针对工业缺陷对比度低、周围干扰信息多导致的误检率和漏检率高的问题,提出一种基于改进YOLOv8的工业表面缺陷检测算法EML-YOLO。通过设计一种高效大卷积模块(efficient large kernel,ELK),在保留空间信息的同时提供多尺度的特征表示,...针对工业缺陷对比度低、周围干扰信息多导致的误检率和漏检率高的问题,提出一种基于改进YOLOv8的工业表面缺陷检测算法EML-YOLO。通过设计一种高效大卷积模块(efficient large kernel,ELK),在保留空间信息的同时提供多尺度的特征表示,从而提高模型的特征提取能力;提出多支路并行的特征融合模块(multi-scale context module,MCM),使得模型能够获取丰富的特征信息和全局上下文信息;在Neck模块中通过特征压缩和精简来减少模型的参数量和计算量,让模型更适用于资源有限的工业场景。采用GC10-DET和DeepPCB两个工业表面缺陷数据集来验证改进的EML-YOLO算法的有效性。实验结果表明,在GC10-DET数据集和DeepPCB数据集上,检测准确率上分别提高了4.3个百分点和2.9个百分点,参数量仅2.7×10^(6)。所提算法可以较好地应用于工业缺陷检测场景。展开更多
针对目前基于信道脉冲响应(Channel Impulse Response,CIR)的非视距(None Line of Sight,NLoS)/视距(Line of Sight,LoS)识别方法精度低、泛化能力差的问题,提出了一种多层卷积神经网络(Convolutional Neural Network,CNN)与通道注意力...针对目前基于信道脉冲响应(Channel Impulse Response,CIR)的非视距(None Line of Sight,NLoS)/视距(Line of Sight,LoS)识别方法精度低、泛化能力差的问题,提出了一种多层卷积神经网络(Convolutional Neural Network,CNN)与通道注意力模块(Channel Attention Module,CAM)相结合的NLoS/LoS识别方法。在多层CNN中嵌入CAM提取原始CIR的时域数据特征,利用全局平均池化层代替全连接层进行特征整合并分类输出。使用欧洲地平线2020计划项目eWINE公开的数据集进行不同结构模型和不同识别方法的对比实验,结果表明,所提出的CNN-CAM模型LoS和NLoS召回率分别达到了92.29%与87.71%,准确率达到了90.00%,F1分数达到了90.22%。与现有多种传统识别方法相比,均具有更好的识别效果。展开更多
为实现小反刍兽疫病毒(Peste des petits ruminants virus,PPRV)的快速、准确、定量检测,以国内PPRV Clone 9疫苗株N基因为靶位点设计特异性引物及探针,建立了液滴式数字PCR(Droplet digital PCR,ddPCR)方法,并对其特异性、敏感性及重...为实现小反刍兽疫病毒(Peste des petits ruminants virus,PPRV)的快速、准确、定量检测,以国内PPRV Clone 9疫苗株N基因为靶位点设计特异性引物及探针,建立了液滴式数字PCR(Droplet digital PCR,ddPCR)方法,并对其特异性、敏感性及重复性进行评价。将所建立的ddPCR方法与实时荧光定量PCR(Fluorescence quantitative PCR,qPCR)方法的灵敏度进行比较分析并应用于PPRV(Clone 9株)核糖核酸标准物质的定量。结果显示,所建立的ddPCR方法特异性好,仅PPRV检测结果为阳性,其他羊源病毒类生物制品及毒种检测结果均为阴性;敏感性高,基因拷贝数检出限度为4.33拷贝/μL,比qPCR方法的灵敏度(57.3拷贝/μL)高10倍;重复性好,重复性试验的变异系数为1.8%;定量准确,具有一定资质的9家单位各组测量数据组间变异系数小于5%。试验建立的ddPCR方法能够有效地对PPRV核酸进行快速检测,为PPRV的诊断及绝对定量提供了有效方法。展开更多
应用中的各种因素可能造成数据缺失,影响后续任务的分析。因此,数据集缺失值的插补尤为重要。相比原本没有插补的处理,错误的插补值也会对分析造成更严重的偏差。针对这种情况,提出新的采用双重判别器的基于条件生成对抗插补网络(C-GAIN...应用中的各种因素可能造成数据缺失,影响后续任务的分析。因此,数据集缺失值的插补尤为重要。相比原本没有插补的处理,错误的插补值也会对分析造成更严重的偏差。针对这种情况,提出新的采用双重判别器的基于条件生成对抗插补网络(C-GAIN)的缺失值插补算法DDC-GAIN(Dual Discriminator based on C-GAIN)。该算法通过一个辅助判别器辅助主判别器判断预测值的真假,即根据一个样本的全局信息判断这个样本生成的真假,更注重特征之间的关系,以此估算预测值。在4个数据集上与5种经典插补算法进行对比实验,结果表明:同样条件下,DDC-GAIN算法在样本量较大时的均方根误差(RMSE)最低;在Default credit card数据集上缺失率为15%时,DDC-GAIN算法的RMSE比次优算法C-GAIN降低了28.99%。这说明利用辅助判别器帮助主判别器学习特征之间的关系是有效的。展开更多
文摘针对工业缺陷对比度低、周围干扰信息多导致的误检率和漏检率高的问题,提出一种基于改进YOLOv8的工业表面缺陷检测算法EML-YOLO。通过设计一种高效大卷积模块(efficient large kernel,ELK),在保留空间信息的同时提供多尺度的特征表示,从而提高模型的特征提取能力;提出多支路并行的特征融合模块(multi-scale context module,MCM),使得模型能够获取丰富的特征信息和全局上下文信息;在Neck模块中通过特征压缩和精简来减少模型的参数量和计算量,让模型更适用于资源有限的工业场景。采用GC10-DET和DeepPCB两个工业表面缺陷数据集来验证改进的EML-YOLO算法的有效性。实验结果表明,在GC10-DET数据集和DeepPCB数据集上,检测准确率上分别提高了4.3个百分点和2.9个百分点,参数量仅2.7×10^(6)。所提算法可以较好地应用于工业缺陷检测场景。
文摘针对目前基于信道脉冲响应(Channel Impulse Response,CIR)的非视距(None Line of Sight,NLoS)/视距(Line of Sight,LoS)识别方法精度低、泛化能力差的问题,提出了一种多层卷积神经网络(Convolutional Neural Network,CNN)与通道注意力模块(Channel Attention Module,CAM)相结合的NLoS/LoS识别方法。在多层CNN中嵌入CAM提取原始CIR的时域数据特征,利用全局平均池化层代替全连接层进行特征整合并分类输出。使用欧洲地平线2020计划项目eWINE公开的数据集进行不同结构模型和不同识别方法的对比实验,结果表明,所提出的CNN-CAM模型LoS和NLoS召回率分别达到了92.29%与87.71%,准确率达到了90.00%,F1分数达到了90.22%。与现有多种传统识别方法相比,均具有更好的识别效果。
文摘应用中的各种因素可能造成数据缺失,影响后续任务的分析。因此,数据集缺失值的插补尤为重要。相比原本没有插补的处理,错误的插补值也会对分析造成更严重的偏差。针对这种情况,提出新的采用双重判别器的基于条件生成对抗插补网络(C-GAIN)的缺失值插补算法DDC-GAIN(Dual Discriminator based on C-GAIN)。该算法通过一个辅助判别器辅助主判别器判断预测值的真假,即根据一个样本的全局信息判断这个样本生成的真假,更注重特征之间的关系,以此估算预测值。在4个数据集上与5种经典插补算法进行对比实验,结果表明:同样条件下,DDC-GAIN算法在样本量较大时的均方根误差(RMSE)最低;在Default credit card数据集上缺失率为15%时,DDC-GAIN算法的RMSE比次优算法C-GAIN降低了28.99%。这说明利用辅助判别器帮助主判别器学习特征之间的关系是有效的。
