基于深度学习的岩石铸体薄片图像孔隙自动提取

岩石铸体薄片图像中孔隙区域的准确提取是分析评估工作的前提。但目前传统的孔隙提取方法主要是通过颜色特征进行阈值分割,精度较低,需加入大量的人工交互操作才能提高精度。因此提出一种新的基于深度学习的孔隙区域自动提取算法,该算法基于U-net搭建网络基本框架。首先,网络在编码阶段加入残差块来提升网络的深度。其次,针对残差块进行优化并引入空洞卷积,提取更全局、语义层次更深的特征。最后,在解码阶段加入网络模块间的短连接,提出新的融合特征方法,更好地将浅层特征与深层语义特征相结合,得到更加精细的孔隙区域。实验结果表明,该方法优于传统的孔隙提取方法,具有更高的分割精度且无需人工操作,与主流卷积神经网络相比也具有更高的精度和平均交并比。     

一种改进的动态灰色GM(1,1)模型在深基坑形变监测中的预测分析

针对传统GM(1,1)模型在处理浮动较大数据时精度不高的问题,提出了一种基于背景值优化和残差改进的动态GM(1,1)模型。利用复化Simpson3/8求积公式取代传统的算数均值计算模式,再通过原始序列的新陈代谢来实现模型的动态更新,在此基础上联立残差GM(1,1)模型,得到改进后的GM(1,1)模型。结合某地铁深基坑沉降观测数据,并对比于传统GM(1,1)模型的预测结果,发现提出的改进后GM(1,1)模型具有更高的精度和更好的适用性。     

基于改进的卷积神经网络图像识别方法

当前的图像特征识别大多采用的是传统的机器学习方法与卷积神经网络方法。传统的机器学习对图像识别的研究,特征提取多是通过人工完成,泛化能力不够强。最早的卷积神经网络也存在诸多缺陷,如硬件要求高,需要的训练样本量大,训练时间长。针对以上问题,提出了一种改进的神经网络模型,在LeNet-5模型的基础上并在保证识别率的情况下,简化网络结构,提高训练速度。将改进的网络结构在MINIST字符库上进行识别实验,分析网络结构在不同参量中的识别能力,并与传统算法进行对比分析。结果表明提出的改进结构在当前识别正确率上,明显高于传统的识别算法,为当前的图像识别提供新的参考。     

基于改进卷积神经网络的平面地图道路模糊推理分割方法

由于平面地图呈现方式单一且有限,为提升其多样性需准确分割平面地图中的道路区域。提出一种基于改进CNN(convolutional neural network)平面地图道路和模糊推理分割的方法。选取两个道路信息丰富的数据库,实验选取百度地图(Baidu)数据库和高德地图(Amap)数据库,标记得到含标签信息的像素训练集;用Sigmoid分割目标函数代替复杂的Softmax函数分别训练得到Baidu-CNN模型和Amap-CNN模型;对得到的像素点概率进行非线性映射,构建模糊推理系统;将非线性映射后均匀分布的像素点概率输入模糊推理系统,判断像素点属于道路区域的概率,得到道路分割结果。结果表明:所提算法得到的平面地图道路分割模型较传统算法分割效果更好;准确率可以达到94.49%;单张平面地图的道路分割速度可达到5 s。     

改进一维卷积神经网络的隧道围岩收敛变形分级预测

隧道围岩收敛变化是认识围岩和支护结构动态作用及其时空演变机理的前提,变形分级准确预测是对围岩稳定性和支护结构有效性评估的重要基础.本文提出了改进一维卷积和支持向量机融合深度网络的隧道收敛变形分级预报模型.根据围岩变形的主要影响因素和特征类型,选取强度应力比、隧道埋深、隧道等效直径、支护刚度和岩体质量指标,建立了变形等级的识别框架.收集了159组国内外经典的隧道收敛变形实例数据,采用全局均值池化层和支持向量机改进传统卷积神经网络中全连接层和Softmax层进行等级分类,利用改进的一维卷积神经网络自动提取隧道变形的隐含典型特征.运用衰减学习率和Dropout正则化深度学习训练技巧,防止模型出现过拟合.与其他方法的结果对比,证明了该方法有着更好的准确率和鲁棒性,模型完全利用数据驱动实现有限数据集的深层复杂且微妙关系学习.应用于多雄拉公路隧道的围岩收敛变形分级预测,预测结果与现场实际一致,进一步验证了方法的准确性和适用性.研究结果有利于提高隧道收敛变形预测的理论水平和可靠性,为类似工程提供参考.     

基于多尺度与混合注意力机制的苹果目标检测

自然环境下,苹果采摘机器人进行采摘任务时易受到环境因素的影响,导致其视觉系统的检测性能降低,出现误检和漏检的情况.针对此问题,在YOLOv3的基础上,提出了一种基于多尺度与混合注意力机制的目标检测模型PM-YOLOv3.首先,改进YOLOv3的特征提取网络,减少网络残差模块的数量,引入多尺度卷积,构建新的特征提取网络;...     

一种基于固定截距多元线性回归的涡轮叶片冷却效果经验公式推导方法

为综合考量三个常见因素(冷气与燃气流量比、温比及燃气雷诺数)对航空发动机涡轮叶片冷却性能的影响,推导并发展了一种新型的多元线性回归分析方法,即固定截距的多元线性回归分析方法。通过对试验数据分别采用三种回归分析方法(即单因素非线性回归分析、常规多元线性回归分析和固定截距多元线性回归分析)处理分析后对比发现,运用固定截距多元线性回归分析方法处理的结果中确定系数更高,残差平方和令人满意,可见该方法更适合于当前试验方法下的冷却效果试验数据经验公式的拟合。     

基于全局注意力的多级特征融合目标检测算法

针对小目标物体检测精度差的问题,同时不以牺牲速度为代价,本文提出了一种基于全局注意力的多级特征融合目标检测算法。算法首先由卷积神经网络生成多尺度的特征图,然后采用多级特征融合的方法,将浅层和深层特征图的语义信息相结合,提高特征图的表达能力,接着引入全局注意力模块,对特征图上下文信息进行建模,并捕获通道之间的依赖关系来选择性地增强重要的通道特征。此外,在多任务损失函数的基础上增加一项额外的惩罚项来平衡正负样本。最后经过分类回归、迭代训练和过滤重复边框得到最终检测模型。对所提算法在PASCAL VOC数据集上进行了训练和测试,结果表明该算法能有效地提升小目标物体检测效果,并较好地平衡了检测精度与速度之间的关系。     

基于改进的深度卷积神经网络的人脸疲劳检测

针对疲劳驾驶检测问题,提出一种以softmax损失与中心损失相结合的深度卷积神经网络算法。首先,利用含有方向的梯度直方图(histogram of oriented gridients,HOG)和级联分类器(support vector machine,SVM)算法的Dlib库中预训练的人脸检测器,来检测驾驶员的脸部区域。其次,使用级联回归(ensemble of regression trees,ERT)算法实现脸部68个关键点标定及眼睛和嘴巴的定位。最后,为了优化softmax损失在深度卷积网络分类中出现的类内间距大的问题,加入中心损失函数,提高类间差异性、类内紧密性以及驾驶员脸部疲劳状态识别准确率。在自建测试集和YawDD哈欠数据集中的实验结果显示,该方法能够准确地识别检测驾驶员疲劳表情,平均识别准确率达到98.81%。与传统的疲劳驾驶检测识别方法相比,该方法可以自动进行疲劳特征提取,并且训练准确率、检测识别率及鲁棒性得到提高;与未改进的深度卷积网络相比,检测识别的概率平均提高了约5.09%。     

基于增强LetNet-5的非霍奇金淋巴瘤辅助诊断

针对主流网络模型在医学辅助诊断适用性低的问题,在现有LetNet-5模型的基础上,给出了增强LetNet-5模型用于非霍奇金淋巴瘤的智能辅助诊断方案。首先将获取到的数据集进行图像切分和归一化等预处理操作,然后使用深度学习框架KERAS搭建增强前后的LetNet-5模型,接着对增强前后的网络模型进行训练、预测和评估,最后对模型的泛化能力和稳定性进行验证。实验表明,增强LetNet-5模型相对于原始LetNet-5模型具有更高的识别精度、更好的稳定性和更快的模型收敛速度,为非霍奇金淋巴瘤的诊断提供科学性的指导并具有重要的临床价值。