crasher123的博客

原创 DL00745-基于无监督学习的遥感变化检测含SAM大模型python完整代码

原创 DL00899-深度学习水下障碍物声呐检测YOLO完整代码含实验结果

原创 DL00554-基于深度学习的花卉识别系统完整代码

原创 DL00866-基于CNN和BiLSTM网络的异常流量检测python完整代码

基于深度学习的攻击检测IDS。​CICIDS2018和Edge_IIoT数据集。创建一个模型，将CNN和BiLSTM网络与一个更隐藏的层结合起来。对数据进行清理，然后加入注意机制，提高模型的分类精度。通过人工从设计特征中去除特征，直接利用深度学习模型学习高维数据的表征特征，提高了该方法的检测精度。

原创 DL00855-基于早期融合和学习型视锥体关联网络改进centerfusion完整python代码

1.早期融合（EF）作为雷达点云投影到图像平面的一种方式。投影后的雷达点图像特征（默认包括：深度、x和z方向的速度分量及雷达散射截面（RCS）值）随后与RGB图像通道进行拼接，作为网络架构中基于图像的主干网络的新输入。EF增强了对相机传感器故障和复杂环境条件（如雨天/夜间/雾霾）的鲁棒性。2.替代传统方法中通过选择与主干网络及主要头部检测结果最接近的雷达点进行关联的做法。输出一个人工雷达点r*，代表视锥体中的所有雷达点。训练为输出与该雷达点关联的边界框中心的深度以及相应的径向速度。

原创 M00221-复杂环境下多无人机跳跃网格决策等搜索算法matlab实现

在此基础上，提出了一种跳跃网格决策方法，以满足无人机的机动性约束；开发了一种参数动态选择方法，使得搜索决策更能响应任务需求；并设计了一种低带宽的搜索信息传输方法。该方法能够使无人机快速发现目标，应对各种约束和突发情况，并做出自适应决策，显著提高了复杂、动态和未知环境中搜索任务的鲁棒性。通过多个搜索场景进行测试，仿真结果表明，与同质无人机相比，异构无人机的协同搜索性能得到了显著提升。

原创 低空经济的发展趋势

越来越多的电商和物流公司投入资源开发基于无人机的快递服务，尤其在城市空中配送（UAM）领域，预计无人机将在城市配送和偏远地区的物流服务中发挥重要作用。低空经济是指利用低空空域（通常指地面至3000米的空域）进行商业活动的经济形态，随着技术的进步和政策的放宽，低空经济正在成为一个重要的产业趋势。随着低空经济的发展，飞行器的安全性和隐私保护成为重要的议题。总体而言，低空经济的发展潜力巨大，涉及的技术、市场和政策等方面都在快速变化，预计在未来几年内将成为全球经济的重要组成部分。

原创 X00392-无人机配送方法ros仿真pid控制Gazebo完整文件含效果

无人机通过包裹上的二维码检测送货地址的坐标。然后，无人机前往该地址并投放包裹，同时避开路径中的障碍物。

原创 DL00467-基于深度学习的香蕉成熟度检测完整代码含数据集

基于深度学习的香蕉成熟度检测完整代码含数据集

原创 MADDPG算法详解！可创新改进

MADDPG是一种有效的多智能体强化学习算法，尤其适用于连续动作空间的控制任务。通过引入集中训练和分散执行的策略，它能够处理多智能体之间的互动问题。虽然在一些复杂的任务中，训练可能会面临一定的挑战，但在实际应用中，MADDPG具有很大的潜力，尤其是在自动驾驶、无人机协作等领域。

原创 X00217-无人机任务卸载策略创新点MADDPG完整代码

包含基于无人机（UAV）的多接入边缘计算（MEC）模型的实现，该模型使用多智能体深度确定性策略梯度（MADDPG）强化学习算法，用于无人机的任务卸载和轨迹规划。该模型旨在通过多个无人机在一个包含多个用户设备（UE）簇和雾计算设备的定制环境中优化任务执行。无人机设备接收来自用户设备簇的任务请求。无人机根据任务的执行方式做出决策，决定任务中本地执行的部分和卸载到雾计算设备的部分。此外，模型还需要决定无人机的运动距离和角度，以改善用户设备的覆盖范围。

原创 PointNet详解！！！不容错过

PointNet是一个革命性的网络架构，通过共享MLP和最大池化操作，它能够直接处理无序的点云数据，并提取出有效的全局与局部特征。这种结构使得PointNet在3D物体分类和分割任务中表现出色，并为后续的3D点云处理方法提供了基础。

原创 PointNet基本架构概述

分类网络以n个点作为输入，应用输入和特征变换，然后通过最大池化聚合点特征。输出是k个类别的分类得分。分割网络是分类网络的扩展，它将全局特征和局部特征拼接，并输出每个点的得分。“mlp”表示多层感知机，括号中的数字表示层的大小。所有层均使用BatchNorm和ReLU激活函数。分类网络的最后一个mlp层使用了Dropout层。

原创 水下点云目标识别算法方案咨询

总之，水下点云目标识别算法的研究背景与水下环境的复杂性、点云技术的发展以及算法的不断进步密切相关，随着技术的成熟，水下目标识别将在各个领域发挥越来越重要的作用。随着激光扫描技术（如激光雷达、声纳）和三维建模技术的进步，水下点云数据的获取变得越来越可行。为了克服上述挑战，研究人员已经提出了多种水下点云目标识别算法。

原创 DL00641-基于深度强化学习的云工作流调度python完整实现

运行 DAGs_generator.py 生成 train dataset， test dataset.将 Env/___.py 文件注册在gym的环境中；运行 PPO/DRLagent.py 训练网络；运行 PPO/DRLtest.py 测试推理。修改环境代码适应生成数据集的路径；

原创 DL00588-基于CNN-LSTM的锂电池寿命预测python含数据集

基于卷积神经网络（CNN）和长短期记忆网络（LSTM）混合深度模型的数据驱动方法用于预测电池剩余寿命（RUL）。CNN提取多通道充电特征，而LSTM提取与时间依赖相关的放电特征的历史容量数据特征。CNN和LSTM被用于并行提取多个可测数据（电压、电流、温度、容量）的特征。

原创 DL00265-基于注意力机制Unet的视网膜血管语义分割实现含对比实验

使用学习率为 0.001 的 Adam 优化器作为优化器，使用 IoU 损失作为损失函数。使用 NVIDIA Tesla P100-PCIE GPU 对模型进行了 150 个周期的训练，批量大小为 16。保留 10 张来自 DRIVE 和 STARE 的图像以及 12 张来自 HRF 的图像用于测试模型。然后将训练数据集按 70:30 的比例分割以进行训练和验证。来自 HRF、DRIVE 和 STARE 数据集的图像用于训练和测试。- 裁剪成尺寸为 512 x 512 的非重叠块。

原创 X00389-基于深度强化学习的多无人机协同围捕方法python实现

针对复杂障碍环境下的动态目标围捕问题, 本文提出一种基于深度强化学习的多无人机协同围捕方法.

原创 X00199-基于中继的车联网中的通信保密问题研究matlab

关于基于中继的车联网中的保密问题。假设合法发射机、合法接收机和窃听者均配备单根天线。通过考虑中继的不同初始位置，获得了在车辆移动性下，通过α-η-k-μ衰落信道接收的信噪比的统计知识。此外，推导了在两车道高速公路场景下，利用放大转发中继协议的中断概率和保密中断概率的精确闭式表达式。通过蒙特卡罗仿真验证了所推导分析表达式的准确性。

原创 X00221-基于多智能体强化学习的车联网频谱共享python完整代码

研究基于多智能体强化学习的车联网频谱共享问题，其中多个车与车（V2V）链路复用由车与基础设施（V2I）链路占用的频谱。由于高速移动的车联网环境中信道变化快速，导致基站无法收集到准确的瞬时信道状态信息，从而无法进行集中式资源管理。对此，将资源共享建模为一个多智能体强化学习问题，并采用基于指纹的深度Q网络方法进行求解，该方法适合分布式实现。每个V2V链路作为一个智能体，与通信环境共同交互，接收不同的观测结果，但共享相同的奖励，并通过利用获得的经验更新Q网络，学习改善频谱和功率分配。

原创 点云图像船舶分类方法复现及创新

随着激光雷达（LiDAR）和其他遥感技术的快速发展，点云数据作为一种三维空间信息载体，能够精确地反映物体的空间结构，广泛应用于船舶检测与分类。然而，点云数据具有稀疏性、不规则性和高维度等特点，这使得传统的图像处理和机器学习方法难以直接应用于船舶分类任务。近年来，深度学习特别是卷积神经网络（CNN）和图神经网络（GNN）等方法在点云数据处理中的成功应用，为船舶分类提供了新的解决方案。因此，点云图像船舶分类方法的研究在提高船舶识别精度、保障海洋安全以及推动智能航运领域的应用中具有重要意义。

原创 基于伪雷达点云的三维目标检测创新点fudao

伪雷达点云通常是指通过其他传感器（如激光雷达、视觉相机等）生成的类似雷达点云的三维数据。与传统的雷达相比，伪雷达点云的空间分辨率通常更高，能够提供更精确的距离和角度信息，但缺乏传统雷达在恶劣环境中的抗干扰能力。数据的稀疏性与不规则性：伪雷达点云数据由于采集的方式和传感器的限制，通常表现为不规则、稀疏的分布，给传统的深度学习方法（如卷积神经网络）带来很大挑战。基于图神经网络的方法：通过构造点云数据的图结构，利用图神经网络（GNN）处理点与点之间的关系，进一步提高三维目标检测的效果。2. 三维目标检测的挑战。

原创 汽车防撞报警系统的设计

开发系统控制、显示（LED或HUD显示距离、预警信息）、报警驱动，说明操作流程。（1）传感器的选型与布局。调研超声波、毫米波雷达等合适的的传感器，掌握其工作原理及应用。（2）查阅文献资料，搭建硬件电路，包括单片机的选型、电源电路、显示系统、报警系统等。编写距离计算、碰撞危险判断核心算法等，附算法流程图及关键代码注释。（5）系统的硬件软件整合。运用软件对系统进行仿真。

原创 X00211-基于残差edge-graph注意力机制的深度强化学习优化车辆路径问题

基于残差edge-graph注意力机制的深度强化学习优化车辆路径问题。

原创 X00223-急性脑卒中危险因素的Meta分析完整文件

通过插入解决了缺失的值，澄清了列名，删除了不必要的列，并将数据分离为分类（转换为因子）和数值变量。建立和评估预测模型，以确定关键的中风危险因素。生成可视化和统计摘要，以确定数据中的趋势和模式。进行假设检验以评估各种特征与中风发生之间的关系。

原创 DL00454-深度学习牲畜资产管理圈养生猪行为识别含数据集

这些模型能够从视频数据中提取生猪的运动、姿态、交互等特征，准确判断其行为模式，甚至可以根据行为的变化预测猪只的健康状况或产能。深度学习技术的引入为养殖业提供了强有力的工具，尤其是在圈养生猪的行为识别方面，可以有效地监控猪群的健康状态、饲养习惯和生产性能。2.生猪行为识别的重要性：生猪行为的监控和分析对于优化养殖管理、提高猪只健康状况、预防疾病、提升饲养效率至关重要。4.智能化管理的效果：通过深度学习技术实现的自动化生猪行为识别，不仅能够减少人工成本，提高管理效率，还能够在大规模养殖中提供精准的实时数据。

原创 DL00461-深度学习算法变压器红外测温过热缺陷检测

本系统以Dji指定型号无人机拍摄的红外图像作为原始输入，基于YOLOv9算法训练红外套管目标检测与分割模型。结合Dji测温SDK，系统实时获取目标区域的最大温度值，从而实现红外套管与接线端区域的最大温度测定。该方法有效减少了人工干预，显著提高了检测效率与精度。

原创 心电图异常检测-预处理

由于心电图（ECG）信号记录中存在噪声干扰，针对这一问题，为提升心电图异常检测的准确性，必须对原始信号进行预处理。预处理流程首先应用小波变换（Wavelet Transform）以去除信号中的噪声，确保保留关键特征。随后，利用R峰检测算法精确识别每个心跳的R峰位置。最后，从识别的R峰位置截取前99个数据点及后200个数据点，共300个数据点，以完整获取一个心跳周期的时域特征。这一系列处理步骤旨在为后续的异常检测提供更加清晰、可靠的信号基础。

原创 阿尔茨海默病分析-神经元胞体目标检测及数量统计

微光学切片成像（MOST）提供了一种获取高分辨率图像以进行全脑神经元分析的方法。将该技术应用于AD小鼠大脑使我们能够研究AD病理进展中的神经元变化。使用MOST技术，获取了AD小鼠的三维全脑图像，并对每只小鼠大脑的四个区域进行了成像数据采样，以分析AD进展。为了计数神经元数量，可采用一种基于深度学习的方法，通过检测神经图像中的神经元胞体。神经图像首先被切割成小立方体，然后设计一种卷积神经网络（CNN）分类器，通过将立方体分类为“三个类别”（“胞体”、“纤维”和“背景”）来检测神经元胞体。

原创 【硬核干货】YOLO创新改进类论文书写建议，SCI专家为你答疑解惑！

任何一篇成功的研究论文都始于明确的问题定义。在涉及YOLO算法的研究中，清晰地描述您的研究目标和所要解决的问题至关重要。准确性与速度的权衡：YOLO算法的优势在于其实时性，但在准确性上往往有所妥协。您可以探讨现有YOLO版本在准确性和速度上的表现，并指出您的研究旨在如何改进这一点。小物体检测：YOLO在检测小物体时的性能较差，您可以分析该问题并提出您的创新方法，以提高小物体的检测率。复杂场景下的泛化能力。

原创 D00274-医学骨肿瘤图像分割数据集含标签2300张

随着深度学习在计算机视觉等领域的显著进展，其在医学诊断中的应用已成为研究的前沿领域。与通用的图像分类、目标检测和定位等任务使用的数据集相比，医学图像数据集的样本数量相对较为有限。因此，如何有效利用有限的医学图像样本来训练出具有较高诊断准确性的深度学习模型，已成为国内外研究的关键课题。

原创 DL00232-基于DeepLabv3+改进的道路提取模型ASPP注意力等完整实现

ASPP模块中加入注意力模块，多尺度推理方法，它在不同的缩放比例下对输入数据进行前向传播，并将所有结果累加起来作为最终输出。这种方法可以提高模型对不同尺寸物体的检测能力。在 DeepLab V3+ 中，分类器被放置在 ASPP（Atrous Spatial Pyramid Pooling）模块的顶部，以利用多个空洞卷积核捕捉不同尺度的特征。ASPP 模块中的分类器具有多个并行的分支，每个分支都有不同的空洞卷积核大小和空洞率，以提取不同尺度的特征信息。在整个模型的训练过程中，分类器的参数也是需要进行训练的。

原创 DL00765-光伏故障检测高分辨率无人机热红外图像细粒度含数据集4000+张

传统的光伏故障检测方法往往依赖于人工巡检或地面设备的检测，这些方法在效率、准确性和覆盖面上存在一定的局限性。随着无人机技术的发展，高分辨率无人机热红外技术逐渐成为光伏故障检测的一种有效手段。这种技术可以在短时间内覆盖大面积光伏电站，并通过热红外成像快速识别出光伏组件的异常温度分布，从而推断出潜在的故障类型。然而，随着光伏电站规模的扩大，光伏组件在运行过程中可能会出现各种故障，如热斑、遮挡、接线盒故障等。这些故障不仅会影响光伏电站的发电效率，还可能导致更严重的安全隐患。

原创 X00078-基于深度强化学习图神经网络的云工作流调度python

在现有状态下，许多动作并非必要进行探索，传统的MCTS采用随机策略选择动作显然效率不高。相比之下，经过训练的DRL模型能够高效地挑选尚未探索的动作，其选择依据策略网络输出的动作概率，使得具有较短makespan的动作具备更高的选取概率。因此，利用训练有素的DRL模型进行动作选择，为makespan的估计提供了更为准确和有意义的依据。根据当前的计算资源和任务状态，MCTS算法被用来探索并选择最佳的动作，在树的扩展和模拟过程中，结合深度强化学习（DRL）技术，以缩小搜索空间，聚焦于更有潜力的动作选择。

原创 基于YOLOv8的海面石油泄露检测实例分割完整含数据集

需要收集包含海面石油泄漏的图像数据集，并进行标注以指示泄漏区域。YOLO系列的模型具有快速、高效的特点，适合处理海面上的大面积图像，并能够快速识别石油泄漏的位置。在训练过程中，需要使用适当的损失函数和优化器来确保模型能够准确地检测和分割石油泄漏，并且要对模型进行充分的验证和调优，以提高其性能和鲁棒性。最后，在实际应用中，可以将训练好的模型部署到海洋监测系统中，实时监测海面上的石油泄漏情况，并及时采取应对措施，以保护海洋环境和生态系统的健康。

原创 基于深度学习的红外船舶检测识别分类完整实现数据集8000+张

目前，广泛采用了深度学习模型，如卷积神经网络（CNN）和循环神经网络（RNN），用于红外船舶检测识别。这些模型通过大量标注的红外船舶图像数据进行训练，实现了高效的船舶检测和识别。研究人员也在不断探索如何结合多模态数据、改进网络结构和提高算法性能，以进一步提升红外船舶检测识别的准确性和效率。随着遥感技术的快速发展，包括无人机、卫星等，红外图像在船舶检测识别中的作用日益凸显。近年来，深度学习作为一种强大的图像处理技术，在红外船舶检测识别领域取得了显著进展。

原创 基于YOLOv8深度学习的茶叶病害检测含数据集

在云南地区不利的环境条件，如强光辐射、夜间低温和白天高湿度，可能导致影响茶叶产量和质量的疾病。严重的疾病爆发会对严重依赖农业的小农经济产生灾难性影响。随着茶叶品种的增加、种植面积的扩大和栽培方法的演变，许多次生疾病开始浮出水面。及早检测疾病、及时收集疾病信息、准确识别感染原因以及评估疾病严重程度是关键步骤，可以帮助减少农药使用、最小化环境污染，并有效预防和控制疾病在蔓延和导致产量下降之前。作为云南省的特色产业和地区农业中著名的“金字品牌”，茶叶行业的高质量发展可以大大增强地区特色产业的竞争优势。

原创 YOLO训练报错解决：OSError: [WinError 1455] 页面文件太小，无法完成操作

OSError: [WinError 1455] 页面文件太小，无法完成操作。Error loading "C:\Users\12706.conda\envs\yolov8\lib\site-packages\torch\lib\cudnn_cnn_infer64_8.dll" or one of its dependencies.降低数据加载的线程数。

原创 如何区分单阶段目标检测和双阶段目标检测？

总结： 单阶段目标检测和双阶段目标检测的主要区别在于是否采用了区域建议网络来生成候选区域，并且在目标定位和分类的流程上有所不同。这种方法通常更加准确，适用于对检测精度要求较高的场景，比如医疗影像分析、工业质检等。示例：以YOLOv3为例，输入一张图像，经过神经网络处理后，直接输出每个边界框的位置信息和类别概率，从而完成目标检测任务。该方法简单高效，适用于实时性要求较高的场景，比如视频监控、自动驾驶等。单阶段目标检测和双阶段目标检测是两种常见的目标检测方法，它们在目标检测任务中采用了不同的技术路线。

原创 M00238-固定翼无人机集群飞行仿真平台MATLAB完整代码含效果

给出的例子是5架的，当然如果你愿意花时间，也可以把它扩展到10架，20架甚至更多。一个小型无人机集群仿真演示平台，使用matlab和simulink搭建。输出：每架无人机每个时刻的13个状态量。输入：5架飞机的规划路径。