基于改进Mask R-CNN的露天矿边坡裂隙智能检测算法

为了预防因露天矿边坡表面恶化而产生节理、裂隙或断裂等破坏边坡完整性所引发的安全事故,同时解决传统图像处理算法以及经典的深度学习模型直接应用于露天矿边坡裂隙检测效果不甚理想的问题,提出了一种基于改进的Mask R-CNN的露天矿边坡裂隙智能检测算法,运用了Mask R-CNN在目标检测、语义分割以及目标定位方面的集成性特点,改进了其在掩膜分支的边缘不清晰以及误检等缺点,构建了一种针对露天矿边坡裂隙图像的检测分割框架。该方法在掩膜分割分支引入了空洞卷积神经网络以及分类分割迭代上采样操作,能够解决边坡裂隙分割边缘粗糙的问题,实验结果表明,与传统的裂隙分割算法相比,该算法具有更高的识别精度以及更好的分割效果。     

基于改进RPN的孪生小样本电力目标检测

为了解决当前电力系统巡检难度大、效率低、数据不足以支撑大规模训练的问题,提出一种基于孪生网络的小样本检测方法。首先,在Faster RCNN(faster region convolutional neural network)目标识别算法的框架下,搭建支持图片和查询图片共享的孪生网络模型;然后,利用改进的RPN(region proposal network)模块产生更高质量的proposals;最后,在检测头上对支持图片和查询图片的RoI(region of interest)进行关联匹配。结果表明,将算法应用于自主构建的EPD(electric power detection)数据集,在仅利用10张支持图片的情况下,就能实现对电力背景下鸟巢异物和绝缘子相关类别的检测,检测指标mAP达到18.92%。与其他算法相比,应用于电力行业目标检测的孪生网络小样本模型,在极端小样本情况下性能优良,同时具有更加轻量化的优势,可为电力检测新方法研究提供参考。     

改进的YOLOv4肺结节检测算法

针对目标检测YOLOv4算法在肺结节检测中存在的小目标漏检和肺结节位置失真等问题,设计了一种改进的YOLOv4肺结节检测算法.在原始YOLOv4网络的基础上,将特征融合网络的上采样过程替换为双线性插值法,并采用张量堆叠的方法使顶层的语义信息与底层的位置信息形成更高通道的特征张量.实验结果表明,与原始的YOLOv4算法相比,改进的YOLOv4算法在公开数据集LUAN16上的平均精确度与预测速度分别提高了4.54%和28.1%,可视化结节位置表达更精准.     

联合实体边界检测的命名实体识别方法

针对传统命名实体识别方法无法有效利用实体边界信息的问题,提出一种联合实体边界检测的命名实体识别方法,即将实体边界检测作为辅助任务,增强模型对实体边界的判断能力,进而提升模型对实体的识别效果。首先,利用Bert预训练语言模型对原始文本进行特征嵌入获取词向量,并引入自注意力机制增强词对上下文信息的利用;其次,在命名实体识别任务的基础上,添加实体边界检测辅助任务,增强模型对实体边界的识别能力;再次,对比联合实体边界检测的命名实体识别方法与基线方法的有效性,并对测试结果进行消融实验;最后,进行样例分析,分析损失权重β对实体边界检测的影响。实验结果表明,在英文社交媒体数据集Twitter-2015上,联合实体边界检测的命名实体识别方法相较于基线模型取得了更高的精准率、召回率和F1值,其中F1值达到了73.57%;并且,边界检测辅助任务提升了基线方法的检测效果。所提方法能有效利用实体边界信息,从而获得更好的实体识别效果,促进了人机交互系统的发展,对自然语言处理下游任务有重要意义。     

基于现场检测的邢台百泉泉域岩溶水硝酸盐氮形成特征

为了揭示邢台百泉泉域岩溶地下水中硝酸盐影响因素及成因,采用便携式分光光度计建立了水中硝酸盐氮现场快速定量检测方法,通过水文地质结构和水化学分析,研究了百泉泉域岩溶地下水中硝酸盐氮的分布特征及其与常规水化学指标之间的关系。实验结果表明：硝酸盐氮在0.60～30.00 mg/L浓度范围内线性关系良好,方法检出限为0.2 mg/L,现场检测与实验室标准方法检测结果之间的相对标准偏差为0.23%～6.70%,差异性检验结果为t=0.984,表明两种检测方法测定结果一致。硝酸盐氮分布特征表明：防污性能较差的百泉泉域西北部岩溶裸露区和东部被第四系上更新统砂砾石含水层直接覆盖的部分岩溶水排泄区硝酸盐氮浓度较高;径流区硝酸盐氮浓度整体较低;采样点岩溶地下水中硝酸盐氮浓度均在地下水质量标准规定的I～III类水之间。研究区岩溶地下水水化学类型较为复杂,阳离子以Ca、Ca?Mg型为主,阴离子以HCO3、HCO3?SO4型为主,HCO3?Cl-Ca?Mg型和Cl?HCO3?SO4-Ca型地下水中硝酸盐氮含量较高,硝酸盐主要来源于城镇污水,受大气降水和农业活动影响较小。研究结果为建立地下水中硝酸盐氮现场检测标准方法及百泉泉域岩溶水资源的供水安全和生态保护提供了参考依据。     

基于SC注意力机制和集成学习的冰箱食材识别

近年来,随着智能冰箱技术的不断发展,对冰箱果蔬食材进行精准的类别识别,进而对食材进行保鲜控制,得到了研究者越来越多的关注。目标检测技术依靠深度学习相关技术的发展,也渐渐应用于食材盘点的方法。通过对冰箱果蔬食材特性进行分析,提出了一种基于注意力机制和集成学习思想的YOLOv5和EfficientDet融合的方法。首先对冰箱食材数据集进行了伪彩色图像处理,将SE模块和CBAM模块整合提出了新的SC模块,并引入到YOLOv5s网络中,组成SC-YOLOv5s网络结构;然后将SC-YOLOv5s网络结构与EfficientDetd0网络进行异质集成;最后用集成后的整体网络对尺度有差异但外貌相似的食材进行识别。实验结果表明当IOU阈值为0.5时,在60类果蔬食材测试集上,改进后集成模型的平均最大精确度(mAP)从SC-YOLOv5s的95.88%和EfficientDetd0的83.22%提高到了97.36%,明显提升了对果蔬类食材的检测效果。     

面向多场景的环境异常声音识别

随着人工智能和大数据的发展,各种场景中对异常声音识别的需求日益增长,基于人工智能的声音识别技术正在兴起并被高度重视。现行主流的异常声音识别算法多为浅层机器学习模型结构,对异常声音的识别率较低,且识别的声音类型单一。为了有效识别异常声音,提出一种基于梅尔频率倒谱系数(Mel-frequency cepstral coefficient, MFCC)和卷积神经网络(convolution neural network, CNN)的环境声音识别算法,对各类异常声音进行采集和有效识别,并及时反馈声音状态,为各类声识别应用场景提供精细化管理技术手段。结果表明：提出的算法对5类场景下环境异常声音的识别率得到极大提高,适用于更广泛的声学场景,具有明显的优势。     

基于变尺度杜芬阵列的超声非线性输出信号检测

针对超声非线性输出信号中二次谐波信号比较弱、且是经过复杂传播的非线性时间序列,利用变尺度杜芬阵列对超声非线性输出信号进行检测评估材料的疲劳损伤。首先对杜芬振子进行频率变换、分析初始相位对检测结果的影响,构建检测实际工程信号的杜芬阵列模型,并对超声非线性输出信号进行变尺度变换,使杜芬阵列与超声非线性输出信号相匹配。当处理信号输入杜芬阵列模型时,第二个杜芬振子相轨迹由混沌状态过渡至大尺度周期状态,微弱二次谐波信号可以被有效的检测出来。根据杜芬振子总驱动力幅值和响应信号幅值之间的对应关系对二次谐波信号幅值进行有效估算。最后,探究随机噪声对检测模型的影响,当待测信号含有噪声时,杜芬振子相图仍变为大尺度周期状态,随着信噪比降低,相轨迹越来越粗糙,且稳定性变差。以上分析表明,利用构建的杜芬阵列模型能够有效检测超声非线性输出信号的二次谐波,对材料的疲劳损伤状态进行有效评估。     

近似凸包自适应包围盒碰撞检测方法

针对虚拟装配环境中包围盒碰撞检测存在检测精度差和效率低的问题,设计了粗精结合的分层检测方法。粗检测阶段,采用基于八叉树的球形包围盒进行检测,初步剔除明显不发生碰撞的对象。在精确检测阶段提出近似凸包自适应包围盒算法,基于近似凸包思想提取贴合模型外壳顶点集求解协方差矩阵计算最小包围盒,解决传统方向包围盒算法因三角形面片的尺寸不均匀、导致构造包围盒方向偏移的问题,且构造时间较传统方向包围盒缩短了66%。最后在Unity3D中以液压调平举升平台各部件为研究对象进行实例验证,实验结果表明,本文研究的方法能构造出比传统方向包围盒更加紧密的包围盒,在装配实验执行时间上比使用传统方向包围盒碰撞检测算法加快了22.2%,比使用轴对齐包围盒碰撞检测算法加快了17.4%,能够满足虚拟装配中碰撞检测效率高的要求,且符合使用者实时的自然交互习惯。     

长输油管道泄漏检测与定位技术研究进展

长输油管道泄漏事故不仅会造成重大经济损失,而且会给生态环境带来灾难性的破坏,因此对长输油管道进行在线实时监测与快速精准定位是保障管道安全运行的核心要素。首先对目前国内外常用的泄漏检测技术进行了分类总结,其次详细论述了长输油管道泄漏检测技术原理、性能及其优缺点,并对长输油管道泄漏检测中存在的微小泄漏、缓泄漏等难点问题进行了重点评述。最后在全面总结现有研究成果的基础上,对长输油管道泄漏检测技术的发展潜力、应用前景、目前存在的问题以及如何进行下一步研究进行了深刻的分析和展望,认为干涉型分布式光纤传感法联合深度学习模式识别技术可以更好地实现远距离输油管道泄漏检测领域的智能化、高效化,并在未来的泄漏检测领域具有良好的应用前景。