The optimum layer number of multi-layer pyramidal core sandwich columns under in-plane compression

The effect of the face thickness to core height ratio on different multi-layer pyramidal core sandwich columns under in-plane compression is investigated theoretically and numerically. Numerical simulation is in good agreement with theory. Results indicate that one specified face thickness to core height ratio corresponds to one optimum layer number of multi-layer pyramidal core sandwich columns in consideration of engineering application. This result can guide the sandwich structure design.

基于鸟瞰图的多任务端到端3D目标检测方法

由于在自动驾驶过程中激光雷达扫描过程中受到空间限制,采集到的点云数据损失了过多的信息。在聚合表示方法的基础上,提出了基于鸟瞰图的多任务端到端3D目标检测方法。首先,利用纹理特征提取器与语义特征提取器对特征金字塔的高级特征层与低级特征层进行特征融合,获得扩展的特征金字塔层,使得自动驾驶过程中的中等目标(骑自行车的人)与小目标(行人)不再耦合在同一级别的特征金字塔层,提高了点云拓扑信息的区域细节性。其次,在损失函数中引入用于分类的Focal loss与用于回归的CIOU loss,改善了正负样本比例,对目标检测框进行了约束,使得目标框在回归过程中能够以更高精度收敛。实验结果表明,提出的方法在自动驾驶中小目标检测中具有更强的检测能力与更高的检测精度。

多尺度特征金字塔融合的街景图像语义分割

针对街景图像语义分割任务中的目标尺寸差异大、多尺度特征难以高效提取的问题,本文提出了一种语义分割网络(LDPANet).首先,将空洞卷积与引入残差学习单元的深度可分离卷积结合,来优化编码器结构,在降低了计算复杂度的同时缓解梯度消失的问题.然后利用层传递的迭代空洞空间金字塔,将自顶向下的特征信息依次融合,提高了上下文信息的有效交互能力;在多尺度特征融合之后引入属性注意力模块,使网络抑制冗余信息,强化重要特征.再者,以通道扩展上采样代替双线插值上采样作为解码器,进一步提升了特征图的分辨率.最后,LDPANet方法在Cityscapes和CamVid数据集上的精度分别达到了91.8%和87.52%,与近几年网络模型相比,本文网络模型可以精确地提取像素的位置信息以及空间维度信息,提高了语义分割的准确率.

基于超分辨率图像重建的轻量化目标检测算法研究

利用面向边缘的卷积模块、像素注意力机制和重参数化技术使超分辨率重建算法图像分辨率得到提升,使图像特征细节表现更为优越;利用YOLOv4目标检测算法并结合Focus结构、双向特征金字塔网络和轻量级子通道注意力机制,提高中、低分辨率图像目标检测精度。经实验研究,基于超分辨率重建的轻量化目标检测算法对图像目标具有较好的检测效果,有效提升了图像的检测精度,对提升图像中的细小目标检测精度具有一定的参考意义。

基于多尺度引导滤波的实时视频去雾算法

为解决当前去雾算法中存在的透射率估计不准确、天空区域颜色恢复较差、运行速度较慢等问题,本文提出了一种基于多尺度引导滤波的实时视频去雾算法。首先,采用自动白平衡算法对有雾图像进行颜色校正,颜色校正后的图像与暗原色置信因子作为引导滤波,随后使用金字塔采样技术获取缩小后的图像,接着使用四叉树算法来估算透射率和大气光强度,并且不断地迭代上采样和引导图像滤波,从而有效防止了信息的损失,最后达到最佳的传输效果。此外,将单图像去雾算法扩展到了实时视频去雾,通过使传输值在时间上一致来减少去雾视频中的闪烁伪影。实验结果表明,该算法的运行速率较快,去雾效果明显,在视频去雾中闪烁伪影较少。相比于屏蔽泊松方程去雾算法,本文算法的平均梯度提高了67.08%,相比于暗通道先验逐帧视频去雾算法,本算法的时间加快了81.32%,符合实时视频运行稳定、处理快速的要求。

基于金字塔池化网络的质子交换膜燃料电池气体扩散层组分推理方法

针对质子交换膜燃料电池气体扩散层(gas diffusion layer composition,GDL)形貌划分与制备工艺改进问题,提出了一种基于金字塔池化网络(pyramid scene parsing network,PSPNet)与多层感知器(multi-layer perception,MLP)的气体扩散层组分识别与比例推理方法:首先将带标签的气体扩散层扫描电镜(scanning electron microscope,SEM)图片输入神经网络,得到特征图;得到的图像特征层进入金字塔池化模块后,获取SEM图像的深层和浅层特征;随后将深层和浅层特征图层融合输入全卷积网络(fully convolutional network,FCN)模块,得到预测图像;最后统计各个组分上的像素点比例,通过MLP完成组分比例推理。结果表明:所提方法组分识别像素准确率达81.24%;在5%偏差范围内,比例推理准确率为88.89%。该方法解决了气体扩散层多组分无法区分、比例无法获知的问题,可有效应用于气体扩散层的质检、数值重构以及制备工艺改进。

改进ResNet50和FPN的多尺度目标检测算法研究

针对ResNet50和FPN结构无法将浅层的细节信息和深层的语义信息充分融合利用等问题,提出了一种改进ResNet50和FPN结构的算法,在ResNet50网络结构不同层次中引入了改进的通道和空间注意力模块,充分利用不同特征层的细节信息和语义信息。此外,在FPN结构中,为了能让浅层特征层更好的利用深层特征层的语义信息,在FPN自上而下的路径中,不同特征层之间增加了旁路来加强特征的重用。实验结果表明,在MS COCO数据集训练以后在PASCAL VOC 2012测试的均值平均精度(mAP)达到了83.2%,提升了2.7%,在MS COCO数据集上的mAP提升了1.5%,具有不错的检测性能。

基于改进YOLOv8的道路缺陷检测

针对道路缺陷小目标在复杂背景下检测精度低、漏检误检率高、泛化能力欠佳的问题,提出了一种改进YOLOv8的道路缺陷检测算法SGBNet。首先,Neck部分用加权双向特征金字塔网络(Bi-directional Feature Pyramid Network, BiFPN)替换PANet,提升模型的特征融合能力;其次,Neck引入全局注意力机制(Global Attention Machanism, GAM),在特征融合阶段进行注意力调整,提高检测精度;最后,添加小目标检测层,进一步增强深层语义信息与浅层语义信息的结合,提高对道路缺陷小目标的检测能力。与原始YOLOv8n算法相比,算法SGBNet的精确率、召回率和平均精度分别提升了3.3%, 2.5%和2.5%,实现了对道路缺陷更精准的检测。

基于人体骨架的电梯内异常行为识别预警

为准确识别乘客在封闭狭小的电梯轿厢内发生的打架等异常行为,避免安全事故的发生,提出一种基于人体骨架联合时空特征的乘客异常行为识别方法。首先,使用YOLOv7对视频中乘客位置进行检测,通过YOLOv7-Pose姿态估计算法提取骨骼关键点坐标,滤除复杂背景干扰;其次,针对异常行为动作幅度大、速度较快、方向混乱的特征,使用SURF联合金字塔分层改进的LK光流法对乘客人体骨架特征信息进行时间、空间的联合特征提取;最后,通过特征点的光流变化来判断轿厢内是否发生异常行为并及时发出警报。本文使用的数据集分别来源于电梯场景下的自建数据集和非电梯场景下行为公开数据集,实验结果表明,本文所提方法对异常行为识别准确率达到了95.53%,在速度与准确度上相较于其他方法有一定的提高,能够满足实时要求,可应用于电梯轿厢的视频监控系统,保障乘客的乘梯安全。

高职专业核心课程金字塔动态分层递进循环式教学模式的研究与实践——以“数控机床故障诊断与维修”实训课程为例

以“数控机床故障诊断与维修”的实训课程为例,分析了这类课程的常规教学模式,探索了金字塔动态分层递进循环式的教学模式,并在“数控机床故障诊断与维修”的课程教学中实践。实践结果表明,该模式在有效提高学生整体的学习效率和质量方面起到很好的效果和作用,值得推广应用。

基于LWKConv-DRSN-FPN的旋转机械故障诊断

针对传统旋转机械故障诊断方法难以应对强噪声干扰以及诊断准确率较低的问题,提出一种Laplace小波核卷积层(Laplace Wavelet Kernel Convolutional Layer,LWKConv)、深度残差收缩网络(Deep Residual Shrinkage Networks,DRSN)和特征金字塔网络(Feature Pyramid Networks,FPN)相结合的故障诊断方法。具体地,在DRSN模型结构基础上,构造LWKConv,通过更新尺度因子和平移因子,多尺度提取故障引起的突变冲击特征;引入FPN融合深层和浅层特征,提高模型对浅层细节信息的利用程度,实现对旋转机械的故障诊断。研究表明:所提的LWKConv-DRSN-FPN方法基于轴承和齿轮数据集的诊断准确率最高能达到100%,尤其在-4 dB强噪声干扰条件下的诊断准确率达到97.75%,能有效提取突变冲击特征,具有较好的通用性和抗强噪声干扰能力。

多尺度渐近特征融合的遥感目标检测算法研究

针对遥感图像目标尺度多样、小目标密集、背景环境复杂导致检测时出现的漏检及误检等问题,提出一种基于YOLOv8n改进的多尺度渐近特征融合的遥感目标检测算法。首先,构建结合多尺度残差网络的Res2C2f模块,更有效地捕捉不同尺度的特征;其次,设计跨级连接金字塔池化模块来改善原金字塔池化模块特征提取能力不足的问题;然后,重构多尺度的渐近特征融合网络来实现多尺度信息的交换,充分利用不同层级的特征来增强特征融合效果;最后,增加160×160尺寸的小目标检测层,提升模型在密集场景下对小目标的检测效果。在DOTA数据集中,相比基线模型,改进算法的精确率、召回率、平均精度均值分别提升了4.8、4.0和3.7个百分点。

基于改进VariFocalNet的微小目标检测

针对航拍场景中包含的目标尺寸小、有效特征信息少的问题,提出一种基于改进的变焦网络VFNet(VariFocalNet)的航拍场景中微小目标检测算法。首先,为增强微小目标的特征表征能力,采用特征提取性能更好的循环层聚合网络(RLANet)代替ResNet作为主干网络;其次,为解决特征金字塔自顶向下融合时顶层特征信息丢失问题,引入特征增强模块(FEM);然后,为解决现有标签分配方法在微小目标标签分配上的样本分布不平衡问题,改进的VFNet采用了基于高斯感受野的标签分配方法;最后,为减小微小目标对位置偏移的敏感性,引入一种边界框回归损失函数Wasserstein损失测量预测边界框高斯分布和真值框高斯分布的相似性。在AI-TOD数据集上的实验结果表明:改进后的VFNet算法的平均精度均值(mAP)达到了14.9%;与改进前的算法相比,在航拍场景下的微小目标上的检测mAP提高了4.7个百分点。

空间棱锥式单元金属屋面施工技术

青岛大学城图书馆项目位于沿海地区,采用棱锥式单元金属屋面系统,旨在解决传统屋面系统在抗风、防水及美观方面的不足。该屋面系统包含302个三角锥,具有坡度大和低中部排水特性,因而对防水和抗风性能有较高要求。通过采用BIM技术深化设计,并结合双层防水及双路径抗风技术,优化了结构节点和连接方式,显著提升了屋面的防水性和抗风性,确保了屋面造型的整体美观。本工程综合技术应用不仅保证了屋面整体防渗漏,也实现了图书馆金属屋面实用与美观的统一。

基于改进的YOLOv3输电线路异物检测

输电线路存在异物将会对电网的安全、稳定运行造成很大的影响。因此,对于输电线路异物检测十分重要。提出了一种基于改进的YOLOv3算法来识别输电线路的异物。将主干网络换为更有效的CSPDarkNet-53,该网络引入了性能更优异的残差模块;同时在特征金字塔层中增加了下采样通道,加强了特征融合;并在主干网络与特征金字塔连接处增加了注意力机制,以便有针对性地提取特征。实验结果表明:改进后的模型准确率达到85.02%。与原YOLOv3输电线路异物检测相比,准确率提高了7.21%,改进后的模型能准确有效地辨识出异物。

独立董事网络嵌入对企业双元创新的差异化影响——金字塔控股的调节作用

独立董事网络位置具备流动性和复杂性,能够影响咨询职能和监督职能的发挥,以及企业创新战略的选择。以2011—2021年A股上市公司为样本,依据独立董事网络中心度和结构洞丰富度来划分网络位置,分析并检验独立董事网络位置与企业双元创新之间的关系,以及金字塔控股在其中的调节作用。结果表明:网络中心度与企业渐进式创新呈正相关关系,与突破式创新呈倒U型关系;结构洞丰富度与企业渐进式创新呈正相关关系;金字塔层级增多会弱化独立董事网络位置与企业双元创新之间的关系。研究结论对企业充分利用独立董事社会资本推动企业双元创新具有重要的指导意义。

改进YOLOv4的安全帽佩戴检测方法

由于安全帽目标较小、环境复杂等因素的影响,易造成卷积神经网络的漏检与误检。为提高复杂环境中对安全帽的检测能力,提出一种基于YOLOv4的安全帽检测网络SR_YOLO。采用多尺度池化操作改进空间金字塔池化层,由分层卷积与scSE注意力模块组成特征增强模块,改进网络结构,分别提高对网络感受野信息的获取能力和对Neck网络的特征提取能力。利用Kmeans++算法对安全帽数据进行anchor尺寸优化,提高算法的检测准确率。实验结果表明,SR_YOLO的mAP为84.05%,较YOLOv4提高1.45%,每秒检测帧率为30 fps,能够实现安全帽佩戴情况的快速准确检测。

基于多层特征融合的多光谱行人检测方法

针对行人检测模型在全天候场景下特征提取能力差、检测准确率低的问题,提出一种基于多层特征融合的多光谱行人检测方法。设计一种基于通道注意力机制的可见光与红外特征的融合方式,提升模型的特征融合效率;采用多层融合特征设计特征金字塔网络,提升模型的特征提取能力;引入自适应特征融合机制对检测层进行特征图尺度调整,降低尺度冲突对模型性能的影响。在KAIST数据集上进行实验,其结果表明,模型的检测性能有一定提升。

基于改进YOLOv5的电厂人员吸烟检测

发电厂厂区内违规吸烟易导致火灾、爆炸等事故,会带来巨大损失;针对电厂内人员违规吸烟行为检测精度不高的问题,提出一种基于改进YOLOv5s(You Only Look Once v5s)的电厂内人员违规吸烟检测方法;该方法以YOLOv5s网络为基础,将YOLOv5s网络C3模块Bottleneck中的3×3卷积替换为多头自注意力层以提高算法的学习能力;接着在网络中添加ECA(Efficient Channel Attention)注意力模块,让网络更加关注待检测目标;同时将YOLOv5s网络的损失函数替换为SIoU(Scylla Intersection over Union),进一步提高算法的检测精度;最后采用加权双向特征金字塔网络(BiFPN,Bidirectional Feature Pyramid Network)代替原先YOLOv5s的特征金字塔网络,快速进行多尺度特征融合;实验结果表明,改进后算法吸烟行为的检测精度为89.3%,与改进前算法相比平均精度均值(mAP,mean Average Precision)提高了2.2%,检测效果显著提升,具有较高应用价值。

基于锚框的高效单层特征目标检测

目标检测广泛应用在公共场合的智能监控、自动驾驶与计算机辅助诊断等领域。文章提出了单层特征目标检测替代复杂的特征金字塔结构,从而提升模型的推理速度和预测精度。在模型搭建过程中,瓶颈特征结构采用了单层空洞残差编码器,样本选择采用了统一匹配机制,并采用了任务对齐检测器。在COCO(Microsoft Common Objects in Context)数据集下,大量实验证明该方法的有效性,以Res Net50为基准,预测精度达到了38.2 m AP,比Retina Net的推理速度快1.4倍,精度提高2.3 m AP。该模型具有推理速度快、预测精度高等特点,可以应用在许多特定场景中。