基于深度学习的轻量化炮孔智能检测方法

在隧道(巷道)钻爆法施工过程中,智能装药可以取代人工作业,减少装药作业中危险事故的发生。然而,隧道中光线条件差、炮孔目标小和掌子面裂隙等因素会造成智能装药时炮孔的错检和漏检,同时车载计算机有限的算力也是制约炮孔识别大模型使用的难点。MCIW-2深度学习模型,可以解决在隧道掘进作业环境中的高精度炮孔检测和实时性部署问题。模型根据采集到的炮孔图像尺寸特征采取自适应锚框聚类算法优化检测框的长宽比尺寸参数;采用了具有动态非单调聚焦机制的损失函数WIoU(Wise Intersection over Union),通过优化边框回归的损失应对低质量炮孔图片的挑战实现了高精度检测;采用了MobileNetv3-Small网络与CBAM(Convolutional Block Attention Module)注意力机制构建了主干网络结构,减少了模型参数保证了检测准确率,满足车载设备的轻量化部署需求。经实验证明,MCIW-2模型在炮孔识别精确率方面达到了96.18%,检测速度达到了59 fps。与基准YOLO(You Only Look Once)系列目标检测模型文件最小的模型相比,所构建的轻量化炮孔智能检测模型减小了75.86%,模型文件仅为2.80 Mb,优于YOLO系列的基准目标检测模型。使用MCIW-2深度学习模型对工作面现场视频进行测试,实现了快速、精确地检测炮孔,测试结果表明,该模型适用于智能装药工程的轻量化部署需求,具有良好的适应性,在综合性能方面具有显著优势。

融合位置注意力机制和改进BLSTM的食品评论情感分析

为了对食品评价的情感倾向进行更加精确的分类,在进行情感语义分析时,卷积神经网络(convolutional neural networks,CNN)方法情感分析是近年来自然语言处理领域的研究热点。然而,目前现有的深度学习模型在对文本句子进行情感分析时缺少研究情感词位置对整个情感分析的重要性。在对电商商品评论数据进行情感语义分析时,CNN方法在提取目标的结构特征方面具有一定的优势,可以提取到多种局部特征,循环神经网络(recurrent neural networks,RNN)具有记忆功能,在序列特征提取方面具有一定的优势,双向长短时记忆网络(bidirectional long short-term memory,BLSTM)在提取远距离依赖序列语义特征方面可以得到很好的效果。在BLSTM的基础上,又引入基于食品领域的语义角色标注与位置相结合的位置注意力机制,来实现距离相关的序列语义特征提取,利用CNN实现序列语义特征的情感语义分类,从而构造出了一种基于BLSTM和位置注意力机制的食品评论情感分析模型。实验结果表明,设计的模型在情感分类方面取得了很好的分类效果,与之前的情感分类模型进行比较,在准确率结果上有所提高。