基于知识图谱的食品领域数智化研究进展

随着大数据和云计算等技术的发展,食品领域的数据规模正在以惊人的速度增长。这些数据不仅来源多样、结构复杂,且缺乏统一的术语标准,给食品数据的有效整合和利用带来了挑战。知识图谱作为实现通用人工智能的重要基石,以其在数据整合和语义理解方面的能力,为食品领域的数据组织、管理与应用提供了支持。通过总结近年来知识图谱在食品领域应用的研究成果,介绍了食品领域知识图谱的构建方法,涵盖本体构建、知识抽取、知识融合和加工等关键环节;重点梳理了当前食品领域知识图谱在食品营养与健康、食品创新与研发、食品安全与溯源3个方面的数智化应用;基于食品领域知识图谱的发展现状,从多模态数据融合技术、大语言模型构建以及食品领域工业设备智能化发展角度展望了食品领域知识图谱的未来发展方向。

人工智能课程实践教学案例设计--以离散数学课程为例

针对目前人工智能课程实验侧重算法的程序实现与调试,学生在此过程中缺少整体层面的逻辑思考,并与实际工程背景跨度较大的问题,案例以AlphaGo为参考,通过人机博弈的方式进行算法性能的验证,能够激发学生的兴趣和积极性,为人工智能课程实践教学和改革提供案例参考。

融合语言模型的端到端濒危语言语音识别研究

保护濒危语言的有效方法主要是保存该语言的语音和视频数据,并需要母语人士和专业领域的语言学家对语料进行标注。土家语是无文字濒危语言,由于语料资源匮乏及其独特的语法结构,不仅导致语音识别准确性低,而且仅停留在语音层面。故提出融合汉语对译词级语言模型的端到端语音识别模型,将语言模型融合到声学模型的解码阶段进行联合解码,输出中文序列标记的土家语。该模型首先搭建基于Attention-CTC的混合语音识别模型;其次通过基于词法信息的建模单元为词级国际音标序列的TransLM(基于transformer的词级语言模型)模型,输出对译序列。在土家语语音数据上的实验表明该模型针对土家语的识别相比较基于Attention的和基于CTC的模型在WER指标上分别降低了10.3%和9.6%,为未来研究如何提升将语音信号转为国际音标序列的正确率做了有效尝试。

“四有”式人工智能导论课程教学改革探究

针对人工智能类课程中存在的问题,进行了人工智能导论课程改革探索。首先,提出“四有”式教学改革思路和方案;然后,针对专业特点和课程目标设置了课程模块和考核方式;最后,设计了覆盖多个维度的课程调研问卷,并对近两届的数据进行了统计分析。本教学改革模式主要是人工智能类课程教学改革的初步探索,希望能为其他高校和专业教学改革提供参考。

基于工业互联网的大米供应链数字孪生系统构建

粮食生产供应关乎国家安全稳定,针对目前粮食供应链存在的数据共享水平低、管控智能化程度不高等问题,构建基于工业互联网标识解析技术的粮食供应链数字孪生系统。以大米供应链为典型对象,首先设计涵盖收购、运输、加工、仓储、包装、销售的大米全供应链数字化模型,研究基于标识解析体系的各环节全要素标识编码和数据开放共享,建立实物对象与信息系统之间的数字桥梁;提出包含物理层、网络层和孪生层的数字孪生体系架构,形成基于工业互联网的数据流通共享基础,明确孪生体系架构的关键模型;并详细阐述设备、产线、物料等对象的全要素精准建模过程,构成集几何模型、物理模型、行为模型和规则约束模型为一体的数字孪生模型;最后借助Unity3D软件以及C#编程技术搭建大米供应链数字孪生原型系统,实现对产线的三维可视化监控。实验结果表明,该系统在供应链全要素数据充分共享基础上,通过三维展示、预测控制和智能决策一定程度上提升了大米供应链智能化监管能力,为工业互联网等技术赋能产业数字化转型提供参考。

基于高光谱成像和Att-BiGRU-RNN的柑橘病叶分类

为实现对柑橘叶片病虫药害种类的快速精准识别,针对多种类柑橘病叶设计一种融合注意力机制(Attention mechanism)的双向门控循环单元-循环神经网络(Attention-bidirectional gate recurrent unit-recurrent nural network, Att-BiGRU-RNN)分类模型。该模型在编解码模块分别采用BiGRU和RNN结构,能够利用高光谱数据前后波段光谱信息的关联性,有效提取光谱信息的深层特征;根据不同波段光谱信息的差异性引入注意力机制动态分配权重信息,提高重要光谱特征对分类模型的贡献率,提升模型的分类准确率。获取6类柑橘叶片高光谱信息,构建实验样本集,利用Att-BiGRU-RNN、VGG16、SVM和XGBoost分别建立柑橘病叶分类模型,Att-BiGRU-RNN模型总体分类准确率(Overall accuracy, OA)平均可达98.21%,相较于其他3种模型分别提高4.71、10.95、3.89个百分点,对光谱曲线重合度高的除草剂危害和煤烟病叶片的分类准确率有显著提升。实验结果表明,深度学习方法可有效利用高光谱不同波段间的关联信息,识别准确率较机器学习方法有大幅提高,为柑橘病虫药害快速无损检测和防治提供了一种新方法。

基于分层次PBL教学模式的在线仿真教学探索

为满足国家新工科人才培养需求,推动在线仿真教学改革,探索了基于分层次PBL教学模式的人工智能专业在线仿真教学案例。案例以基于深度学习的无人机高铁基础设施图像检测为主要内容,在机器学习和深度学习两门课程教学中构建在线仿真教学框架。上述在线仿真教学框架以真实工程项目为背景,结合工程路径和算法模型两个问题解决路径的特点,针对不同基础学生个性化设计分层级的教学路径,提升创新思维能力,为培养“两型一化”(创新型、复合型、工程化)新工科人才提供支撑。

室内动态场景下融合点线特征的视觉里程计

针对室内动态场景下视觉里程计(visual odometry,VO)存在特征点数据关联困难导致跟踪失败、位姿估计精度较低的问题,提出了一种融合点线特征的视觉里程计算法。利用Mask R-CNN检测运动物体,滤除运动物体区域的特征点,提取静态区域线特征增加特征信息,加强数据关联保证相机稳定跟踪。解耦相机位姿估计,单独计算旋转矩阵与平移向量;利用ResNet101-FPN预测结构场景的平面法向量并确定正交平面,结合线特征和正交平面法向量构建曼哈顿坐标系,采用均值漂移算法迭代计算旋转矩阵;根据旋转矩阵求解平移向量,建立融合点线特征的联合误差函数优化平移向量,提高相机位姿估计精度。在TUM数据集上的测试结果表明,在高动态和低动态场景中,所提算法相比ORB-SLAM2、DynaSLAM和Dynamic-SLAM,相机位姿估计精度均有较大提升,证明了算法在动态场景下的可行性和有效性。

节律自适应的运动想象脑电空域特征提取方法

目的:针对运动想象脑电(MI-EEG)信号个体差异性大,特征质量依赖频带的选择,导致多类MI-EEG信号识别效果差的问题,提出节律自适应的空域特征提取方法。方法:用滤波器组共空间模式(FBCSP)提取多个频带的空域特征,结合免疫粒子群优化算法,对特征提取过程中的频、空参数寻优,实现节律、空域特征提取参数的自适应调整,获取最优节律下的FBCSP空域特征,提升多类MI-EEG信号的识别准确率。结果:本文方法在BCI-Ⅳ Dataset 2a、BCI-ⅢDataset 3a数据集上取得85.49%的平均准确率,较原始FBCSP方法提升10.84%。结论:本文方法更好地获取了脑电空域特征,能有效提高分类正确率,为MI-EEG分类提供了新的解决思路。

基于改进CycleGAN的轨道扣件ISR方法

围绕国家对高铁基础设施安全保障的重大需要,基于无人机图像的高铁基础设施缺陷检测可以作为目前巡检手段的补充和替代。轨道扣件是高铁基础设施巡检中重要的工务巡检对象,但无人机拍摄图像中存在高铁轨道两侧电气塔杆的阴影投射遮挡轨道扣件的情况,严重影响检测效率和精确度。针对以上问题,提出一种基于改进CycleGAN的轨道扣件图像去阴影方法,将掩码机制加入到CycleGAN中提高无监督学习方法对阴影区域的关注,同时将谱范数归一化加入到网络中以稳定训练过程、提升去阴影效果。在公共阴影数据集USR和无人机拍摄高铁扣件数据集上的实验结果表明,改进CycleGAN较好地提升了无人机图像去阴影效果。

基于联邦学习的粮食供应链隐私数据要素协同计算研究

[目的/意义]隐私数据要素的流转是保证粮食供应链安全高效运行的重要基础。实现粮食供应链中隐私数据要素的协同计算对保障粮食质量安全具有重大意义。[方法]针对供应链中不同主体间因数据的隐私性而无法共享并参与计算的难题,提出基于工业互联网标识解析技术与联邦学习的粮食供应链数据流转与协同计算架构,设计了支撑联邦学习数据互通的数据标识编码和任务标识编码及对应的参数、信息和评价数据模型;搭建了不同主体数据特征同构的单环节横向联邦学习模型和数据特征异构的跨环节纵向联邦学习模型,基于逻辑回归算法对模型参数进行快速调整计算,以粮食供应链安全风险评估场景为对象,依托开源FATE (Federated AI Technology Enabler)联邦学习平台进行测试验证。[结果和讨论]相比传统的单一主体评估计算,横向联邦学习评估准确率提升6.7%,纵向联邦学习评估准确率提升8.3%。[结论]采用联邦学习的方式提高了评估的准确性。本研究可为粮食供应链安全高效稳定运行提供技术支撑。

改进的YOLOv4高铁接触网部件缺陷检测

接触网是高铁供电系统中的重要一环,接触网中关键部件的缺陷检测,是保证高铁安全运行的关键。针对接触网关键部件缺陷检测困难的问题,提出一种改进YOLOv4模型进行缺陷检测。首先对YOLOv4基础模型做消融实验,选出最优策略组合;其次对主干网络进行修改,在数据输入处多增加一个CSP块,减少残差网络的层数,使用LeakyReLU作为激活函数;然后将YOLOv4中特征融合网络进行优化,使用FPN结构替换掉PANet结构,进一步减少参数量。实验结果表明,改进后的模型大小减少了约90%,检测时间提高了近50%,检测精度可达84.1%。

基于机器视觉的小样本零部件表面DD

现有汽车零部件表面缺陷检测方法大多数都是依靠人工目检或传统的图像处理方法,其检测精度和速度都不能满足零部件工厂需求。由于汽车零部件的残次率低,导致可用的数据量少,一般的深度学习模型不能很好地应用于汽车零部件表面缺陷检测。针对上述问题,提出一种基于机器视觉的小样本汽车零部件表面缺陷检测方法。上述方法在Faster RCNN检测网络基础上,采用指导框区域候选网络改进原有的区域候选网络,并且利用聚焦式损失函数来进一步改善正负样本不均衡的问题,同时加入循环特征金字塔结构以及组合特征关系检测器。在汽车零部件表面缺陷数据集和小样本FSOD数据集上的实验结果表明,小样本汽车零部件表面缺陷检测模型较好地实现了在小样本零部件数据条件下对零部件表面缺陷的检测。

面向工业现场的3D点云滤波方法

三维点云语义分割是目前人工智能领域中研究的重点问题,在自动驾驶、环境感知机器人和工业自动化等领域中广泛应用。针对激光雷达扫描数据的特点,本文根据经典的二次导向滤波方法并针对激光雷达扫描数据的特点提出三维导向滤波算法,其作用是改进三维点云数据,能够有效滤除无用噪声并保留点云中的局部轮廓信息。以公开的SemanticKITTI数据集为基础,分析滤波效果,证明本文方法的有效性。

濒危土家语多模态语料库的构建

土家语的使用人口较少且语言活力差,目前正处于濒危状态,亟需对其建立保护措施。针对以上问题,建立了土家语的多模态语料库,包含视频、语音、文本三种模态材料。其中,文本模态信息包括族源历史、传统习俗、民族技艺、村寨介绍、民间传说(故事)五个方面的内容,表现形式是以国际音标、拼音、汉语对译、汉语翻译为四元组的标注文本,用于标注土家语的声音及其含义,以及描述各语料的元数据信息文本。视频与语音模态信息包括各语料的切片文件。土家语多模态语料库的建设能够长期地保留土家语语料资源,对语言学家深入地研究土家语具有十分重要的学术价值和实用意义。

吕苏语口语标注语料的自动分词方法研究

濒危语言典藏以抢救和长久保存濒危语言口语中所包含的声学、语言学以及文学、历史、传统文化等内涵的全部信息为目的,吕苏语作为一种无文字文献记录的濒危语言,对其口语语料典藏意义重大。吕苏语口语的汉语标注语料自动分词是后续建立高质量的吕苏语口语语料库和吕苏语典藏系统的基础性工作。目前对于吕苏语标注语料分词的研究几乎为零,对吕苏语特点进行了分析,同时将中文自动分词结巴方法应用到吕苏语汉语标注语料中;并针对结巴分词算法对吕苏语标注语料分词存在的误分词问题,提出了改进结巴算法。经过实验对比,改进结巴的分词方法准确率更高,提高了吕苏语汉语标注语料的分词效果。

非平衡样本分类的集成迁移学习算法

针对冗余数据量大且正负样本不平衡的辅助训练数据,提出了一种改进集成迁移学习算法,利用这些辅助训练数据迁移帮助目标数据进行分类.新的样本初始权重分配及调整策略,突出了对负样本的识别能力.通过动态调整辅助训练集,根据设定好的权重阈值下限适时地淘汰冗余数据,降低了冗余数据对分类器性能的影响,提升了迁移学习对非平衡样本的学习能力.本文利用桥梁实际监测数据进行的实验表明了该算法较TrAdaboost算法的有效性.

半监督学习在不平衡样本集分类中的应用研究

在对不平衡样本集进行分类时容易产生少数类样误差大的问题,而目前半监督学习中的算法多数是针对未有明显此类特征的数据集。针对一种半监督协同分类算法在该问题上的有效性进行了研究。由于进一步增强了分类器差异性,该算法在理论上对不平衡样本集具有良好的分类性能。根据该算法建立分类模型,利用其对桥梁结构健康数据进行分类实验,与Tri-Training算法的结果比较表明,该算法对不平衡样本集具有良好的适用性,从而验证了上述算法的有效性。

一种增强差异性的半监督协同分类算法

半监督学习中的Tr-i Training算法打破了以往算法对充分冗余视图的限制,并通过利用三个分类器处理标记置信度和样本预测问题提高了标记效率.为进一步增强协同训练过程中分类器之间的差异性以提高性能,本文在其理论基础上提出了一种增强差异性的半监督协同分类算法.该算法利用三个不同的分类器进行学习;考虑到分类模型在更新过程中,可能会因随机抽样导致性能恶化,该算法利用基于标记类别的分层抽样法来对已标记样本集进行抽样,并通过基于分类正确率的加权投票法实现了分类器的集成,提高了预测准确率.本文通过实验对所提出算法与Tr-i Training算法做了性能比较,实验结果表明本文所提出的方法在分类问题上具有较好的性能,验证了该算法的有效性和可行性.

基于度量学习的小样本零器件表面缺陷检测

针对零器件表面缺陷检测时存在缺陷样本少、缺陷目标尺寸大小不一和易发生几何形变等问题,提出一种基于度量学习的小样本零器件表面缺陷检测模型。该模型首先将特征金字塔网络中传统卷积改进为动态卷积,并加上区域建议网络对小样本缺陷进行特征提取和边框定位;然后在大型数据集MS COCO上进行预训练,将训练好的模型结构参数迁移到具有少量缺陷样本的检测中;最后建立基于度量学习的多模态网络结构实现小样本零器件表面缺陷检测。实验表明,所提方法在ImageNet LOC公共数据集上与其他模型相比性能更优,5类5样本下均值平均精度为70.43%;在所建立的零器件表面缺陷数据集上,3类5样本的均值平均精度最高可达35.76%,相比RepMet模型性能最大可多提升近70%。