裂缝小目标缺陷的轻量化检测方法

及时且准确捕获井壁出现的微小裂缝,对于井筒安全意义重大.轻量化检测模型是推动井壁裂缝自动检测的关键,打破现有方法聚焦于提取深层语义信息的局限,重视浅层特征表征的几何结构信息的应用,针对井壁裂缝提出轻量化检测模型E-YOLOv5s.首先融合普通卷积、深度可分离卷积和ECA注意力机制设计轻量化卷积模块ECAConv,再引入跳跃链接构建特征综合提取单元E-C3,得到骨干网络ECSP-Darknet53,它负责显著降低网络参数,同时增强对裂缝深层特征的提取能力.然后设计特征融合模块ECACSP,利用多组ECAConv和ECACSP模块组建细颈部特征融合模块E-Neck,旨在充分融合裂缝小目标的几何信息和表征裂缝开裂程度的语义信息,同时加快网络推理速度.实验表明,E-YOLOv5s在自制井壁数据集上的检测精度相较YOLOv5s提升了4.0%,同时模型参数量和GFLOPs分别降低了44.9%、43.7%.E-YOLOv5s有助于推动井壁裂缝自动检测的应用.

井筒提升机数字孪生系统研究

为解决矿井提升系统虚拟化、数字化程度低的问题,提出基于数字孪生的井筒提升机数字化建模三维可视化与虚实交互的方法。面向井筒提升机系统,基于数字孪生五维模型框架,分析设备运行机理,对井筒提升机进行全物理属性的数字化系统建模。构建多维多尺度模型和多维异构数据模型,搭建孪生数字场景,结合虚实映射技术实现虚拟、物理场景两者的动态映射与虚实交互。以Unity3D虚拟引擎来搭建平台,集成上述功能,实现系统的数字化虚实映射与三维可视化。以某井筒提升机为应用对象,设计并开发了井筒提升机数字孪生系统,为井筒提升机数字孪生模型构建方法的实现提供了参考。

融合多尺度特征的YOLOv8裂缝缺陷检测算法

针对井壁裂缝背景复杂,纵横比差异大,导致检测效率低、漏检等问题,提出了一种融合多尺度特征的裂缝缺陷检测模型EDG-YOLO。设计特征提取模块EIRBlock(efficient inverted residual block),并构建C2fEIR增强主干网络对井壁浅层裂缝特征信息的提取能力。在颈部融合CSP_EDRAN(CSP efficient dilated reparam aggregation network)实现对裂缝特征信息的复用,促进浅层与深层语义信息之间的交互。嵌入DAM(dual attention module)注意力机制,增强井壁裂缝特征的表达能力。构建轻量级检测头GDetect,借助GSConv模块进一步轻量化网络。在自制井壁裂缝数据集上的实验结果表明,与YOLOv8相比,EDG-YOLO的平均检测精度达到87.4%,提高了2.3个百分点,模型的参数量和计算量分别降低了33%和47%,单幅图像推理时间为13.2 ms,满足井下场景的实时检测需求。

ECC-YOLO:一种改进的钢材表面缺陷检测方法

针对当前钢材表面缺陷检测效率低、检测精度差的问题,提出了一个模型,命名为ECC-YOLO,基于YOLOv7的钢材表面缺陷检测。首先,为了提高主干网络特征图信息表征能力,引入了特征增强模块ConvNeXt,通过融合深度可分离卷积、大核卷积,增强模型对细小裂缝的特征提取能力,其次设计了C2fFB模块,在增强目标特征信息的提取能力同时,显著降低了模型的计算量和参数复杂性。最后借助ECA注意力机制设计出MPCE模块,削弱复杂背景信息对钢表面缺陷检测的干扰,提升检测效率。最后,广泛的实验结果表明,ECC-YOLO在NEU-DET数据集上,该模型的mAP达到77.2%,相较于YOLOv7,ECC-YOLO的检测精度提高了10.1%,模型参数量减9.3%,该模型在钢表面缺陷检测中具有较好的综合性能。

用于图像超分辨率的轻量级残差平衡蒸馏网络

现有利用卷积神经网络的单幅图像超分辨率重建技术,普遍存在参数量大计算成本高等问题,阻碍了实际场景的应用,因此提出一种轻量级蓝图可分离残差平衡蒸馏网络(BSRBDN)。首先,引入蓝图可分离卷积并提出多尺度渐进特征蒸馏连接结构,在提取深层特征的同时减少冗余运算。其次,设计了对比度平衡注意块、大内核空间注意力块和像素融合模块,激活高频信息增强边缘细节特征。最后,设计了轻量级蓝图可分离残差平衡蒸馏网络快速精准的完成图像重建。实验结果显示网络在保持更好的性能和主观视觉效果的同时,大大降低了参数与计算量。

面向煤矸识别的目标检测算法

煤与矸石具有目标密集、特征差异小等特征,基于图像处理的识别方法普遍存在检测速度慢、精度低等问题。为了进一步提高煤矸检测的速度和精度,提出一种GE-YOLOv5s煤矸检测模型。首先在YOLOv5s的基础上引入Ghost Conv代替卷积操作,并设计新模块GhostCSP,在提升模型检测速度的同时实现网络的轻量化;其次在预测层中加入GC自注意力机制,融合SENet的轻量化和NLNet长距离信息全局捕获的优势,使网络记忆、放大煤矸图像间的细微差异特征,提升模型的表现力;然后在Neck部分采用双向特征金字塔网络(BiFPN)结构,利用BiFPN融合3个不同维度的特征,通过加权特征融合机制提高模型计算效率,进一步提升煤矸检测速度;最后设计一种新型激活函数Eswish替代SiLU激活函数,提高参数利用率的同时加快模型收敛速度并提升鲁棒性。实验数据表明:相较于YOLOv5s模型减少了34.1%的参数量和38.6%的浮点运算量,并且在mAP 0.5:0.95指标上提升了1.9%。对比实验显示,相较于YOLOv3、SSD、FasterR-CNN和YOLOv5-scSE的mAP 0.5:0.95指标分别提高了16.6%、4.8%、13.6%和3.8%。将GE-YOLOv5s模型应用于煤矸石目标检测过程中,具有更优的识别性能、鲁棒性、网络泛化能力,可有效避免漏检、误检和重叠现象。

基于斯皮尔曼等级相关性的彩色图像椒盐噪点检测算法

为了避免在图像去噪时对非噪声点产生运算,更好地保护图像边缘细节,针对彩色图像设计了一种椒盐噪点检测方法.首先,将图像中的每个像素点作为待检测点,对待检测点及其左侧相邻像素点利用彩色图像的空间和色彩相关性构造两个6维向量;然后,算出两向量的斯皮尔曼等级相关系数,通过设置阈值T1筛选图像中的极值点,初选出所有可能的噪点和边缘点;最后,计算初选点与其周围8个像素点之间的斯皮尔曼等级相关系数,通过设置阈值T2将初选点确定为噪点或边缘点.仿真实验表明,利用粒子群优化算法对两个阈值参数寻优后的参考取值范围为0.28<T2<0.41<0.70<T1<0.80;用寻优的阈值,对椒盐噪声浓度介于0.01~0.1和0.2~0.8的含噪图像的噪点检测率分别不低于91.51%和88.01%,对加入人为噪点的含噪图像的噪点检测率不低于88.71%.该检测精度能够保证去噪后的彩色图像的CPSNR值超过57dB.

航拍绝缘子自爆缺陷的轻量化检测方法

为了精准识别、定位架空输电线路中航拍绝缘子串的自爆缺陷,提出一种轻量化检测方法MDD-YOLOv3。首先将YOLOv3主干网络残差单元中的普通卷积替换为深度可分离卷积,设计主干网络D-Darknet53,在网络检测精度微降的情况下,大幅提升网络的检测速度。特征挖掘模块中,设计了Dense-SPP模块,Dense-SPP和它前后串联的卷积特征提取层能充分挖掘自爆缺陷的全局和局部特征,提高网络对自爆缺陷的特征表达能力。最后构建了四维度预测层,能充分提取自爆缺陷的位置、纹理和语义等信息,提高网络的小目标检测性能。仿真实验表明,MDD-YOLOv3对绝缘子的检测精确度达到96.1%,检测速度达到36帧/s,相比YOLOv3,检测精确度和速度分别提升了4.0%和28.6%。研究结果证明所提方法可以在复杂背景下快速且精准的识别和定位绝缘子缺陷。

融合有限差分及梯度的Bayer-CFA插值方法

为了实现对边缘像素点的高精度插值,融合有限差分、图像梯度、图像相关性提出了一种先插值再修正的Bayer彩色滤波阵列(color filter array,CFA)插值方法Bayer-CFA。首先,把CFA图像中的已知像素点作为离散的网格节点,利用像素点间的空间相关性构造插值函数。然后,结合色彩相关性设计插值G像素的水平、垂直方向的插值算子,并用梯度信息建立两个方向的权重因子,实现G平面插值;再根据G像素点左右的已知R像素点的对称性及色彩相关性构建插值函数,应用色差公式完成R平面插值,并用与R平面插值相同的方法完成B平面插值。最后,对每个插值结果,在以其为中心的3×3邻域内进行梯度修正,采用梯度信息构造8个方向的权重因子,用像素点的空间位置决定加权系数,以消除不规则边缘及纹理引起的插值误差。仿真结果表明:相较于EET算法,Bayer-CFA的彩色图像峰值信噪比提高了0.57 dB,S-CIELAB空间的色差降低了0.23;Bayer-CFA在使用梯度修正后能减少伪彩色,沿边缘方向的插值有效削弱了锯齿现象,能保留图像的边缘纹理细节。

深立井井壁图像的卷积神经网络去噪方法

为了实现井壁缺陷的自动检测,提出去除井壁图像噪声的卷积神经网络(CNN)模型(ELU-CNN)。该模型为深28层的全卷积网络模型,由5个特征提取模块(FEM)和跳跃连接组成;跳跃连接将第一卷积层的输出特征与每一个FEM的输出特征串联融合,保证图像特征的充分提取;使用残差学习来缓解梯度消失并提高收敛速度,保证训练后的去噪模型学习到的非线性映射是图像噪声;选用ELU作为激活函数,它具有软饱和性且输出均值接近于零,能增强模型对输入噪声的鲁棒性并加速模型收敛。在标准测试集BSD68、set12及实际井壁图像上,验证ELU-CNN模型的去噪性能并和先进方法作比较,实验结果表明:与FFDNet模型相比,ELU-CNN模型的平均峰值信噪比,在含噪声浓度σ为(15,25,35,50,75)的BSD68、set12测试集上分别提高了(0.17,0.11,0.08,0.05,0.03)dB、(0.18,0.16,0.08,0.06,0.07)dB。在去除井壁图像盲噪声时,ELU-CNN模型能更好地保留缺陷的纹理信息。

井壁径向极限承载及应力应变模型试验研究

为探究砼井壁径向极限承载及其应力应变关系,基于统一强度理论的井壁径向承载极限解公式,求解得到井壁径向极限承载,考虑混凝土多轴强度特性,对塑性极限解公式进行修正,给出高强砼井壁径向塑性极限承载力的修正公式,提出了砼井壁径向应力应变关系的数学模型.通过试验,理论预测值与试验的最大误差为2.85%,研究成果对井壁破坏的预测有一定指导作用.

融合残差结构与注意力机制的暗光图像增强算法

目的低光工况或拍摄技巧影响都可能获得低光照图像,为解决此类图像对比度低、噪声大、颜色失真等问题,提出一种卷积神经网络增强模型RetKIND,包括分解网络、亮度调整网络和降噪网络。方法它借助残差模块(RB)和跳跃连接,有效抑制分解网络在分解时产生的噪声;融合U-Net架构、空洞卷积和EBAM高效注意力机制构建降噪网络,利用空洞卷积扩大感受野,提取更多图像信息,提高EBAM在通道和空间上提取反射图的细节、纹理、颜色等特征的能力,实现图像去噪;由UC(亮度调整网络中的自定义模块)和普通卷积组成亮度调整网络,旨在减少光照图细节缺失,提高光照分量对比度。融合去噪后的反射分量和增强后的光照分量,得到正常光照图像。结果仿真结果表明:在LOL数据集上,相较R2RNet,FPSNR和FSSIM值分别上升了6.2%和4.2%;相较URetinex-Net,FPSNR和FSSIM值分别上升了5.9%和1.2%;相较DEANet,FPSNR和FSSIM值分别上升了2.9%和1.1%。结论Ret-KIND模型既能提升图像亮度,又能降低图像的噪声,有助于推动低光图像增强模型应用到目标检测领域。

绝缘子自爆缺陷的轻量化检测网络DE-YOLO

为了实现输电线路的高精度、高速度巡检,设计了一种适用于移动终端设备的轻量化目标检测网络DE-YOLO。首先融合深度可分离卷积、逐点卷积和ECA注意力机制提出了特征提取模块NewC3,它负责显著降低网络参数、同时强化网络提取绝缘子有效信息的能力。再借助通道数成倍增长策略和通道注意力机制SE设计了轻量化模块DC-SE,它用于削弱复杂背景对绝缘子故障的干扰、互补提取绝缘子细微特征,进而增强浅层网络对目标特征信息的提取能力。实验表明,DE-YOLO网络在自制绝缘子数据集上的GFLOPs降低45%,运行参数降低42%,自爆缺陷检测精度高达93.2%。NewC3和DC-SE能保证DE-YOLO的轻量化,同时满足绝缘子自爆缺陷实时检测的要求。

基于支持向量机的彩色滤波阵列插值方法

针对已有彩色滤波阵列插值方法的结果图像存在边缘模糊、虚假色的问题,提出了图像相关性与支持向量机将结合的插值方法。该方法以色彩相关性为基础构造色差平面,在色差平面上根据空间相关性选择适当的邻近点输入模式训练支持向量机,然后用训练的支持向量机及输入模式估计出未知像素点对应的色差,最后计算出各像素点未知的彩色像素值。实验结果表明,与已有算法相比,该算法结果图像的PSNR值、NCD值及视觉效果均有显著改善。

基于粗糙集约简的图像插值方法

提出了一种基于粗糙集约简的支持向量机图像插值方法,目的在于提高基于学习的插值方法的插值效率,改善放大图像边缘模糊现象。首先在原始图像上利用已知的像素灰度值及邻域内像素间的相关性构造训练样本集;然后利用粗糙集约简算法约简掉其中重要度较小的特征,并用约简后的样本集训练支持向量机;再用测试样本及训练好的支持向量机估计偶行偶列的像素灰度值;最后利用测试样本及训练好的支持向量机估计剩余的未知像素灰度值。仿真表明,所提方法有效提高了插值效率,获得了较好的客观指标,得到了满意的插值图像。

采用圆投影和序贯相似检测的图像匹配技术

针对现有的高精度匹配方法复杂度较大,现有的圆投影匹配方法在实际应用中计算量高、速度慢的缺点,提出了一种新的图像匹配算法.该算法基于序贯相似检测原理,采用由粗到精的匹配策略,应用步长自适应的跳跃式搜索方法,在不影响匹配精度的前提下,跳跃了大量匹配点,减小了在非匹配点处的计算量.实验结果表明,与已有的基于不变矩的匹配算法、圆投影匹配算法相比,该算法具有较高的匹配精度,且匹配速度快.

基于bagging-rough SVM集成的去马赛克方法

能否有效保护图像的细节信息是衡量去马赛克技术优劣的关键因素,为改善图像细小边缘区域的边缘特征,抑制伪彩色效应或锯齿现象,提出一种基于bagging-rough的SVM集成算法,并利用该算法实现去马赛克。为提高支持向量机集成的预测精度,利用各平面之间的色彩相关性及色差恒定原理构建色差平面,在色差平面上利用图像的空间相关性构建原始样本集,采用bootstrap技术对原始样本集重取样,利用粗糙集约简算法约简重取样出的样本特征,然后用约简后的样本训练成员回归机、建立预测模型,将各成员回归机的预测结果采用均值法融合输出,其输出即为预测的色差平面上待插值点的色差,最后根据预测的色差值计算出丢失的像素值。仿真实验结果表明:所提去马赛克方法获得较优的客观指标彩色图像峰值信噪比(rCPSNR)和S-CIELAB的色差*ab?E,较好的保护图像的细节信息,达到较满意的视觉效果。

幽门螺杆菌感染的中西医结合诊疗方案

我国的幽门螺杆菌(Helicobacter pylori,Hp)感染率较高,且胃癌高发,根除Hp不仅是治疗胃炎、消化性溃疡的重要手段,也是预防胃癌的有效措施。Hp属中医湿热邪气,其引起的胃炎、消化性溃疡等病归属中医学“胃脘痛病”“胃痞病”等范畴,呈现脾胃湿热、脾虚郁滞、正虚毒盛的病证演变规律。中医药在提高Hp根除率、缓解临床症状、减少不良反应等方面具有优势,在长期临床应用中形成了有效的中西医结合根除方案,以及针对老年人群、难治性人群的个体化病证结合治疗方案。参照《成人幽门螺杆菌引起的胃炎中西医协作诊疗共识》《全国中西医整合治疗幽门螺杆菌相关“病-证”共识》,结合北京大学第一医院中医、中西医结合科团队在Hp中西医结合治疗领域的研究成果共同制定本方案,以期突出中医药优势,规范Hp感染的中西医协同诊疗,提高临床疗效。

跨信道注意力权重最大区域掩盖的正则化方法

针对Dropout的流动性和随机性可能引起欠拟合或过拟合的问题,提出跨信道计算注意力权重并掩盖注意力权重最大区域的正则化方法(MARDrop)。设计跨信道注意力权重提取机制,提取所有特征图的注意力权重,并筛选出注意力权重较大的部分作为特征判别单元;根据特征判别单元周围区域的注意力权重变化确定出注意力权重最大区域,并将其掩盖即对应区域置为0,其余区域均置为1;将取值为1的注意力权重区域还原为特征图,完成正则化处理。实验表明:MARDrop具有较强的灵活性,结合不同优化方法用于Model2模型后,在CIFAR-10上的分类精度比基础模型提高了19.55%;MARDrop具有较强的泛化能力,能灵活用于不同模型,用于VGG16和ResNet18模型后,在CIFAR-10上的分类错误率比基础模型分别降低了10.05%和9.96%,用于MoblieNetV3S和MoblieNetV3L后,在ImageNet-C9上的分类错误率比基础模型分别降低了14.67%和96.90%。MARDrop利用一维卷积跨信道交互计算注意力权重,能有效降低提取的复杂度;MARDrop通过准确掩盖造成过拟合的特征区域,降低了模型对少数特征的依赖性,进而增加了图像分类的准确率。

仿鹰视顶盖的眼底OCT图像重建方法

客观因素导致临床获得的眼底OCT图像存在对比度差、病灶区域边缘模糊等现象.为解决上述问题,借鉴鹰视觉系统的信息处理机制,提出单幅OCT图像的超分辨率重建方法EOTRN.它仿照鹰眼视顶盖逐步扩大感受野的思路,从纵、横两维度逐级挖掘高级语义特征.纵向维度上借助空洞卷积、密集连接、通道注意力实现感受野逐步扩大、不同网络层特征传播及不同通道特征间的“竞争”与“合作”,完成低频信号的高级语义特征的初步提取.横向维度上借助64个特征子空间剔除高级语义特征中的冗余信息,校正并突出显著信息,实现病灶区域的纹理、轮廓特征强化.最后对底层语义特征和高级语义特征进行上采样和深层重建,得到高清OCT图像.仿真表明,在×4放大倍数时,EOTRN对测试集3的PSNR和SSIM值比EMASRN分别提高了0.96%和1.36%,重建图像能够突出细节信息,真实反映眼底健康状况.EOTRN的参数量较少,适用于嵌入式系统的部署,实现眼底OCT图像的实时超清重建.