基于YOLOv5s-FCS的钢材表面缺陷检测

针对传统钢材表面缺陷检测方法易出现误检、漏检和部分缺陷种类检测精度低等问题,设计了一种钢材表面缺陷网络YOLOv5s-FCS。首先引用了FReLU激活函数构建了卷积模块CBF,有效增强了网络的空间解析能力,优化了网络检测精度;其次,将坐标注意力机制嵌入到网络的neck部分来增强网络特征融合的能力,从而使网络能够提取更加丰富的特征信息;最后,将YOLOv5s的损失函数替换为SIoU loss,提高了预测框的回归精度。通过在NEU-DET数据集上进行消融实验、可视化对比实验,结果表明,YOLOv5s-FCS网络的mAP值达到了0.747,相较于原YOLOv5s网络提高了8.3%,相较于YOLOv3网络提高了11.8%,相较于YOLOXs网络提高了4.2%,相较于YOLOv6s提高了1.4%,验证了该方法的可行性、有效性。

基于改进EfficientNet网络的肺结节图像分类研究

针对目前计算机辅助诊断肺结节良恶性精度值较低、误诊率较高以及模型较复杂等问题,提出一种改进EfficientNet网络的肺结节良恶性分类模型。首先,在特征提取部分融合ECA模块,搭建出EMBConv结构,使网络模型关注更多特征信息;其次,使用跨域迁移学习,提高了网络模型的分类性能;然后采用Ranger优化器优化网络训练,有效防止模型陷入局部最优;最后,将从LIDC-IDRI数据集分割提取的肺结节图像输入到改进的分类模型中。实验结果表明,所提方法在网络参数量和计算量表现出较强竞争力,同时,分类准确率、精确率达到了91.83%和95.50%,较模型改进前分别提高了1.66%和4.41%。

基于FCM的煤矿突水激光诱导荧光光谱分析

快速识别煤矿突水水源类型对于矿井水害防治意义非凡。鉴于传统水化学方法水源识别耗时较长等诸多不足,提出了将模糊C均值聚类(FCM)算法和多维标度分析(MDS)用于激光诱导荧光光谱识别煤矿突水水源这一新思路。由于FCM算法在光谱分析和模式识别等方面都有着成功的应用,况且激光光谱具有时间响应快、灵敏度高、干扰小等优点,通过实时采集水样的荧光光谱数据,利用FCM和MDS对光谱数据分析后就可以辨别水样类型。以华东地区某矿的老空水和奥灰水以及按比例混合得到水样共7种(每种水样各20个样本)为实验材料,利用405nm激光打入被测水体,一共采集了140组荧光光谱数据,随后选择合适的波长区间进行分析。取每种水样各15组共105组光谱数据用作训练集,其余35组光谱数据用作测试集。使用MDS建立七种不同水样的模型,再利用FCM算法进行聚类分析得到七种水样的簇中心,最后使用得到的簇中心对测试集进行验证。实验结果表明,不同水样的光谱图有着较大差异,选取合适的波长区间下的光谱数据,在MDS下选择维度为2,利用FCM算法对水样进行分类,全部140组样本的准确率是100%。

AdaBoost算法在矿井突水水源的荧光光谱识别中的研究

矿井突水是影响矿井安全生产的重要因素之一,如果矿井发生突水,能够快速、准确地判别突水水源类型是治理矿井突水灾害保证生产安全的重要环节,因此,建立一个能够快速识别矿井突水水源的模型具有重要的意义。水化学分析法作为在传统的矿井突水水源类型识别方法里应用最为广泛的识别方法,通过获得相应的pH值、离子浓度、电导率等参数,然后利用这些参数来建立突水水源的类型识别模型对矿井突水的类型进行判别。针对这种传统矿井突水水源识别方法在判别时间上耗时长和识别准确率低等不足,鉴于LIF技术具有分析速度快、灵敏度高等优点,提出了将线性判别分析(LDA)算法作为弱分类器的自适应提升(AdaBoost)算法用于激光诱导荧光(LIF)光谱识别矿井突水水源的新方法。用于实验的九种水样(每种水样各取50个样本)由淮南地区某矿的老空水、灰岩水以及按不同比例混合的老空水与灰岩水的七种混合水构成。将405nm激光器发射的激光打入被测水体并采集荧光光谱数据,然后对采集到450组荧光光谱数据进行分析,取其中360组光谱数据(每种水样各40组)用作训练集,取剩余90组光谱数据用作测试集。分别选取三种算法针对水样的激光诱导荧光光谱的分类进行了建模并将三种结果进行对比。首先利用决策树算法对光谱进行分类识别,在节点个数为8时决策树对测试集的分类效果最好,分类准确率达到91.11%。然后针对决策树算法分类效果的不足,利用决策树算法作为弱分类器的AdaBoost算法,当选取节点个数为9的决策树作为弱分类器的时,对训练集的分类准确率为97.78%。最后针对基于决策树的AdaBoost算法的泛化性能不足和为了获得更好的分类效果,提出了基于LDA算法作为弱分类器的AdaBoost算法,在设置迭代次数为150后对水样光谱数据分类准确率可以达到100%。通过实验结果可以发现,集成学习算法的分类能力比传统的分类算法对水样的光谱的分类识别能力更强,相较于同为九个节点的决策树算法,采用节点数为9的决策树作为弱学习器的AdaBoost算法对测试集的分类准确率从88.89%提升到了97.78%,对训练集的分类准确率从99.72%提升到了100%;然后可以发现相对于使用决策树作为弱分类器的AdaBoost算法,采用LDA算法作为AdaBoost算法的弱分类器对水样的光谱的测试集的分类准确率从97.78%提升到了100%,对训练集的分类准确率达到100%,具有更好的识别效果,并且具有更好的泛化性能。实验结果证明采用Adaboost-LDA算法为激光荧光光谱的模式分类用于矿井突水水源的判别和预警是可行且有效的。

CNN在煤矿突水水源LIF光谱图像识别的应用

煤矿突水类型的快速识别在矿井安全生产中意义重大,煤矿突水激光诱导荧光(LIF)光谱的识别方法,需要对光谱曲线进行预处理和特征提取,其过程较复杂,对此,提出了一种卷积神经网络(CNN)快速识别矿井突水类别的方法。根据煤矿矿井水层的分布特点和最常见煤矿突水类型,选取三种原始水样以及由原始水样混合的两种混合水为实验材料,利用LIF技术快速获取五种水样的200组荧光光谱曲线图,灰度化后输入CNN算法,其中150组光谱曲线图用于CNN的训练,剩余50组用于训练好的模型测试。模型测试中,CNN算法对实验水样光谱曲线图的识别率为100%,实验结果表明,CNN算法不仅能省去煤矿突水光谱图像识别中的数据处理和特征提取工作,而且还能快速有效的识别矿井突水类型。

基于激光诱导荧光技术的煤矿水源识别研究

快速准确的识别煤矿含水层水源对于煤矿突水预警及灾后救援意义重大,针对传统水源识别耗时较长,不适宜构建在线式预警系统,提出使用激光诱导荧光技术用于煤矿水源类型识别的方法。利用激光激发待测水样,获取其荧光光谱,结合模式识别对水源进行快速辨识。实验采集了淮南矿区谢桥煤矿的两种纯水样本-老空水与砂岩水,并根据不同混合比配成5种混合水样进行实验。首先针对获取的水源荧光光谱中可能会存在的各种噪声及干扰信息,采用SG、 Normalize、 Gapsegment求导、 Detrend和MSC 5种常用的光谱预处理算法对光谱数据进行处理。其次针对荧光光谱数据量过大,对数据进行PCA降维,作为对比6种预处理方式(含原始光谱)主成分数皆取3,结果显示SG预处理累计贡献度最大,为97.26%;其次是原始光谱,为92.38%, Normalize与Detrend累计贡献度相差不大,分别为88.04%和87.59%, MSC为66.41%, Gapsegment最差,为22.65%。最后分别对PCA降维后的数据使用线性LDA以及非线性RBF-SVM模型进行识别对比。使用LDA进行建模, SG-PCA-LDA正确率最高,达到了98.86%,依据建立的LDA模型,对验证集数据进行识别, SG-PCA-LDA的正确率依然最高,为100%。使用RBF-SVM进行建模, Original-PCA-RBF-SVM, SG-PCA-RBF-SVM, Normalize-PCA-RBF-SVM正确率最高,皆为97.14%,依据建立的RBF-SVM模型,对验证集数据进行识别, Original-PCA-RBF-SVM和SG-PCA-RBF-SVM正确率依然最高,为97.14%。对比两类模型可以发现, LDA验证集正确率较建模集有一定的提升,而RBF-SVM验证集正确率较建模集有小幅度降低,说明LDA模型对于此煤矿水源荧光光谱数据的泛化能力较好,且成功率较高。结果表明, SG-PCA-LDA模型结合激光诱导荧光技术是一种较佳的应用于本地煤矿水源识别的方法,且验证了对老空水、砂岩水的纯水样和混合水样识别的可能性,可以推广到煤矿其他混合水源的识别中。

基于iPLS的矿井突水激光诱导荧光光谱特征波段筛选

矿井突水一直威胁着煤矿井下施工人员的生命安全,准确且快速识别矿井突水水源类型对于矿井的安全生产起到关键性作用。激光诱导荧光(LIF)光谱技术识别矿井突水水源,有效避免了常规的水化学法需要测定多种化学参数,水源识别时间过长的缺点。提出一种间隔偏最小二乘法(iPLS)与粒子群联合支持向量分类算法(PSO-SVC)相结合的方法,iPLS算法常应用于光谱波段优选和模型的回归分析,PSO-SVC则在机器学习领域有着重要的应用,激光诱导荧光技术具有快速的时间响应、测量精度高等特点,iPLS和PSO-SVC算法运用于光谱图和光谱数据的分析,进而可以对突水水源类型识别分类。首先,用淮南矿区采集到的7种(每种水样30组)共210组荧光光谱数据进行实验,对老空水、灰岩水、灰岩水和老空水不同体积比混合水样的激光诱导荧光光谱图的差异性进行分析。比较了留出法和Kennard-Stone样本划分方法所得到的PSO-SVC模型分类准确率,采用留出法得到的训练集水样(140组)和测试集水样(70组)作为实验样本。其次,用iPLS算法将全光谱波段依次按10~25波段区间进行等分,选取划分区间的RMSECV(交叉验证均方根误差)值小于全光谱波段RMSECV值(阈值)的波段作为特征波段,结合光谱图对比分析了划分10和14个子区间的建模结果,发现通过直接观察得到的特征波段与iPLS算法筛选出的特征波段存在误差。最后,在不进行去噪、降维等预处理条件下,根据iPLS划分不同区间数的评价指标统计数据,选取划分11个区间所筛选出具有561个波长点的410.078~478.424和545.078~674.104nm特征波段范围数据作为PSO-SVC模型的输入,以iPLS结合PSO-SVC算法筛选出的特征波段与全光谱波段、直接观察得到波段建模准确率相比,训练集与测试集的分类准确率高达100%,PSO寻优到的最佳惩罚系数c为1.3670,核函数参数g为0.5762。从实验结果可以看出,利用iPLS进行荧光光谱的特征波段筛选是切实可行的,提取出的特征波段能充分反映出全光谱波段的有效信息,为激光诱导荧光光谱技术用于矿井突水水源精准在线识别的研究提供了理论依据。

AABC算法优化ELM的心脏病辅助诊断

针对ELM算法在心脏病辅助诊断中分类精度不高的缺陷,提出自适应人工蜂群算法优化ELM隐层输入权值和偏置的心脏病辅助诊断方法。采用自适应遗传算法对数据进行特征选择,以最优特征子集构造样本输入自适应人工蜂群算法优化ELM的分类模型。自适应人工蜂群算法改进原算法的跟随蜂概率选择机制,在搜索阶段引入最优解与次优解,通过自适应算子调整二者的引导作用。仿真结果表明,该方法相比于其它方法提高了分类精度,减少了总体耗时。

谱聚类结合LIF在矿井突水水源类型识别中的应用

突水事故威胁井下人员的生命安全和造成财产损失,因此准确检测出突水水源类型具有重大意义。使用水化学分析法检测水源类型耗时长、过程复杂。激光诱导荧光(LIF)技术具有快速、灵敏、干扰小等优点,将LIF技术结合智能算法建立突水水源识别模型可以准确检测出突水水源的类型。目前这类模型一般需要对荧光光谱进行去噪、降维、波段选取等处理,过程繁琐,并且模型都是在均匀分组的突水水源荧光光谱上建立的,并没有讨论不均匀分组对模型的影响,也没有针对不均匀分组建立模型。在实际工程应用中,采集的样本数量是有很大概率呈现不均匀的,因此本文提出一种飞蛾扑火(MFO)算法结合谱聚类(SC)的方法实现对不均匀分组的突水水源荧光光谱的识别。实验中,首先从淮南煤矿获取5种实验水样,使用激光诱导荧光实验设备采集所有水样的荧光光谱,五种水样的组数分别为75,80,80,30和135。其次,建立MFO-SC水样识别模型,通过对比后标签映射方式选择K-Means、相似矩阵的计算方式选择高斯核函数和划分准则选择ncut,用MFO对高斯核函数的参数寻优得到σ的值为1.745并且固定模型的初始聚类中心。随后,分别建立K-Means,SVM和MFO-SVM3种水样识别模型。对比MFO-SC模型与K-Means模型,得到MFO-SC模型的最优准确率为100%且平均准确率也为100%,K-Means模型的最优准确率为99.75%,而平均准确率为79.57%;再分别计算SVM模型和MFO-SVM模型的训练集准确率和测试集准确率,SVM模型训练集准确率为80%,测试集准确率为80%;MFO-SVM模型训练集准确率为100%,测试集准确率为95.625%。最后,使用4种模型对其他三个不均匀分组的突水水源荧光光谱进行识别,研究结果表明将MFO-SC算法用于突水水源类型的识别上是有效的,可以准确地检测出突水水源的类型,对煤矿生产安全有重要意义。

基于完全局部二值模式的多光谱法识别损伤苹果

目的建立一种基于完全局部二值模式的多光谱法识别损伤苹果。方法搭建苹果的多光谱数据采集平台,采集了558组苹果多光谱数据。使用完全局部二值模式算法提取苹果的特征向量,再将特征向量送入支持向量机中,以比较分类结果。结果通过准确率、特异度和召回率3个平均指标,在完全局部二值模式结合支持向量机分类模型下,苹果多光谱图像的25个波段对表皮有损苹果和表皮无损苹果有很好的识别效果,并在第20波段的识别准确率达到最高为99.63%。结论本方法可以实现有损苹果和无损苹果的高效识别,对苹果的储运和分选都有一定的意义。

无监督学习AE和MVO-DBSCAN结合LIF在煤矿突水识别中的应用

快速准确的识别突水类型和突水来源对煤矿安全开采具有重要意义,激光诱导荧光(LIF)技术在检测中具有快速性和灵敏性,将LIF应用于煤矿突水的检测,再结合模式识别算法,可快速识别出突水来源。目前用于识别水样光谱的算法过于依赖预先建立的水样光谱数据库,当突水水源不在该库中时,易引发误识别。无监督学习算法DBSCAN在聚类时不需样本集的标签和类别信息,能降低对未知类别的误识别,因此把DBSCAN算法用于突水的激光诱导荧光光谱识别,并将MVO用于DBSCAN的参数寻优,省去繁琐的人工参数寻优过程。实验中,从谢桥煤矿采水点获取四个水样,利用像素为2 048的USB2000+光谱仪采集水样的荧光光谱,每种水样采集30组光谱数据。首先,利用无监督学习算法自动编码器(AE)对原始光谱数据降维,以减少光谱数据中冗余信息对聚类的影响,设计的AE的结构是介于浅层和深层之间的多层网络模型,可将原始光谱数据降到2维;为使降维模型具有稀疏性,在传统的AE算法中加入一个Dropout层,由实验可知,加入Dropout层后的降维模型具有较快的收敛速度。将多元宇宙优化(MVO)算法用于DBSCAN参数寻优,在参数寻优过程中, DBSCAN对降维后的水样光谱识别率最高为97.5%,此时参数所对应的取值范围为[0.023 66 0.040 65];为验证AE对水样光谱数据降维的有效性,把归一化后的未降维的光谱数据用于DBSCAN聚类识别, DBSCAN对原始水样光谱的识别率最高为95%,比降维后的后水样光谱识别率低了2.5%,结果表明,使用AE降维光谱数据,可提高DBSCAN对不同光谱的识别率。最后,用监督学习算法K最近邻(KNN)识别降维后的水样光谱,将识别结果和无监督学习算法DBSCAN的识别结果对比,其中训练集选用三种水样,测试集使用四种水样;在测试集中,监督学习算法只能准确地识别训练集所包含的水样类别,但把训练集没有的类别全部识别错误,而DBSCAN能准确的识别出训练集中没有的水样光谱。非线性降维算法AE能实现对高维的水样光谱数据降维,把MVO-DBSCAN用于煤矿突水水源的LIF光谱识别,可有效降低因矿井水源光谱数据库建立不完备而引起的误识别。

温度对矿井老空水激光诱导荧光光谱的影响

煤矿井下突水水源的快速判别对煤矿安全生产意义非常重大,激光荧光技术用于煤矿突水水源的识别打破了传统水化学方法耗时长的不足。矿井老空水是最常见也是危害最大的水源类型,而温度是影响物质特性的重要因素之一,研究激光诱导荧光检测老空水的温度特性有助于快速准确识别矿井突水水源,该研究具有重要的学术意义和实用价值。采用405nm蓝紫光半导体激光器作为光源,设定激光器功率为120mW,产生的激光经UV/Vis石英光纤由荧光探头照射待测水样,待测水样受激光激发产生荧光由荧光探头采集,通过石英光纤传输至光谱仪。以2017年3月在淮南市张集煤矿采集的老空水作为研究对象,首先过滤掉水样中的悬浮颗粒,随后将其放置在烧杯中,使用冰块使样品温度降低至5.0℃,随后放入恒温水浴锅中,使用铁架台固定荧光探头使其位于液面下1cm处。在荧光光谱采集过程中,样品始终放置在恒温水浴锅中,通过水浴锅控制样品在10.0~60.0℃温度范围内获取荧光光谱,并讨论了温度变化对老空水激光诱导荧光光谱谱图、波峰位置及峰值、温度系数、谱图面积的影响。研究结果表明:随着温度升高,加速了分子运动,增加了分子间碰撞的概率,使得非辐射跃迁增加,老空水的荧光效率下降,荧光强度减弱,荧光光谱整体呈衰减变化主要集中在400~700nm波段;老空水荧光光谱的两个波峰所对应的波长保持不变,并未随着温度变化发生漂移,两个波峰处(472和493nm)荧光强度减弱最明显,同时荧光强度减弱与温度升高存在较好的线性关系,荧光强度和温度在472nm处拟合相关系数r^2为0.91,在493nm处的拟合相关系数r^2为0.963 36;472nm处的温度系数在20.0℃时达到最小值0.34%,493nm处的温度系数在20℃时达到最小值0.81%,两处的温度系数均在20.0℃时达到最低值即荧光光谱在20.0℃附近最稳定;温度升高,老空水在荧光光谱在400~700nm波段与温度轴包围的面积逐渐减小,400~700nm波段谱图所对应的面积与温度的拟合相关系数r^2为0.975 39即面积的减小与温度的升高有良好的线性关系。通过研究矿井老空水的温度特性,矿井老空水的激光诱导荧光光谱在20℃最稳定,在该温度条件下采用激光诱导荧光技术进行矿井水源的识别效果最佳,同时利用老空水波峰以及面积与温度的线性关系进行温度补偿可以进一步提升利用LIF技术进行矿井突水水源识别的灵敏度和精度,该研究对实现矿井老空水的快速、准确判别具有重要意义。

RF-CARS结合LIF光谱用于矿井涌水的预测评估

快速且准确识别矿井涌水水源对于防范煤矿水灾事故有着重大的研究意义。利用激光诱导荧光(LIF)光谱融合智能分类算法进行矿井涌水水源识别打破了传统水化学方法耗时过长等不足,具有灵敏度高、响应速度快等特点;然而目前这些已使用的算法仅能依靠分类准确率定性判别不同矿井涌水水样的种类。把随机森林(RF)算法和竞争性自适应重加权(CARS)算法相结合,基于激光诱导荧光的水样荧光光谱数据建立偏最小二乘回归(PLSR)模型来预测不同矿井涌水的含量,实现水样的定量评估。首先,采集300组以老空水为基础混入不同含量砂岩水的矿井涌水样本,将采集到的水样按4∶1比例随机划分成校正集和预测集,校正集共240组用于建立回归模型,预测集共60组用于预测不同水样,搭建激光诱导荧光涌水光谱系统完成光谱数据的获取并生成荧光光谱图。然后分别通过S-G卷积平滑法和Lowess平滑法对原始荧光光谱进行去噪处理,发现处理后的荧光光谱较原始光谱更为分散,适合光谱分析,对比了两种去噪方法的预测精度,选择Lowess平滑法作为最终去噪方法。接着采用RF算法约简去噪后属性重要度较低的光谱属性,依据最优回归模型的性能选择约简出的223个属性再用于CARS算法的二次属性精简,根据CARS算法采样过程中交叉验证均方根误差值最小原则选择出的77个属性光谱数据建立PLSR模型。最后与全光谱、其他变量选择方法、不同回归模型相比, RF-CARS算法属性精简效果最好,较全光谱建模,属性由2 048个减少到77个,模型预测集判定系数R^2pre由0.991 4增长到0.996 7,预测均方根误差RMSEP由0.029 4减少到0.018 3,预测精度得到提升,其余评估指标也相对较好。实验结果表明, RF-CARS结合激光诱导荧光光谱可快速、精准预测矿井涌水,精简出的光谱属性用来建立回归模型,为实现矿井涌水含量的实时定量评估提供了一定的理论保障。

优化神经网络在矿用电机轴承故障诊断的应用

为了解决矿用电机轴承故障难于快速诊断的问题,提出一种SCG优化的BP神经网络用于矿用电机轴承故障诊断以提高准确率和诊断速度,与无监督学习的聚类分析进行对比。实验采集到3种故障和正常运行共448组数据,采用三层小波包分析对数据集进行能量谱提取,然后采用SCG-BP神经网络进行故障诊断分析。结果表明,采用SCG-BP神经网络可以对矿用电机的故障进行快速诊断,准确率远远高于聚类分析,对比不同规模的SCG-BP神经网络,得出选用第一层4个神经元的神经网络收敛速度快,对矿用电机轴承的故障识别率能够达到100%,取得结果达到预期。

便携式叉车属具夹紧力测试仪研制

针对传统的叉车属具常常难以选择合适的夹紧力来满足现阶段仓储货运和工厂对于搬运不同重量的多种货物的需求,设计提出了一种便携式夹紧力测试仪来实现夹紧力的实时测量。该测试仪以STM32为核心控制单元,通过压力传感器,转换模块,信号调理模块,AD模块将压力模拟信号转化为相应的可读数字信号;还包括了触摸屏模块,可以通过触摸屏设定和实时显示夹紧力的大小等数据。有效的解决了在货物的搬运和装卸过程中无法实时掌握叉车属具夹紧力大小的问题,可以满足现代仓储货运和工厂的多元化需求,具有良好的社会经济价值和广泛的推广应用前景。

Numerical Simulation on the Production Mechanism of Surface-Wave Plasmas Sustained along a Metal Rod

For interpreting the production mechanism of surface-wave plasmas sustained along a metal rod, electromagnetic simulation on the electromagnetic field distributions and particle-in-cell/Monte Carlo collision （PIC/MCC） simulation of the ionization process are present. The results show that the enhanced electric field of surface plasmon polaritons （SPPs） can be excited in the ion sheath layer between the negative-voltage metal rod and the surface-wave plasmas, which is responsible for maintaining the plasma discharge. Moreover, the spatio-temporal evolutions of plasma density and electric fields are simulated by the PIC/MCC model. It is further suggested that the expanded ion sheath layer can extend the length of plasma domain by increasing the plasma absorbed energy from SPPs.