视频侦查中人像智能分析应用及算法优化

人像智能分析指的是对视频或录像中的人像进行结构化和可视化分析,对目标人物进行性别、年龄、发型等特征的智能识别,这项技术在视频侦查中有极高的应用价值。人像识别早期的算法是通过人工提取特征,通过学习低级视觉特征来针对不同属性进行分类学习,这种基于传统方法的模型表现常常不尽如人意。在计算机视觉领域,通过海量图像数据学习的神经网络比传统方法有更丰富的信息量和特征可以被提取。文章尝试通过深度学习技术训练神经网络模型对行人进行检测和识别,对于衣着不同的行人进行智能识别,具有更好的鲁棒性,提升了视频人像识别的准确率,拓展了人工智能技术在身份识别领域的应用。     

粘附砂浆含量对再生骨料混凝土抗碳化性能的影响

以再生粗骨料粘附砂浆含量为变量,配制C40再生骨料混凝土进行碳化对比试验,结合碳化模型以碳化深度达到钢筋表面为准则,探究粘附砂浆含量对再生骨料混凝土抗碳化性能的影响.结果 表明,碳化深度与碳化速率均随粘附砂浆含量的增加而增大,且碳化深度增幅较大,粘附砂浆含量处于35％ ～45％(质量分数)时,其碳化深度可以满足一般环境下混凝土结构设计使用年限30 a、50 a和100 a的抗碳化性能要求.     

基于深度卷积神经网络的视觉里程计研究

视觉里程计利用视频信息来估计相机运动的位姿参数，实现对智能体的定位。传统视觉里程计方法需要特征提取、特征匹配/跟踪、外点剔除、运动估计、优化等流程，解算非常复杂，因此，提出了基于卷积神经网络的方法来实现端对端的单目视觉里程计。借助卷积神经网络对彩色图片自动学习提取图像帧间变化的全局特征，将用于分类的卷积神经网络转化为帧间时序特征网络，通过三层全连接层输出相机的帧间相对位姿参数。在KITTI数据集上的实验结果表明，提出的Deep-CNN-VO模型可以较准确地估计车辆的运动轨迹，证明了方法的可行性。在简化了复杂模型的基础上，与传统的视觉里程计系统相比，该模型的精度也有所提高。     

新闻

2020年全国工业和信息化工作会议在京召开2019年12月23日,全国工业和信息化工作会议在京召开。总结2019年工作,分析面临的形势,部署2020年任务。工业和信息化部党组书记、部长苗圩做了题为“坚定不移贯彻新发展理念以更大力度推进制造强国和网络强国建设”的讲话。会议指出,2019年以来,面对国内外风险挑战明显上升的复杂局面,全系统认真贯彻落实党中央、国务院决策部署,统筹推进稳增长、补短板、调结构、促融合、优环境各项工作,较好地完成全年目标任务。一是党对工业和信息化领域的领导持续加强;二是制造业发展质量稳步提升;三是制造强国建设重点任务加快推进;四是网络强国建设取得扎实进展;五是两化深度融合明显加快;六是行业发展环境不断优化。     

基于森林资源保护前提下的森林培育工作

文章从调节温度、净化大气环境以及维持物种多样性等方面分析了开展森林资源保护工作对环境的促进作用。其次重点介绍森林培育工作开展的流程,对树木种植与管理过程中的技术要点进行总结,帮助提升树木存活率,确保功能能够正常发挥。     

公交车到站时间预测模型研究

为了研究影响公交车到站时间的机理,以广州公交140路相邻的3个站点为例,经数据处理和挖掘后,提取停靠时间、行驶时间和社会车速度这3个特征向量,并运用BP神经网络、支持向量机、决策树、随机森林等6个模型来预测公交车到站时间。根据公交车到站时间预测的特征和6个预测模型的特征等提出了可拓预测模型。可拓预测模型的RMSE和MAE在所运用模型中是最低的,证明该方法有效。     

YOLOv2在煤岩智能识别与定位中的应用研究

综采工作面煤层走向复杂，采用“一刀切”的开采方法会加速滚轮截齿的磨损，同时开采效率也大幅降低，对煤岩的精准识别是解决此类问题、实现智能开采的关键。将基于回归方程的深度学习目标检测算法YOLOv2与线性成像模型相结合并通过该算法对井下采集煤岩图像进行了智能识别与定位，同时与Faster R-CNN，SSD对煤岩图像的识别结果进行了对比。结果显示YOLOv2对煤岩的识别精度达到了78%，检测速度达到了63 frame/s，与Faster R-CNN，SSD相比精度高出7.7%，4.7%，而检测速度高出763%，40%；在矿井测量坐标系中YOLOv2标定的煤层边界框角点的计算坐标与实测坐标相比相对误差在3.0%～4.5%之间，相对误差较小，不会对采煤效率产生影响。研究结果表明，YOLOv2可以对煤岩进行准确快速的识别。