可伸缩模块化CNN人群计数方法

本文目标是根据任意视角、任意人群密度的图像信息,估计真实场景中的人群密度。但三维空间景物投影到二维空间时会造成透视失真和人群遮挡问题,导致难以区分个体与个体、个体与背景的差异。为此,提出一种灵活高效的可伸缩模块化卷积神经网络(CNN)的架构,允许直接输入任意大小和分辨率的图像,不额外计算视角变化信息,通过生成密度图的方式来估计人群数量。架构的每个模块采用不同卷积核的多列结构,可以拟合不同远近的个体信息;并结合前后两层的特征信息,减少了梯度消失造成的精度下降损失。实验证明,在ShanghaiTech PartA和PartB数据集上,所提方法的准确率比之前最好的MCNN方法分别提高了14.58%,40.53%,均方根误差分别降低了23.89%,33.90%。

模块型桥梁伸缩缝疲劳试验研究

模块型桥梁伸缩缝 (MBEJ)由于其伸缩变形能力大、密封防潮性能优良 ,越来越引起世界的广泛关注并被工程界所接受。模块型桥梁伸缩缝在使用过程中要经历数百万次的车轮疲劳循环荷载的作用 ,因此疲劳性能就成为评价模块型桥梁伸缩缝的一个最重要的力学性能指标。利用MTS疲劳试验机和设计加工的加载设备 ,同时施加伸缩缝在工作过程中可能承受的垂直和水平荷载 ,对标准模块型桥梁伸缩缝产品试件进行了静载和先后两次 2 0 0万次不同荷载幅值的疲劳试验。试验结果表明 ,伸缩缝中心梁和支撑梁的残余应变随疲劳循环次数的增加而增加 ,而荷载幅值的提高将在很大程度上提高累计残余应变的增长速率。

快速爬行软体管道机器人的设计与性能分析

采用锚定-伸缩运动机制的软体管道机器人多以硅胶、水凝胶等柔性材料为主体,可通过柔性材料的变形来实现在管道内的锚定和伸缩,具有良好的柔顺性。但由于柔性材料具有黏弹性和滞后性,软体管道机器人通常表现出较小的作用力和较慢的响应速度,难以快速储存和释放大量机械能,爬行速度缓慢。为解决这一问题,设计了一种可实现快速爬行的软体管道机器人。该机器人由锚定模块和伸缩模块组成,锚定模块利用柔性带的屈曲变形来实现在管道内的锚定,伸缩模块采用以塔簧为主体的软连续体结构来实现伸展与收缩。通过实验测得,该机器人在管道内的最大爬行速度为102 mm/s,最大锚定力为76.4 N,其能够在内径为90~120 mm的管道内实现稳定爬行,且对不同形状的非结构化管道环境具有良好的适应性。结果表明,所设计的机器人不仅能够在水平和竖直管道内实现双向爬行,还能够快速通过S形管道,这可为非结构化管道内软体机器人的设计与研究提供新思路。

基于U-Net多尺度自校准注意力视网膜分割算法

针对视网膜细小血管分割精度低的问题,提出一种融合可伸缩级联模块、Transformer和自校准注意力的改进U-Net算法以提高细小血管分割精度。首先在编码阶段利用可伸缩级联模块,先行学习复杂多变的视网膜血管拓扑结构。然后在解码阶段提出一种自校准注意力机制,利用多尺度挤压激励模块,自适应对特征图通道和空间之间特征重要性进行校准,增强目标区域特征响应,抑制背景噪声。最后使用Transformer特征提取块,提高特征空间映射能力。基于DRIVE和CHASEDB1数据集的实验结果表明,所提算法准确率分别为96.49%和96.67%,灵敏度分别为83.75%和83.30%,特异性分别为98.28%和98.01%,AUC分别为0.987 1和0.987 2,所提算法的整体性能优于现有算法,各模块能够有效提高细小血管分割能力。