排序方式: 共有33条查询结果,搜索用时 359 毫秒
11.
为了解决面向公共领域的语音识别(Automatic Speech Recognition,ASR)在识别电力巡检专有指令时识别率低的问题,提出了基于模型匹配的电力巡检语音识别后文本纠错算法。首先对庞大的电力巡检指令词库进行预处理并构造电力语法模型,建立电力词汇间的联系,然后对该模型下的电力词汇构建汉字和拼音AC自动机(Aho-Corasick Automaton,ACA)分别进行识别串精确匹配下的查错和纠错,最后针对精确匹配下纠错失败的问题设计模糊匹配算法,进一步实现语音识别后文本的模糊纠错,从而优化了电力巡检语音识别后文本纠错的性能。实验结果表明,在满足实际的应用需求的情况下,该算法解决了电力巡检语音指令词的误识别问题,显著提高了纠错正确率。 相似文献
12.
13.
输电铁塔作为架空输电线的重要组成部分,其安全状况将影响整个电力系统的运行,鸟窝的搭建作为影响输电线路正常运行的重要因素之一,需要对此进行监控.而现有的监控手段不仅效率低,还需要耗费大量的人力物力.本文针对这一现象提出一种基于SSD算法的实时检测方法,并在SSD的网络结构基础上将前置网络VGGNet替换为ResNet-101,提高其特征提取能力,并将Softmax loss用Focal loss代替以改善SSD算法中样本不平衡的问题,并利用数据增广提高数据多样性,以提高模型的鲁棒性.实验结果表明本文所提出的方法检测精度对比原SSD算法在准确度和召回率上分别有3.17%和6.35%的提升. 相似文献
14.
CUDA是由NVIDIA开发的用于通用并行计算的开发平台,可方便地实现并行算法的编程。本文利用光线跟踪算法具有的天然可并行性,采用KD树加速结构,在CUDA上实现光线跟踪的并行算法,经过纹理内存的优化使用后,可达到交互式光线跟踪。 相似文献
15.
针对目前铝型材表面缺陷检测存在的准确率、检测效率较低等问题,提出了一种基于改进的YOLOv3铝型材表面缺陷检测方法。首先通过k-均值聚类算法对采集到的数据集进行聚类分析,选取尺寸最优的目标候选框;考虑到铝型材表面缺陷较大,对YOLOv3的网络层级结构进行调整,并将目标检测层之前的6个CBL单元改成4个,再补充2个残差单元,以提高特征的复用。将提出方法用于铝型材表面缺陷检测,并与经典的卷积网络Faster-RCNN和SSD方法进行比较,实验结果表明,采用提出的算法准确率达到97%,检测速度达到47帧/s,明显优于经典的卷积网络Faster-RCNN和SSD,适于在有高精度快速性要求的铝型材表面缺陷检测中推广应用。 相似文献
16.
针对各种典型的校园网络,分析了其主干网和子网各种模式的优缺点,根据主干网和子网的制约关系,得出了较佳的模式选择方案,并以实际运行的网络加以证明。 相似文献
17.
针对输电通道下环境复杂,各类工程车辆频繁损坏输电线路中所需解决的对工程车辆的检测识别问题,在单阶段目标检测算法YoloX的基础上,对YoloX算法中的损失函数进行修改,平衡正负样本和难易样本,在网络中添加CBAM注意力机制,将内部通道信息和位置信息结合,提高特征的提取能力,并通过修改强特征提取部分Neck中的CspLayer结构,在保证检测速度的前提下,提高模型的检测性能。通过筛选亮度低的图片,引入改进的MSR算法对图片进行亮度提升,优化数据集。实验结果表明,提出的算法提高了检测的准确率,与传统的YoloX算法相比,mAP提高了4.64%,识别效果明显提升,证明了新算法的有效性。 相似文献
18.
针对现阶段基于双边双向测距(double sided two-way ranging,DS-TWR)算法的超宽带(ultra wide band,UWB)室内定位系统存在通信次数较多、多标签环境下冲突率较高的问题,提出了一种改进的算法。该方法通过Hash算法对标签和基站的通信内容进行哈希分布,使得基站在每次测距流程中,能够对多个标签进行有规则的统一回复,大大减少了基站发送RES(responds)数据的次数。结果表明,改进算法后,单个标签和基站的通信次数较传统DS-TWR算法减少了15%,增加了基站接收状态在测距中的时间占比,由此降低了基站在接收RNG(range)数据包的冲突率,测距成功率提高了43.6%。由于每个定位周期内所需要通信次数的减少且数据包之间冲突率的降低,将需要更小的信道容量,由此增加了定位系统的标签容纳量,具有较强的工程意义。 相似文献
19.
电力系统的安全对于整个能源传输过程至关重要。针对输电线路下超大工程车辆和烟火为主要的外力破坏行为,对单阶段目标检测算法YOLOv5s进行改进,首先针对输电线路多雨雾烟尘等工作环境,引入限制对比度自适应直方图均衡算法CLAHE对图片进行去雾处理,提升图片对比度;针对检测目标距离较远的问题,在YOLOv5s网络的基础上添加CA注意力机制,提升了模型对目标的定位能力;将原网络中的最邻近差值采样方式替换为轻量级通用上采样算子CARAFE,更好地捕捉特征图的同时引入较小的参数量;最后在网络的特征融合层,使用具有通道混洗思想的GSConv卷积模块代替标准卷积模块,减小模型参数量,再利用slim_neck特征融合结构,强化目标关注度,达到减小模型参数量同时提升检测精度的效果。实验结果表明:改进后的YOLOv5s网络,mAP提升了4.4%,参数量减小了3.4%,权重模型内存减小了2.7%,证明了算法的有效性。 相似文献
20.