通过机器视觉算法精确定位配电柜仪表的位置是实现仪表智能化识别的关键。针对配电柜背景复杂、字符尺度多样和相机像素低而导致的目标定位精度不高问题,提出一种面向配电柜字符识别的YOLOv7-MSBP目标定位算法。首先,设计Micro-branch...通过机器视觉算法精确定位配电柜仪表的位置是实现仪表智能化识别的关键。针对配电柜背景复杂、字符尺度多样和相机像素低而导致的目标定位精度不高问题,提出一种面向配电柜字符识别的YOLOv7-MSBP目标定位算法。首先,设计Micro-branch检测分支,改进初始锚框铺设间隔,从而提高对小目标的检测精度。其次,引入双向特征金字塔网络(BiFPN)跨尺度融合不同层特征值,以改善因下采样造成的细节特征丢失、特征融合不充分的现象;同时,设计同步混合阈卷积注意力模块(Syn-CBAM),加权融合通道和空间注意力特征,以提升算法的特征提取能力;并且,在主干网络引入部分卷积(PConv)模块,以降低算法冗余和延迟,提高检测速度。最后,将YOLOv7-MSBP的定位结果送入Paddle OCR(Optical Character Recognition)模型识别字符。实验结果表明,YOLOv7-MSBP算法的平均精度均值(mAP)达到93.2%,与YOLOv7算法相比提高了4.3个百分点,可见所提算法能够快速准确定位识别配电柜字符,验证了所提算法的有效性。展开更多
在工业运维人机对话任务中,为解决运维数据中包含复杂嵌套实体以及存在少量缺字、错字的问题,提出一种改进的BERT联合任务算法GP-GraphBERT,利用意图和语义槽识别任务的关联性提升对话性能。首先,由BERT得到隐藏层状态后,通过构建邻接...在工业运维人机对话任务中,为解决运维数据中包含复杂嵌套实体以及存在少量缺字、错字的问题,提出一种改进的BERT联合任务算法GP-GraphBERT,利用意图和语义槽识别任务的关联性提升对话性能。首先,由BERT得到隐藏层状态后,通过构建邻接矩阵将其转换为图结构,嵌入加权残差图注意力网络(WRGAT)增强模型的邻居感知能力。其次,改进融合旋转式位置编码(rotary position embedding,RoPE)的全局指针机制(GlobalPointer),使模型能够无差别地识别常规实体和嵌套实体。最后,设计意图识别和语义槽识别任务的联合损失函数,利用两者的关联性提高预测精度,在模型训练过程中引入动态掩码处理,增强模型的鲁棒性和泛化能力。实验结果表明,GP-GraphBERT算法在工业运维人机对话数据集上意图识别和语义槽识别的F 1分数达到87.5%和86.4%,相较于原网络JointBERT分别提升9.2和3.0百分点,同时能够满足运维数据嵌套实体识别需求。实验充分验证了算法在联合识别任务中的性能。展开更多
文摘通过机器视觉算法精确定位配电柜仪表的位置是实现仪表智能化识别的关键。针对配电柜背景复杂、字符尺度多样和相机像素低而导致的目标定位精度不高问题,提出一种面向配电柜字符识别的YOLOv7-MSBP目标定位算法。首先,设计Micro-branch检测分支,改进初始锚框铺设间隔,从而提高对小目标的检测精度。其次,引入双向特征金字塔网络(BiFPN)跨尺度融合不同层特征值,以改善因下采样造成的细节特征丢失、特征融合不充分的现象;同时,设计同步混合阈卷积注意力模块(Syn-CBAM),加权融合通道和空间注意力特征,以提升算法的特征提取能力;并且,在主干网络引入部分卷积(PConv)模块,以降低算法冗余和延迟,提高检测速度。最后,将YOLOv7-MSBP的定位结果送入Paddle OCR(Optical Character Recognition)模型识别字符。实验结果表明,YOLOv7-MSBP算法的平均精度均值(mAP)达到93.2%,与YOLOv7算法相比提高了4.3个百分点,可见所提算法能够快速准确定位识别配电柜字符,验证了所提算法的有效性。
文摘在工业运维人机对话任务中,为解决运维数据中包含复杂嵌套实体以及存在少量缺字、错字的问题,提出一种改进的BERT联合任务算法GP-GraphBERT,利用意图和语义槽识别任务的关联性提升对话性能。首先,由BERT得到隐藏层状态后,通过构建邻接矩阵将其转换为图结构,嵌入加权残差图注意力网络(WRGAT)增强模型的邻居感知能力。其次,改进融合旋转式位置编码(rotary position embedding,RoPE)的全局指针机制(GlobalPointer),使模型能够无差别地识别常规实体和嵌套实体。最后,设计意图识别和语义槽识别任务的联合损失函数,利用两者的关联性提高预测精度,在模型训练过程中引入动态掩码处理,增强模型的鲁棒性和泛化能力。实验结果表明,GP-GraphBERT算法在工业运维人机对话数据集上意图识别和语义槽识别的F 1分数达到87.5%和86.4%,相较于原网络JointBERT分别提升9.2和3.0百分点,同时能够满足运维数据嵌套实体识别需求。实验充分验证了算法在联合识别任务中的性能。
