精准识别关键问题,快速提升移网用户满意度

针对江苏联通移动网络用户满意度相对落后的现状,江苏联通对低感知用户进行深度剖析,精准识别关键问题,将移动网络五大类问题作为主要矛盾进行重点攻坚,从问题分析、方案制定、动作实施以及效果检查等多维度制定全流程的问题管控措施,通过开展"U悦"行动推进方案落地,力争实现移网用户感知提升和移网满意度评分提升的目标.     

供水管网DMA优化分区设计方案

实施独立计量分区(district metered area,DMA)是辅助供水管网管理和漏损识别的重要手段.图划分算法是进行DMA分区的方法之一,常规图划分算法应用中,存在解空间受限、分区后原水流状态易发生较大改变、形成较多串联分区(对流量计算不利)的缺点.在常规图划分算法基础上进行了改进:粗化阶段按照特定规则匹配、合并非输水干管两端的节点,形成简化的管网拓扑结构;分区阶段得到管网初步分区方案;细化阶段提出基于贪心算法、枚举算法、蒙特卡洛算法的分区调整方法,结合改进的仪表安置方法、水力模拟、优劣解距离法(technique for order preference by similarity to an ideal solution,TOPSIS),对分区方案进行调整.将该方法应用于YX市供水管网,成功进行了分区.     

2021保持初心,2022竭尽全力

2021年我们在深圳开设了办公室,在西安开设了实体店铺,在无锡开设了永久店址,体现对客人终身售后的承诺。互联网、直播浪潮浩浩汤汤,冲击着珠宝实体商家。面对网络的良莠不齐,各种利益诱惑,我们选择在产品上保持初心,始终坚持高品质、高服务与高性价比.     

物料堆场智能化管理经验分享

华润水泥（罗定）有限公司根据物料储存需求，共有三个长堆棚分为9个室内料场堆放原材料及混合材，厂内有4台铲车无规则轮流在这8个料场内作业，同时外来运料货车、公司化验及验收人员也会不间断地进入不同堆棚。由于料场内空间狭窄，驾驶员视线不好，如果堆棚料场内铲车在作业时，有其他人员或车辆进入铲车工作区域共同作业，在没有检测装置对进入的人、车进行识别，提醒铲车驾驶员的情况下，容易发生碾压进入人员或车辆碰撞的安全事故。公司根据现场实际，自2020年起决定实施从堆场出入口智能红外感应技术、装载机车载识别系统、智能声光语音提醒、实时监控显示、照明、堆场硬件设施等五方面实施物料堆场车辆智能化安全预警系统项目。     

基于改进Faster R-CNN及YOLO的大角度车牌识别算法

随着大数据时代的到来,智慧城市等一系列概念的提出,人工智能开始在城市各个角落得到广泛应用。其中,车牌识别作为城市道路交通重要的一环,也取得了重大突破。基于深度学习的车牌识别一经提出,各类算法应用于车牌检测及识别上,对比于传统的车牌识别,大大提高了识别的速率和准确率。然而,在非限制条件下,如大角度车牌识别准确率仍有提升的空间。提出了一种改进的FasterR-CNN与YOLO的深度学习车牌识别算法,将对大角度下的车牌识别准确率达到了99.7%。由于是轻量型的框架,为后续的移动设备部署工作提供了便利。     

基于增强动态稠密轨迹特征的布料材质识别

为了克服基于视频的布料材质识别中由于忽略了动态因素的影响导致材质识别准确率低的难点,利用布料仿真视频库,提出一种基于增强动态稠密轨迹特征的布料材质识别方法以有效识别布料的材质属性信息.首先利用材质合成方法构造64种不同材质的布料仿真视频数据库;然后利用构造的布料动态视频库,通过迁移预训练的VGG网络增强布料动态视频的各帧特征信息,并消除部分非动态特征;其次利用动态稠密轨迹特征描述布料视频的动态特征,以充分捕捉不同布料材质视频的动态信息;最后通过Fisher向量编码生成布料动态信息的特征数据库,并训练SVM分类器建立布料材质视频动态信息到材质属性参数的映射.利用构建的布料仿真视频库作为数据集进行实验的结果表明,该方法对64种不同布料材质视频的材质种类识别准确率达到73.83%.     

类别均衡与局部中值损失联合监督的自然场景人脸表情识别

近年来,卷积神经网络在实验室控制环境下的人脸表情识别任务中取得了很大进步,但是在自然场景中人脸表情识别方面仍然存在一些挑战.针对自然场景中人脸表情数据分布不平衡,以及由姿势、光照和性别等因素引起的类内差异大的问题,提出类别均衡与局部中值(class-balancedandlocalmedian,CALM)损失函数.CALM损失函数包含类别均衡Softmax损失函数和局部中值损失函数2个部分.其中,类别均衡Softmax损失函数将数据量较少且容易错分的害怕和厌恶2种表情标记为难样本,将其余5种表情标记为易样本;在网络训练过程中对难样本自适应地增大权重,以提高难样本的识别准确率,进而提高表情识别的平均准确率.此外,在每个类别中会有一些离类别内大多数样本较远的样本,它们的存在会导致用均值方法计算出的类别中心偏离类内大多数样本.在局部中值损失函数中,采用与每个样本属于同类别的若干近邻的中值作为类别中心,在一定程度上减弱离群样本对类别中心选择的影响.在RAF(real-worldaffectivefaces)数据集上进行实验,与局部子类方法相比,该方法的平均识别准确率提升了1.32%,证明了该方法的有效性.