DeepRanger:覆盖制导的深度森林测试方法

深度学习软件的结构特征与传统软件存在明显差异,因此即使展开了大量测试,依然无法有效衡量测试数据对深度学习软件的覆盖情况和测试充分性,并造成后续使用过程中依然可能存在大量未知错误.深度森林是一种新型深度学习模型,其克服了深度神经网络存在的一些缺点,例如:需要大量训练数据、需要高算力平台、需要大量超参数.但目前还没有相关工作对深度森林的测试方法进行研究.针对深度森林的结构特点,制定了一组由随机森林结点覆盖率RFNC、随机森林叶子覆盖率RFLC、级联森林类型覆盖率CFCC和级联森林输出覆盖率CFOC组成的测试覆盖率评价指标.在此基础上,基于遗传算法设计了覆盖制导的测试数据自动生成方法DeepRanger,可自动生成能有效提高模型覆盖率的测试数据集.为对所提出覆盖指标的有效性进行验证,在深度森林开源项目gcForest和MNIST数据集上设计并进行了一组实验.实验结果表明,所提出的4种覆盖指标均能有效评价测试数据集对深度森林模型的测试充分性.此外,与基于随机选择的遗传算法相比,使用覆盖信息制导的测试数据生成方法DeepRanger能达到更高的模型覆盖率.

基于深度学习的煤岩Micro-CT裂隙智能提取与应用

为解决煤岩CT裂隙图像识别中矸石影响以及不同尺度裂隙识别的问题,设计并实现了一种基于深度学习的煤岩裂隙提取网络模型(MCSN),该模型基于U-Net网络,利用其编码器-解码器结构和跳跃连接,可实现从复杂煤岩体中分割出完整的裂隙结构图像。首先,通过煤岩工业CT扫描系统获取煤岩体内部扫描图片后,人工标注出CT图像中的裂隙结构,并利用数据增强扩充标注的原始数据制作出煤岩CT裂隙数据集;然后,将训练好的VGG16模型权重通过迁移学习技术移至U-Net编码器部分,使得整个主干特征提取网络具有更强的裂隙结构特征提取能力;同时采用深度可分离空洞卷积模块(DCAC)和残差模块对U-Net模型中解码器部分进行改进,有效提升了CT图像中裂隙结构的识别能力,展现出了优越的分割精度和鲁棒性。为验证提出的煤岩裂隙提取网络模型的有效性,将MCSN的提取结果与经典的卷积神经网络及阈值分割方法的结果进行了对比,实验对比结果显示,提出的模型在定性分析和定量分析方面优势明显。这种多尺度融合的策略可以有效提取出复杂煤岩体图像中的裂隙,提高了裂隙识别效率和精度。将该模型应用到巷道围岩钻孔裂隙识别中,通过对钻孔成像仪采集到的窥孔视频和平面展开图进行裂隙提取,并结合二者提取结果进行交叉验证,得到了精准的巷道围岩裂隙分布范围,给出了穿层抽采钻孔的注浆封孔范围,提高了煤层瓦斯抽采体积分数。

基于边缘卷积的点云配准网络

地下巷道结构狭长且支道繁多,在地下巷道中获取的点云需要进行点云配准获得完整数据,传统的点云配准方法对点云初始位置要求高并且计算迭代次数多,在环境复杂且数据量巨大的地下巷道场景点云中配准效果不佳且计算缓慢。因此,基于深度学习技术,以PCRNet为基础并结合边缘卷积网络在局部特征提取中的优势,构建了一种基于边缘卷积的点云直接配准网络DGRNet,该网络在特征提取模块利用边缘卷积核对输入的点云进行特征提取,能更好地对三维点云的复杂特征变化和几何结构进行学习,提高了对场景局部特征的理解能力。试验结果表明:DGRNet网络在物体模型中对比其他网络在整体上有着更好的配准精度,并且在点云噪声影响下能够保持配准精度稳定,有着较好的鲁棒性;DGRNet在巷道点云配准场景中的4种误差均最小,并且对比PCRNet误差分别降低了19.0%、20.1%、24.2%、21.0%。由此可见,DGRNet网络能够进行高精度的点云配准,为复杂的地下巷道场景点云配准提供了一种新方法。

深部子宫内膜异位症系统性超声评估学习曲线研究

目的 探讨不同经验水平的超声医师识别和显示深部子宫内膜异位症(deep endometriosis, DE)系统性盆腔超声评估方法的可行性,并制定学习曲线。方法 选取2023年1—3月首都医科大学附属北京妇产医院普通妇科患者。2名不同经验水平的超声医师通过学习国际DE分析组(international deep endometriosis analysis, IDEA)推荐的系统性盆腔超声检查方法,对患者进行系统性盆腔超声评估,比较2名超声医师显示盆腔结构成功率和扫查所需时间,并制定学习曲线。结果 共纳入197例患者,年龄21~45岁,平均(34.8±5.9)岁。其中,超声医师甲共检查患者98例,超声医师乙共检查患者99例。2名超声医师双侧骶韧带、滑动征、直肠前壁及输尿管下段扫查成功率的比较,差异均无统计学意义(P>0.05)。各部位的扫查成功率随扫描次数的增加而增加,所需扫查时间随着扫查次数的增加而缩短。超声医师甲扫查双侧骶韧带、滑动征及双侧输尿管下段扫查所需平均时间高于超声医师乙,差异均有统计学意义(P <0.05)。2名超声医师扫查成功率在第一阶段至第二阶段呈明显上升趋势,第三阶段至第五阶段区域平缓;扫查所需时间在第一阶段至第二阶段呈明显下降趋势,第三阶段至第五阶段区域平缓,即40例为学习曲线的拐点。结论 经过训练掌握系统性超声评估方法可行,通过对40例患者的操作训练,不同经验的超声医师可以基本掌握系统性盆腔超声评估方法。

三维激光扫描点云的岩体产状智能识别研究

目的为了降低传统的人工测量方式带来的工作量大、效率低、工作环境恶劣等影响。方法提出在深部工程或高陡边坡的地质工程测量中,采用三维激光扫描技术获取岩体结构面点云数据,结合一个特制三角形标靶将三维激光点云的局部坐标系下的法向量转化为大地坐标系下的法向量,再利用区域生长算法对结构面产状进行智能识别和输出。结果试验结果表明,利用Delaunay三角剖分三维点云表面的重建,在改进区域生长算法对点云数据的处理下,能够对大批量数据快速处理并获得结果,其独特的空圆特性、剖分中产生较少的畸形三角形和耗时极少的运行时间非常适合海量的点云数据的计算。结论和传统方法相比,该方法具有快速、自动、高精度和远距离测量的优点,对无GPS信号或者GPS信号弱的岩爆频发地区的地质测量具有重要意义。

基于深度学习的隧道渗漏水语义分割方法

文章针对隧道结构渗漏水病害巡检效率低的问题,基于隧道结构三维激光扫描影像建立了一个具备了一定规模的渗漏水病害数据集,选择了三种经典的图像分割的深度学习模型,分析和比较了三种模型在渗漏水病害识别的区别及差异,验证了图像分割的深度学习模型的有效性。

地下溶洞形态分析与可视化

我国是世界上喀斯特地貌面积分布最广泛的国家之一,岩溶类型繁杂,发育较齐全,占国土面积的1/3。岩溶地区存在的主要地质问题有溶洞、断层和软弱地质带等,其具有隐蔽性、突发性和反复性等特点,已成为南方岩溶地区城市工程建设开拓中面临的主要问题。随着激光扫描设备的不断进步和发展,三维激光扫描技术能在封闭式、环境复杂的空间进行自动化测量,具有操作简单、扫描速度快、高分辨率和高精度等特点,可极大地节约测量时间与成本,现已逐渐适应了更广泛的工程应用领域。使用钻孔式三维激光扫描仪获取地下溶洞空间的三维点云数据,针对精度要求较高的复杂空间结构,可能需要布设多个测站进行不同角度扫描获得全局信息。然后,利用深度学习强大的特征学习能力进行点云配准,通过构建数字化模型,客观真实地反映洞内空间形态特征,这将为设计人员提供更精确的岩溶空间信息,制定安全预防措施计划,确保工程施工有序推进。

基于语义分割的侧扫声纳管线目标检测方法

为提高侧扫声纳图像中管线目标检测的自动化程度及效率,提出了一种基于语义分割的水下管线目标检测方法。首先通过构建高效语义分割网络主干,提高网络计算速度并降低网络对计算机硬件性能的需求;其次给出了一种针对管线目标特点的加权交叉熵损失函数,解决了因类间数量不均衡导致的网络训练困难问题。以多种复杂条件下侧扫声纳实测数据进行了水下管线检测试验,结果表明,该方法在取得和经典网络相近精度的情况下,速度提升了2.7倍,可达52.6FPS,实现了水下管线的快速、准确检测。

超深储层白云岩力学行为及宏细观破裂特征试验研究

超深层海相碳酸盐岩储层油气资源丰富,是我国油气“增储上产”的重要领域。超深层油气储层受高应力和高温共同影响,此时岩石的力学特性发生明显变化,这增大了破岩难度,增加钻井事故概率,制约着超深层油气资源勘探进程与效益开发。本文采用三轴压缩试验和工业CT扫描重构相结合的手段对超深层海相碳酸盐岩储层岩石进行了不同围压下的力学试验,并对试验后试样的细观破裂形态进行了重构研究。研究表明,围压对岩石的强度、变形特性以及破裂特征有重要的影响;随着围压的增大,岩石的峰值强度、弹性模量、峰值应变以及残余强度均增大;单轴条件下岩石主要以轴向劈裂为主,随着围压的增大,逐渐转为剪切破坏;单轴压缩条件下岩石的裂缝数量、裂缝体积以及平均裂缝宽度均高于三轴压缩条件下,表明围压的存在抑制了裂缝的扩展。研究成果对于深层油气资源勘探开发具有重要意义。

基于Deep Learning算法的漏洞扫描技术研究

随着计算机软硬件技术的不断发展,大大推动深度学习技术的进一步发展。深度学习算法是一种基于神经网络技术,用于支持向量机技术的统计算法的代表方法,是计算机自发明以来的一次伟大的发展进步。当前,随着硬件的推动,深度学习算法能够实现更多的功能,借助于深度学习算法来探究其在漏洞扫描中的应用,对于推动计算机网络安全的发展有着极其重要的意义。

基于可视图深度学习的雷达天线扫描样式识别

针对相控阵雷达扫描信号难识别的问题,提出一种基于可视图深度学习的雷达扫描样式识别方法。首先,分析了7种常见的雷达天线扫描样式。然后,将接收到的天线主瓣照射幅度与脉冲到达时间之间的变化趋势转换为可视图矩阵。最后,构建深度网络模型,验证扫描样式识别的效果。试验结果表明,基于可视图深度学习的雷达扫描样式识别方法对7种扫描样式的整体识别准确率在90%以上,并对低信噪比的信号有很好的处理适应性。

基于深度森林的多类型DDoS攻击检测方法

分布式拒绝服务攻击(DDoS)是网络安全的主要威胁之一。近年来,基于多种不同DDoS攻击方式的混合攻击数量大幅增长,如何在保证精度的前提下同时检测多种类型的DDoS攻击成为亟待解决的问题。为此,提出一种基于深度森林的多类型DDoS攻击检测方法。该方法首先使用基于平均不纯度的特征选择算法对多类型异常流量数据集进行特征排序与特征筛选;然后使用多粒度扫描对DDoS训练集进行特征提取,并使用级联森林分层训练模型,最终生成可用于DDoS恶意流量检测与分类的深度森林模型。实验结果表明,与6种主流树类集成学习模型相比,基于改进深度森林的DDoS攻击检测方法训练得到的分类器准确率最低提升了0.8%,召回率最低提升了0.9%;与改进前相比,改进后模型准确率提升了1.3%,加权召回率提高了1.3%,训练时间减少了29.7%。模型整体性能有明显提升。

应用激光扫描技术对深基坑施工过程形态监测与分析

针对海淀区某工程项目25 m深基坑、邻近三环主路、紧邻住宅区、多阶梯挖土等特点,采用三维激光扫描法对5 m、10 m、15 m、20 m、25 m时深基坑侧壁及桩位偏差和形态、垫层完成后筏形完成后进行变形监测。通过统计图表的方法,对深基坑开挖过程的变形进行了分析,从分析结果可知,利用三维激光扫描技术法对深基坑施工过程变形监测是行之有效的。此技术既保证了施工质量,又为工程结构施工提供了形态依据。三维激光扫描技术可以提供快速准确的基坑点云信息,它能够准确地捕捉基坑侧壁和桩位的细微差别,并且能够创建出三维模型来分析支护结构的变形情况。通过利用影像几何校正技术,可以从多期基坑分级图中提取出具有一致性和相似性的变化点,从而有效地计算出基坑施工过程中的形变量。

水下目标物侧扫声呐图像自动识别

为解决现有港航工程、海洋工程建设中采用侧扫声呐进行水下目标检测和识别方法的局限性问题,通过引入YOLOV3深度学习方法,利用人工标记的侧扫声呐图像对深度神经网络进行训练和测试,检测水下沉船目标;采用转移学习方法,利用预先训练好的卷积神经网络对侧扫声呐数据进行特征提取、感兴趣区域(ROI)汇聚、目标定位和分类,实现目标自动检测和识别,提高了效率,且目标检测的平均识别精度达到88%。

40万吨级VLOC满载通行渤海乘潮窗口期探索

通过介绍渤海深水航线的最新扫测数据、渤海潮汐特点及船舶乘潮窗口期,分析40万吨级超大型矿砂船(VLOC)满载乘潮实际通行渤海的航海实践,总结40万吨级VLOC满载西行渤海直靠曹妃甸港的重要突破和宝贵经验,为大型深吃水船舶,尤其是40万吨级VLOC满载通行渤海充分利用潮汐提供参考借鉴。

MRI深度学习重建对乳腺脂肪抑制序列扫描时间和图像质量的影响

目的探讨磁共振成像(MRI)深度学习重建(DLR)对乳腺T_(2)加权(T_(2)WI)脂肪抑制序列扫描时间及图像质量的影响。方法招募30名女性志愿者为研究对象,采用平均采集次数(NAQ)为1和2的T_(2)WI脂肪抑制序列行乳腺MRI扫描,扫描时间分别为217 s和421 s,扫描完成获得Routine NAQ1和Routine NAQ2图像,Routine NAQ1组图像行DLR重建获DLR NAQ1图像,分析比较3组图像的信噪比(SNR)、对比噪声比(CNR)及临床医生主观定性评价资料。结果女性志愿者DLR NAQ1图像的SNR及CNR优于Routine NAQ1和Routine NAQ2图像(P<0.001),图像整体质量评分均优于Routine NAQ1和Routine NAQ2图像(P<0.001)。结论MRI DLR可缩短乳腺T2WI脂肪抑制序列的扫描时间,提高图像质量。

基于激光扫描和深度学习的人体动作精准识别研究

基于特征进行人体动作识别时,主要依靠短时间规模的时空特征,导致识别结果top-1值较低。因此,提出结合激光扫描技术和深度学习原理,设计有效的人体动作识别方法。针对激光扫描数据,进行去噪和校正处理。通过背景差分法划分静态背景与感兴趣区域,根据扫描数据点的连续性特点、空间位置关系,检测出待识别的人体目标。建立包含时空注意力机制的深度学习人体动作识别模型,获取扫描数据中包含的长期、复杂时空信息,得到融合特征输入融合域,得到初始分类结果。最后,结合决策融合机制,生成人体动作精准识别结果。实验结果表明:所提方法的top-1值为74.4%,与其他识别方法相比提升了30.7%、28.9%和24.2%。

基于深度学习的页岩扫描电镜图像有机质孔隙识别与比较

将深度学习模型引入地质图像分析中,可以大幅提高工作效率,增加研究定量化程度,开拓图像研究新领域。本文以上扬子鄂西地区下寒武统牛蹄塘组页岩的离子抛光扫描电镜图像为例,通过对图片二值化等预处理后,利用Mask-RCNN、FCN和U-Net 3种深度学习模型对页岩中主要矿物、有机质及孔隙等进行识别,比较运行时间与识别结果的准确度,讨论了不同深度学习模型在地质图像识别和处理过程中的适用性和差异性。并优选效果最优的U-Net模型与JMicroVision、Adobe Photoshop等通用图像处理软件识别结果进行孔隙识别对比。结果显示:FCN模型能够基本识别图像中的主要矿物、有机质与孔隙,但对颜色相近的组分和裂缝识别效果较差;Mask-RCNN模型可识别分割性强的主要矿物,但对分辨率较低的孔隙和裂缝识别效果较差;U-Net模型对主要矿物、有机质及孔隙识别效率大大提高,在页岩地质图像识别方面具有优势。相较于通用图像处理软件,U-Net模型识别速度提高了300多倍。基于深度学习U-Net模型识别结果,研究区牛蹄塘组页岩孔隙结构类型可分为矿物内圆状孔、矿物间随机不规则孔、有机棱角状孔和有机密集微孔。基于足够数量电镜图片识别得到的孔隙结构参数对于实际储层分类评价具有参考价值。本实验为基于深度学习的页岩扫描电镜图像识别与分析提供了范例,对提高地质图像研究工作效率和推进油气智能化具有一定的借鉴意义。

三维激光扫描在隧洞围岩结构信息获取中的应用研究

针对接触式测量方法无法满足深部高陡岩体结构信息采集的要求,以金川二矿+650 m水平卸载站硐室掌子面为研究对象,采用三维激光扫描仪获取其表面点云数据集,并对点云数据进行处理提取岩体结构信息参数,并利用校核算法与地质测量结果验证数据的可靠性。结果表明:(1)通过对高精度获取的扫描数据进行快速处理,在控制点已知和未知的情况下,均可获取结构面的产状信息,降低了人员获取结构面信息的危险性;(2)利用最小二乘法计算产状、近似平行结构面组间距算法计算间距,以及将实测结构面产状与提取出来的结构面信息做差比较,可知倾向和倾角误差均在±6°范围以内,间距误差在±0.03 m以内,验证了提取数据的可靠性;(3)在金川二矿+650 m卸载站硐室掌子面结构面产状等信息的提取中应用了本文方法,有效识别了结构面产状信息。该项研究工作不仅避免了危险性,而且提高了精度与效率。

手持三维激光扫描室内停车场地面标识要素提取方法

为了满足停车场快速建图的需求,本文提出了基于手持激光点云的室内停车场地面标识要素的提取方法。首先,为减少要素提取对内存空间的需求,将整个点云以规则网格进行划分;其次采用RANSAC平面拟合的方法提取每个网格内的地面点云;然后为提取地面标识要素,根据地面点云生成地面图像,并在地面图像的基础上,采用BiSeNet网络对不同的标识要素进行语义分割,得到车道线、车位线和导向箭头标识的像素;最后针对车道线和车位线,采用基于霍夫变换的直线提取方法对其进行提取,对于地面导线箭头,采用模板匹配的方法对其进行提取。试验证明,本文提出的方法能够对扫描的结构要素和标识要素进行快速提取,可大大减少制图的人工工作量,有效提高室内停车场建图的效率。