面向胃息肉检测的深度学习神经网络优化

胃镜检查是发现胃息肉的主要方法。传统的人工检查方式存在准确率低,易漏诊、误诊的情况。本文提出了一种基于深度学习的YOLOv5-SE胃息肉检测网络。该网络在目标检测算法YOLOv5的基础上进行了改进,引入注意力机制,将SE Block加入到主干网络的最后一层,增强网络的特征提取能力。改进后的YOLOv5-SE胃息肉检测网络的平均精度均值(mAP)达到了94.5%,相比原网络提高了3.1%,推理速度达到67fps,在满足实时性要求下较好地完成了胃息肉检测的要求。YOLOv5-SE胃息肉检测网络具有在实时性、自动检测的精度和速度等方面有一定提升,对促进胃息肉的自动检测有重要意义。     

机制砂掺量对自密实轻骨料混凝土碳化性能的影响机理

为探究机制砂掺量对自密实轻骨料混凝土碳化性能的影响及其变化规律,采用固定砂石体积法和改进的全计算法配制了5组机制砂掺量(0、30%、60%、80%、100%)的自密实轻骨料混凝土,并与2组机制砂掺量(0、100%)的自密实混凝土对比,测试了各龄期下混凝土的碳化深度,并通过扫描电子显微镜(scanning electron microscope, SEM)对比研究了自密实轻骨料混凝土和机制砂自密实轻骨料混凝土碳化前后的微观结构。结果表明：随着龄期的增长,混凝土碳化深度不断增加,但碳化速率前期较大,后期较小;机制砂的掺入能够细化孔结构,提高硬化浆体和骨料过渡界面区的密实度,轻骨料特有的内养护机制能够改善骨料水泥石过渡区界面结构,均可提高混凝土的碳化性能。最后,得到了关于机制砂掺量的自密实轻骨料混凝土碳化深度预测模型,可为机制砂自密实轻骨料混凝土耐久性预测提供参考。     

基于深度学习的风力发电机组故障预警方法研究综述

风能作为重要的可再生能源,近几十年来,全球风能使用规模迅速增长,陆上和海上风力发电机组发电容量不断增加。由于风力发电机组故障维修成本巨大,因此必须开发有效且可靠的风力发电机组故障预警方法,在风电机组发生故障前进行提前预警,以便降低风电场的运营和维护成本。目前风电机组数据采集与监视控制系统(supervisory control and data acquisition, SCADA)已经在风电场有了广泛的应用,其中蕴含着大量的潜在数据信息,同时深度学习方法在海量数据挖掘方面有比较明显的优势,因此深度学习方法在风力发电机组故障预警领域的应用潜力巨大。综述了近年来相关深度学习方法在风力发电机组故障预警的研究进展,总结了风电机组故障预警的大体步骤,分析了各个步骤的具体处理方法,对每种技术方法的特点进行整理分析。最后阐述了深度学习在风电机组故障预警领域所面临的挑战,并对今后的研究重点进行了展望。     

莲蓬采摘点与采摘姿态计算算法

针对研发莲蓬采摘机器人遇到的采摘点识别问题,提出了一种莲蓬采摘点与采摘姿态计算方法。提出了一种基于YOLO(you only look once)与Deeplab v3+的二阶段分割网络,并通过Mobilenet v2特征提取网络对算法进行轻量化改进,最后对分割后的结果进行图像处理,进一步计算得到莲蓬采摘点及采摘姿态。将50幅原始图像进行验证试验的结果表明,算法计算成功率为88.89%,平均帧率为34.41 FPS。得到的算法能够为莲蓬自动化采摘机械提供有效信息,具有轻量化、效率高的特点,促进了计算机视觉与神经网络在现代农业的应用。     

基于均匀设计的船舶目标检测深度学习 模型训练方法研究

针对沿岸监控视频图像的舰船目标识别问题,传统检测方法检测速度和准确率有待进一步提升。深度学习方法已经能够实现船舶目标的检测,但模型网络结构复杂且存在交互影响的超参数,模型训练时耗长,检测精度往往受限于训练样本和超参数的选取。拟在YOLO算法的卷积神经网络模型训练过程中,采用均匀设计理念,对影响因素和水平协同优化,减少按照主观经验训练深度学习算法参数的盲目性。分析清晰度和人工标注影响,以场景、训练集与测试集样本比例、训练算法、训练轮次作为影响因素,设置差异化水平值,采用均匀设计方法训练深度学习模型,选用AP 值对比分析经验法和均匀设计法。以上海市黄浦江水域场景作为实例验证,研究表明：经验法设计的9组训练方案中最优AP值为0.84,均匀设计法产生的6组训练方案中,选用YOLOv5x算法,样本比例90%、训练100轮次时,深度学习模型AP值为0.91,表明均匀设计在深度学习模型超参数训练中有效。     

飞行员异常事件处理能力的脑电评估方法

为客观准确评估飞行员在飞行过程中对发生的异常事件的处理能力,在A320NEO/CEO全任务飞行模拟器中设定异常事件,并利用脑电设备进行实验信号采集。脑电信号（Electroencephalography,EEG）经独立成分分析（Independent Component Analysis,ICA ）等预处理后,通过近似熵法与小波包分析法提取相应特征以构建特征集,再选择适用于脑电领域的机器学习算法构建模型,并引入F1值、ROC-AUC曲线等模型评价指标对构建的模型进行评价。分析结果显示随机森林算法所构建的模型的分类效果最好,其准确度为88.5%,F1值为84.2%,AUC值为0.95。研究表明该模型预测精度良好,可用于辅助飞行员训练与评估。     

基于深度学习岩性分类的研究与应用

岩性预测,特别是致密储层的岩性预测,是石油勘探的一项重要基础任务,因为岩性数据对于地层对比、沉积模拟等地质工作的分析是必不可少的.因此,如何获取可靠的岩性信息逐渐成为地球科学研究的热点.面对大部分老油田由于仪器、井历史长等原因使得部分测井数据丢失,特别是岩性数据;新开发生产井,钻井取心需要投入巨大的成本、人力和物力;这...     

融合情感词典的改进BiLSTM-CNN+Attention情感分类算法

传统机器学习和深度学习模型在处理情感分类任务时会忽略情感特征词的强度,情感语义关系单薄,造成情感分类的精准度不高。本文提出一种融合情感词典的改进型BiLSTM-CNN+Attention情感分类算法。首先,该算法通过融合情感词典优化特征词的权重;其次,利用卷积神经网络(CNN)提取局部特征,利用双向长短时记忆网络(BiLSTM)高效提取上下文语义特征和长距离依赖关系;再结合注意力机制对情感特征加成;最后由Softmax分类器实现文本情感预测。实验结果表明,本文提出的情感分类算法在精确率、召回率和F值上均有较大提升。相较于TextCNN、BiLSTM、LSTM、CNN和随机森林模型,本文方法的F值分别提高2.35%、3.63%、4.36%、2.72%和6.35%。这表明该方法能够充分融合情感特征词的权重,利用上下文语义特征,提高情感分类性能。该方法具有一定的学术价值和应用前景。     

基于深度学习的手术场景运动感知

基于术中影像的运动感知是计算机辅助手术系统开发的重要研究内容,能够为运动补偿、软组织形变分析等应用提供有价值的信息,从而提高手术效率并增强手术安全。然而,手术影像中运动器械的遮挡降低了对局部区域估计的准确性。为解决这一难题,提出一种基于光流网络和解耦表示的运动感知方法,并结合自监督学习范式优化模型。制作了神经外科手术数据集,在PyTorch深度学习框架下对模型进行训练和验证。实验结果表明：该运动估计方法在复杂手术场景中具有稳定性强、准确度高的优点,在计算机辅助手术中具有较高的应用价值。     

破胶絮凝-预氧化-深度氧化处理压裂返排液

以四川德阳某气田作业现场的压裂返排液为研究对象,通过对其水质特征、治理现状进行分析,提出了破胶絮凝-预氧化-深度氧化的处理工艺。通过实验研究,确定了性能优良的破胶絮凝剂、预氧化剂及Fenton氧化体系;并得出最佳实验条件:CaO、Al2(SO4)3及FeSO4的投加量均为5 000 mg/L;在不调节出水pH、加入预氧化剂高锰酸钾500 mg/L、反应时间15 min的条件下,CODCr去除率达到58%;调节废水pH至3.0~4.0,再采用Fenton氧化处理,其投加量为H2O2(30%)6 mL/L、及FeSO4·7H2O 5 000 mg/L,反应时长2 h。采用上述处理工艺,处理后废液的主要污染指标CODCr降低了79%,从而为达标处理创造了条件。