个人信息
参与实验室科研项目
人机自主性及其控制权切换策略研究
复杂环境下非完全信息博弈决策的智能基础模型研究
学术成果
共撰写/参与撰写专利 4 项，录用/发表论文 1 篇，投出待录用论文0篇。
patent
-
一种基于多算法集成的分歧介入珍珠分拣方法
赵云波,
花婷婷,
赵丽丽,
and 崔奇
2024
[Abs]
[pdf]
一种基于多算法集成的分歧介入珍珠分拣方法，含有：步骤1：将珍珠数据集按类别分别记为Class1-7，并给每张图片制定好标签，按6：2：2的比例分成训练集、验证集和测试集；步骤2：选取目前较为主流先进的三个模型ResNet50、SE-ResNet50和Vgg16进行独立训练，需均能够完成珍珠分拣任务，并分别保存最优模型；步骤3：将获取的三个最优模型用于仲裁系统，即针对构造后的主、次系统给出的预测结果进行分歧仲裁；步骤4：在实验验证阶段，我们使用分歧准确指数和额外成本指数作为系统分歧的评价指标，评估系统的整体性能；步骤5：根据步骤四的评价指标，选取既达到分拣精度提升较高又同时所需的人力成本较少的系统组合作为最终的珍珠分拣系统；步骤6：输出最终分类结果。本发明通过基于多个冗余算法的分歧找出机器分类可能存在的错误预测，并以最少的人力成本介入纠正其预测输出，从而提升整个珍珠分拣的分类精度。
-
一种基于人的心理认知模型的青菜病害分类检测方法
赵云波,
赵丽丽,
花婷婷,
and 苏振岭
2024
[Abs]
[pdf]
一种基于人的心理认知模型提升分类器识别青菜病害的分类检测方法，含有以下步骤：步骤1：获取图像并对图像进行处理，获取多份病害区域、正常区域的青菜样本数据，分别以病害区域样本x1、x2为圆心画圆找出距离其最近的k个样本点；步骤2：分别计算最近的k个样本点中病害样本、正常样本所占的比例，并由此作出2×2列联表，表示样本x1、样本x2作为病害样本出现在最近邻的k个样本点中病害样本、正常样本中的概率；步骤3：结合步骤2所作列联表，利用人的松散对称模型再次计算样本x1、x2作为病害样本出现在最近邻的k个样本点中病害样本、正常样本中的概率；步骤4：把步骤3计算出的结果作为样本xi在分类器训练过程中的权重，这个值越大表示样本xi的精确度越高，越远离决策面，在决策中占的权重越高；步骤5：重复以上步骤确定其他病害样本和正常样本的权重并用SVM算法进行最终训练，根据不同样本的不同重要程度进行训练学习。步骤6：用训练好的SVM分类检测器对待检测的青菜进行病害检测。
-
一种人机系统中人的状态的识别方法
赵云波,
唐敏,
and 赵丽丽
2022
[Abs]
[pdf]
一种人机系统中人的状态的识别方法，含有：步骤 1 ：传感器监测 T 至 T+1 时刻人的动作变化以及机器的输出并且汇集数据到处理器；步骤 2 ：给分类器施 加权重对人的可能处于的状态进行分类，得到概率最大的状态 S K 机器概率 P K ; 步 骤 3 ： T+1 时刻针对不同情况施加测试信号；步骤 4 ：传感器监测 T+1 至 T+2 时刻 人的动作变化以及机器的输出并且汇集数据到处理器。步骤 5 ：将处理后的数据 代入步骤 2 获得的以 P K 和 1-P K 为概率的二项分布中，计算其似然概率，得到人处 于 S K 状态的可能性。本发明解决了在一个人的状态未知但机器的输出可知的人 机系统中对人的状态识别的问题。
-
一种程序员的疲劳程度的检测方法
赵云波,
唐敏,
赵丽丽,
and 吴芳
2021
[Abs]
[pdf]
本发明的 一种程序员的疲劳程度的检测方法，包括：步骤 1 ，传感器监测 T 至 T+1 时刻程序员的头部动作变化以及键盘鼠标的输出并且汇集数据到处理器； 步骤 2 ，利用获得的人的头部动作变化以及键盘鼠标的输出，给分类器施加权重 对人的可能处于的状态进行分类，得到概率最大的状态 S K 机器概率 P K ；步骤 3 ， T+1 时刻施加屏幕弹窗和提示音测试信号；步骤 4 ，传感器监测 T+1 至 T+2 时刻人 的头部动作变化以及键盘鼠标的输出并且汇集数据到处理器；步骤 5 ，代入二项 分布的公式进行计算，步骤二给出了一个可能的概率 P K ，把它看成是先验概率， 在步骤 3 和 4 的基础上进行更新。所以这里用贝叶斯公式进行更新。本发明能够 在一个程序员的状态未知但键盘和鼠标的输出可以获得的情况下的人机系统中 对程序员的疲劳程度识别。
Conference Articles
-
Detection of Distracted Driving Based on Multi-Granularity and Middle-Level Features
Min Tang,
Fang Wu,
Li-Li Zhao,
Qi-Peng Liang,
Jian-Wu Lin,
and Yun-Bo Zhao
In 2020 Chinese Automation Congress (CAC)
2020
[Abs]
[doi]
[pdf]
A so-called MGMN (Multiple-GranularityMiddle Network) algorithm is proposed to improve the detection accuracy of distracted driving, based on multigranularity features and middle-level features. The algorithm is derived from the ResNet50 neural network and is the first time to use multi-granularity features and mid-level features of images in the field of distracted driving detection. The multigranularity feature extraction module consists of three branches: the global branch to learn the global features without local information, the second branch to divide the image level into two parts and later to learn the local features of the upper and lower parts, and the third branch to divide the image level into three parts, and later to learn the local features of the upper, middle and lower parts. By extracting the features of the middle layer of the image, the feature extraction of the algorithm is enriched. While the multi-granularity features are individually input to the cross-entropy loss function, the multi-granularity features of the image and the middle-level features are combined and input into the cross-entropy loss function. The proposed algorithm has an accuracy of 99.8% on the dataset "Districted-DriverDetection" published by State Farm Company, which is 1.5% to 3% higher than existing algorithms, and an improved accuracy of 98.7% on the dataset "AUC-Districted-Driver-Detection".
学位论文
Theses
-
融合人的认知模型的模糊支持向量机算法及其应用
赵丽丽
浙江工业大学, 杭州
2021
[pdf]
毕业去向
浙江大华， 研发产品工程师