面缺陷检测是提高异形插件机插装工艺水平的关键环节。传统的人工检测易受人为主观性影响,模板匹配算法的效率较低,且在样本数据不足的情况下,现有深度学习技术在缺陷检测方面存在精度低、实时性不足等问题。为提高异形元件检测的精度和实时性,文章对目标检测模型RT-DETR进行改进,提出了一种实时多维特征自适应网络(RT-MDAFNet):首先,在模型特征融合层处设计自适应融合金字塔网络(AFPN),通过动态通道注意力机制和选择性特征融合机制来提高模型对多尺度目标的适应性和特征提取能力;然后,设计了自适应通道-空间聚合网络模块(SASE-RepNet),通过结合多层次特征聚合、通道自适应权重分配和空间选择性增强机制来提升在复杂背景下的检测精度和效率。在现有数据集缺乏的情况下,构建了异形电子元件数据集,并将RT-MDAFNet模型与DETR、Faster R-CNN、YOLO系列等8种基线模型进行了对比实验。对比实验结果表明:RT-MDAFNet模型的帧率为41.5 FPS,每秒浮点运算次数(GFLOPs)为75.3,参数量为24.31 M,mAP50值为80.87%,mAP50-95值分别为50.43%。与目前最佳的基线模型(DINO)相比,RT-MDAFNet模型的mAP50、mAP50-95值分别提高了3.31%、3.46%。最后,为了探讨关键组件对模型效果的影响,在自建数据集上进行了消融实验。消融实验结果表明:RT-MDAFNet模型中的AFPN模块和SASE-RepNet模块在模型轻量化和精度提升上具备有效性。与RT-DETR模型相比,RT-MDAFNet模型的mAP50、mAP50-95值分别提高了4.66%、2.54%,参数量降低了9.67 M,GFLOPs减少了28.1,帧率提高了18.7 FPS。总体而言,RT-MDAFNet模型在保证轻量化的同时,也提升了异形元件的检测精度。
2025年02期 v.57 85-94页 [查看摘要][在线阅读][下载 607K] - 王剑莹;康致武;李百成;张翊;聂瑞华;余宝贤;张涵;
无监督行人重识别(Unsupervised Person Re-Identification, UPR)技术在安防工程和智慧城市等场景中得到广泛应用。然而,现有的很多UPR算法在特征提取上忽略了局部特征匹配和空间位置特征信息,在伪标签聚类过程中可能丢弃大量未聚类样本。为克服上述缺点,文章提出基于局部特征匹配和混合对比学习的无监督行人重识别方法(LHFC):首先,针对网络不能提取不同空间位置特征信息的问题,在特征提取的骨干网络ResNet50中引入了自相似的非局域注意力机制(Non-local);针对局部特征不匹配的问题,设计了局部特征匹配模块(Aligned),在学习图像相似度的同时考虑了人体结构的匹配;最后,针对训练过程中丢弃未聚类样本从而导致提取特征不充分的问题,提出了聚类级与实例级混合存储器(HCL),以存储聚类级身份特征和离群点实例特征。为验证模型性能的有效性,在2个公开数据集(Market-1501、DukeMTMC-ReID)上与现有的12种无监督方法进行对比。同时,为探讨Non-local、Aligned、HCL对模型效果的影响,进行了消融实验。对比实验结果表明:LHFC方法在Market-1501、DukeMTMC-ReID数据集上的mAP指标分别达到了84.4%、71.5%,相对于12种对比方法中表现最好的CACL方法,指标分别提高了3.5%、1.9%。消融实验结果表明Non-local、Aligned、HCL可以提高指标精度:在ResNet50中引入Non-local有利于提取更多有用的行人特征信息,从而更好地标注局部特征之间的空间位置关系;Aligned模块可以有效融合相对应的人体结构信息;HCL可以减少训练后期伪标签带来的误差。
2025年02期 v.57 95-103页 [查看摘要][在线阅读][下载 451K] - 骆雪汇;孙悦;曾泰山;刘乙奇;
软测量技术通过建立数学模型来间接测量难以直接获取的关键参数,可应用于污水处理过程中关键出水指标难以测量的问题。然而,传统神经网络软测量模型在应对污水处理软测量场景中日益复杂多样的数据时,由于模型结构过度稠密化,容易引发过拟合现象,导致模型的预测精度降低,泛化能力削弱。为此,文章提出了一种基于稀疏神经网络的软测量模型(SPNN)。该模型融合正则化稀疏性约束与周期性剪枝策略,降低网络中非零参数数量,以构建更为简洁且高效的模型结构;结合特征选择与数据标准化等预处理手段,进一步增强模型的预测性能和泛化能力。实验结果显示,在加州大学欧文分校的污水处理数据集(UCI污水数据集)上,相较于偏最小二乘(PLS)、支持向量机(SVM)、长短期记忆网络(LSTM)和深度神经网络(DNN),SPNN模型的预测误差显著降低。具体而言,与最优对比模型LSTM相比,SPNN模型的均方根误差(RMSE)下降了88.87%,平均绝对误差(MAE)降低了75.82%,决定系数(R~2)提高了6.29%,验证了其在复杂污水数据建模中的准确性与鲁棒性优势。
2025年02期 v.57 104-112页 [查看摘要][在线阅读][下载 500K] 下载本期数据