XiaoMi-AI文件搜索系统
World File Search SystemYOLOv3
人工智能辅助凹版胶印系统可靠性评估
在印刷电子中，完美的印刷质量对于电子设备制造至关重要。虽然印刷缺陷可能会降低电子设备的性能甚至导致其故障，但使用传统的计算机视觉工具进行印刷缺陷识别的质量评估仍存在挑战。本研究提出了基于人工智能 (AI) 和深度卷积神经网络的计算机视觉方法。首先，收集并标记带有印刷线图像的数据集。其次，使用 Grad-CAM 可视化技术对整体印刷质量分类模型进行训练和评估。第三，也是最后一点，对预训练的对象检测模型 YOLOv3 进行了微调，以进行局部印刷缺陷检测。在微调之前，分析了地面真实边界框，并使用 k 均值聚类算法选择了锚框大小。整体印刷质量和局部缺陷检测 AI 模型与基于滚筒的凹印胶印系统集成在一起。这种 AI 方法也有望成为更准确的印刷可靠性分析的有力补充。
人工智能辅助凹版胶印系统可靠性评估
在印刷电子中，完美的印刷质量对于电子设备制造至关重要。虽然印刷缺陷可能会降低电子设备的性能甚至导致其故障，但使用传统的计算机视觉工具进行印刷缺陷识别的质量评估仍存在挑战。本研究提出了基于人工智能 (AI) 和深度卷积神经网络的计算机视觉方法。首先，收集并标记带有印刷线图像的数据集。其次，使用 Grad-CAM 可视化技术对整体印刷质量分类模型进行训练和评估。第三，也是最后一点，对预训练的对象检测模型 YOLOv3 进行了微调，以进行局部印刷缺陷检测。在微调之前，分析了地面真实边界框，并使用 k 均值聚类算法选择了锚框大小。整体印刷质量和局部缺陷检测 AI 模型与基于滚筒的凹印胶印系统集成在一起。这种 AI 方法也有望成为更准确的印刷可靠性分析的有力补充。
面向节能的视觉反馈控制...
如何节省无人机的能耗进而实现长距离运输是一项非常现实且艰巨的任务。然而对于无人机来说，经典的物体检测算法，例如基于深度卷积神经网络的物体检测算法和经典的飞行控制算法，例如基于PID的位置控制算法，都需要大量的能耗，限制了无人机系统的应用场景。针对这一问题，本文针对四旋翼缆绳悬挂有效载荷（QCSP）系统提出了一种轻量级的物体检测网络和线性自抗扰控制器（LADRC）来提高能耗效率。该系统采用YOLOV3网络并将其嵌入到Jesson NX移动平台中，可以精确检测目标位置。此外，采用缆绳悬挂结构的非线性速度控制器来控制有效载荷的速度，采用LADRC算法实现对有效载荷位置的快速准确控制。仿真与实飞实验表明，提出的目标检测算法和LADRC控制策略可以有效节省无人机的能源。
人工智能辅助凹版胶印系统可靠性评估
在印刷电子中，完美的印刷质量对于电子设备制造至关重要。虽然印刷缺陷可能会降低电子设备的性能甚至导致其故障，但使用传统的计算机视觉工具进行印刷缺陷识别的质量评估仍存在挑战。本研究提出了基于人工智能 (AI) 和深度卷积神经网络的计算机视觉方法。首先，收集并标记带有印刷线图像的数据集。其次，使用 Grad-CAM 可视化技术对整体印刷质量分类模型进行训练和评估。第三，也是最后一点，对预训练的对象检测模型 YOLOv3 进行了微调，以进行局部印刷缺陷检测。在微调之前，分析了地面真实边界框，并使用 k 均值聚类算法选择了锚框大小。整体印刷质量和局部缺陷检测 AI 模型与基于滚筒的凹印胶印系统集成在一起。这种 AI 方法也有望成为更准确的印刷可靠性分析的有力补充。
人工智能辅助凹版胶印系统可靠性评估
在印刷电子中，完美的印刷质量对于电子设备制造至关重要。虽然印刷缺陷可能会降低电子设备的性能甚至导致其故障，但使用传统的计算机视觉工具进行印刷缺陷识别的质量评估仍存在挑战。本研究提出了基于人工智能 (AI) 和深度卷积神经网络的计算机视觉方法。首先，收集并标记带有印刷线图像的数据集。其次，使用 Grad-CAM 可视化技术对整体印刷质量分类模型进行训练和评估。第三，也是最后一点，对预训练的对象检测模型 YOLOv3 进行了微调，以进行局部印刷缺陷检测。在微调之前，分析了地面真实边界框，并使用 k 均值聚类算法选择了锚框大小。整体印刷质量和局部缺陷检测 AI 模型与基于滚筒的凹印胶印系统集成在一起。这种 AI 方法也有望成为更准确的印刷可靠性分析的有力补充。
人工智能辅助凹版胶印系统可靠性评估
在印刷电子中，完美的印刷质量对于电子设备制造至关重要。虽然印刷缺陷可能会降低电子设备的性能甚至导致其故障，但使用传统的计算机视觉工具进行印刷缺陷识别的质量评估仍存在挑战。本研究提出了基于人工智能 (AI) 和深度卷积神经网络的计算机视觉方法。首先，收集并标记带有印刷线图像的数据集。其次，使用 Grad-CAM 可视化技术对整体印刷质量分类模型进行训练和评估。第三，也是最后，对预训练的对象检测模型 YOLOv3 进行了微调，以进行局部印刷缺陷检测。在微调之前，分析了真实边界框，并使用 k-means 聚类算法选择了锚框大小。将整体印刷质量和局部缺陷检测 AI 模型与基于滚筒的凹印胶印系统集成在一起。这种 AI 方法也有望为更准确的印刷可靠性分析提供有力补充。
在协作中有效的对象检测和跟踪
很快，混合现实（MR）和人工智能（AI）技术变得越来越好。这意味着它们在各个领域都有新的和重要的应用，包括医疗，教育和工人培训。这些作者提出了一种新的方法，可以在共享的MR环境中使用Yolov4深学习模型，以便可以实时跟踪和确定对象。这项工作解决了使用基本和复杂的计算机方法诸如遮挡，动态照明和空间对齐等问题的事实，可以区分它。主要的MR工具Microsoft Hololens以及单个相机饲料有助于拟议的系统进行对象检测。根据MS COCO数据集的测试，Yolov4模型的性能优于Yolov2和Yolov3模型。平均平均精度（MAP）为0.988，Yolov4模型是快速且相当精确的。基于统计数据，该策略似乎使小组可以在MR设置中进行协作，以提供在线帮助，培训和基于模拟的学习。对系统的未来研究将使它在更广泛的情况下更加灵活，并能够更好地识别附近的对象。
保存的实验研究/ ... div>
在本文中，我们介绍了有关电动轮椅高级驾驶员援助系统的开发的工作。我们的项目旨在提高流动性降低的人的自主权。进行临床研究后，我们确定了几个用例。在本文中，我们在室内环境中介绍了椅子周围环境中兴趣点的检测，本地化和跟踪，即：门，手柄，照明开关等。目的不仅是为了提高椅子周围的看法，而且还可以使半自治的驾驶朝向这些目标。首先，我们将对象检测算法的Yolov3的重新应用于我们的用例。然后，我们显示了对Intel Realsense相机的使用，以进行深度估计。最后，我们描述了对跟踪3D兴趣点的排序算法的适应。为了验证我们的方法，我们在受控的室内环境中实现了一些实验。使用我们的自定义数据集测试了检测，距离估计和跟踪管道。这包括走廊，门，手柄和开关。研究的一个方案之一是为了验证所提出的平台，不仅包括对物体的检测和跟踪，还包括轮椅向其中一个感兴趣的一个点。
使用人工智能进行头盔检测
Madhuchhanda Dasgupta、Oishila Bandyopadhyay、Sanjay Chatterji、Kalyani [1] 任何智能交通系统都必须包括对交通规则违规行为的自动检测。在印度这样的国家，所有主要城市的人口密度都很高，摩托车是主要的交通工具之一。研究发现，大多数摩托车手在城市或高速公路上骑行时都不戴头盔。在大多数摩托车事故场景中，戴头盔可以降低摩托车手头部和严重脑部受伤的风险。现在，大多数交通和安全规则都是通过分析监控摄像头获得的交通记录来发现的。这项研究提出了一个框架，用于检测未戴头盔的摩托车上的一个或多个骑手。在建议的方法中，第一阶段使用 YOLOv3 模型来发现摩托车骑手，该模型是 YOLO 模型的增量版本，YOLO 模型是最先进的物体检测方法。在第二阶段，提出了一种基于卷积神经网络 (CNN) 的摩托车头盔检测架构。使用交通记录测试了所建议的模型，与其他基于 CNN 的技术相比，结果显示出良好的前景。
基于深度学习的飞机蒙皮内部情况识别
飞机蒙皮是飞机的重要组成部分，其完整性影响着飞机的飞行性能和安全性能。以超声无损检测为核心的损伤检测技术在飞机蒙皮损伤检测中发挥了重要作用。由于飞机蒙皮检测难度大，单纯依靠超声A扫设备检测效率很低，引入人工智能可以有效提高检测效率。本文建立了一维卷积神经网络与单发多框检测器网络，在SSD网络基础上利用空洞卷积提高超声探头的实时跟踪，同时引入1DCNN对超声A扫信号进行分类，最后将二者的检测结果结合起来实现对飞机蒙皮内部状况的反映。经测试，该算法可以识别蒙皮模拟试件，其识别准确率为96.5%，AP为90.9%，kappa值为0.996。将改进的SSD网络与SSD、YOLOv3、Faster R-CNN等网络进行对比，结果表明本文采用的改进网络更加优秀、有效；同时研究了四类优化算法、五种学习率的检测效果，最终得出对应的信号分类模型采用Adam，学习率为0.0001时效果最好。