基于多任务目标检测的条形码倾斜矫正算法研究

条形码识别技术在日常工作中发挥着巨大作用,尤其是在智能物流包裹分拣领域。该技术主要分为三个部分:条形码检测、矫正和译码。目前条形码检测和译码技术较为成熟,而在条形码倾斜矫正技术上研究效果一般。为提升条形码矫正效果,设计一种矫正算法。先对条形码倾斜程度进行分类,再进行角度回归,有效降低条形码矫正任务难度;并将该算法与单阶段检测器融合构成多任务目标检测算法,协同促进发挥检测和矫正的作用。实验表明:余弦距离角度损失函数更加适合角度回归任务,针对条形码倾斜程度分类有助于提升条形码矫正效果。与其他相关算法对比,该算法在矫正准确率、实际译码率和速度上均取得最优的效果。     

一种非平衡数据分类的过采样随机森林算法

在灾害天气、故障诊断、网络攻击和金融欺诈等领域经常存在不平衡的数据集。针对随机森林算法在非平衡数据集上表现的分类性能差的问题,提出一种新的过采样方法:SCSMOTE(Seed Center Synthetic Minority Over-sampling Technique)算法。该算法的关键是在数据集的少数类样本中找出合适的候选样本,计算出候选样本的中心,在候选样本与样本中心之间产生新的少数类样本,实现了对合成少数类样本质量的控制。结合SCSMOTE算法与随机森林算法来处理非平衡数据集,通过在UCI数据集上对比实验结果表明,该算法有效提高了随机森林在非平衡数据集上的分类性能。     

基于句式内容表的电网安全隐患文本分类方法

文章使用构建的句式内容表配合机器学习的方式对长白电网历年储存的电网安全隐患信息进行精准分词并将其按要求分类,方便按类别精准取用信息为日后进一步数据分析打下基础。     

地震属性概述

随着石油勘探从寻找构造圈闭进入识别描述地层、岩性等隐蔽圈闭阶段,地震属性在构造精细刻画、沉积相带划分、储层识别、油藏描述及油气检测等方面的作用越来越大。对地震属性的概念、发展历程、分类、主要应用方面、影响因素进行了概述,对地震属性有一个宏观和理论上的分析,以期在具体应用地震属性解决实际勘探问题过程中提供参考作用,有助于提高少井区和无井区的预测精度。     

基于深度学习的彩色以及近红外图像去马赛克

单传感器捕获的彩色-近红外（RGB-NIR）图像存在光谱干扰，从而导致重建出的标准彩色图像（RGB）图像与近红外（NIR）图像存在色彩失真以及细节信息模糊。针对这个问题提出一种基于深度学习的去马赛克方法，通过引入跳远连接与稠密连接解决了梯度消失和梯度弥散问题，使得网络更容易训练，并且提升了网络的拟合能力。首先，用浅层特征提取层提取了马赛克图像的像素相关性以及通道相关性等低级特征；然后，将得到的浅层特征图输入到连续多个的残差稠密块以提取专门针对去马赛克的高级语义特征；其次，为充分利用低级特征与高级特征，将多个残差稠密块提取到的特征进行组合；最后，通过全局跳远连接恢复最终的RGB-NIR图像。在深度学习框架Tensorflow上使用公共的图像与视觉表示组（IVRG）数据集、有植被的户外多光谱图像（OMSIV）数据集和森林（Forest）三个公开数据集进行实验。实验结果表明，所提方法优于基于多级自适应残差插值、基于卷积卷积和神经神经网络以及基于深度残差U型网络的主流的RGB-NIR图像去马赛克方法。     

基于改进粗糙集理论的SAR图像目标增强

图像增强在提高SAR图像舰船目标检测精度方面具有十分重要的意义。由于传统算法不能很好地对SAR图像进行目标增强，提出了基于改进粗糙集理论和引力场强度的目标增强算法。通过借鉴引力场相关理论知识，将粗糙集条件属性集中的梯度属性改进为引力场强度属性，从而实现对原图像的目标增强。与其他算法进行了实验比较，结果表明提出的改进算法相比于其他算法更适用于SAR图像特性，能更好地对舰船目标像素进行针对性增强，具备一定的工程应用价值。     

基于深度森林的安卓恶意软件行为分析与检测

随着移动互联网渐渐渗入人们的日常生活,面向安卓的恶意软件也对用户产生着愈发巨大的负面影响。本文针对传统安卓恶意软件静态检测技术在检测多分类恶意行为时准确性及灵活性的不足,提出了一种基于深度森林(Gcforest)的恶意软件行为检测机制,最后经过实验测试与对比,证明此机制在恶意软件行为检测效果、参数调节难易度上具有明显优势。     

电致变色器件可见光识别融入系统

针对可见光识别过程中单一摄像头视角不足的问题,本文将图像拼接技术应用到识别融入系统中,达到扩大视域、增大识别范围的目的,进一步实现对图像进行特定颜色的识别。识别结果通过驱动电路输出对应电压值以驱动电致变色器件变色,使其和背景颜色相融,完成可见光的识别融入。经实验效果验证,可见光识别融入系统性能良好、稳定。