光谱技术结合水分校正与样本增广的棉田土壤盐分精准反演

棉田土壤盐分的精准反演对于棉花的种植管理具有重要意义。水分和盐分作为主要环境因素,共同影响棉田土壤的波谱特征,两者之间的耦合关系直接影响土壤盐分的检测分析。为了提高基于光谱技术构建的模型对棉田土壤盐分信息解析的准确性与可靠性,该研究联用可见/短波近红外(400~1 000 nm)和长波近红外(960~1 693 nm)技术,采集不同含水率与含盐量的新疆地区土壤样本的光谱;结合外部参数正交法(external parameter orthogonalization,EPO),校正不同标样集与不同波段光谱中的土壤含水率干扰信息;引入基于不同卷积步幅的深度卷积对抗网络(deep convolutional generative adversarial networks,DCGAN),进行样本增广与质量评估;参考三层残差神经网络设计一维卷积神经网络RNet,最终构建基于EPO-DCGAN-RNet的优化模型,用于棉田土壤盐分的反演。结果表明,与传统机器学习方法和基于VGG或EfficientNet结构一维卷积神经网络相比,该研究提出的EPO-DCGAN-RNet方法能够有效地滤除水分对盐分反演的影响、提高模型对特征波段的挖掘能力、降低深度学习算法对样本量的依赖性,并能得到更优的模型预测性能。EPO-DCGAN-RNet的建模集R^(2)和均方根误差分别为0.942、115.420μS/cm,验证集R^(2)和均方根误差分别为0.910和136.472μS/cm。研究结果可为新疆棉田土壤盐分快速精准检测提供理论指导和技术支持,有助于促进盐碱地区棉花种植的水肥科学管理。

建筑物指数与对抗网络结合的检测样本增广

在基于深度学习的遥感图像大范围目标检测中,部分地物获取难度较大,训练结果不佳。因此,利用形态学建筑物指数与生成式对抗网络进行样本增广,减少因检测样本不足导致的模型过拟合问题。通过提取纹理结构信息相关的形态学建筑物指数,将其与原始样本进行叠加,对建筑物的纹理与空间特征进行强化。同时利用已有样本训练生成式对抗网络以增广部分目标类别,并将其与形态学建筑物指数增强后的样本进行合成,以扩充原始样本集。相比于翻转,裁剪,色调变化的增广策略,使用该方法的检测精度在YOLOv5、EfficientDet等模型上的检测精度均有2%~5%的提升。实验证明,利用建筑物指数与生成式对抗网络相结合的样本增广方法对于诸如发电站等特殊感兴趣类别的小样本遥感图像目标检测精度具有明显提升效果。

基于改进CycleGAN的军事目标图像样本增广方法

针对军事目标图像识别训练中面临的样本数量与质量不足的问题,对CycleGAN模型进行了改进,并提出一种有效增广的方法。针对军事目标样本特点,修改了模型的生成器结构和损失函数结构,提高了模型的稳定性和生成图像质量。通过将扩充样本后的数据集进行图像识别模型训练,发现该模型所生成的图像可以有效提高识别模型的准确率,证明了该方法在增广军事目标样本中的实用性和可行性。

基于AI+MRI的影像诊断的样本增广与批量标注方法

训练样本是所有领域人工智能(AI)研发的关键因素.目前,基于人工智能+磁共振成像(AI+MRI)的影像诊断存在着训练样本的有效标注数量和类型无法满足研发需求的瓶颈问题.本文利用临床MRI设备对志愿者或阳性病例进行正常或重点病灶区的定量扫描,获取高分辨率各向同性的纵向弛豫时间(T_1)、横向弛豫时间(T_2)、质子密度(Pd)和表观扩散系数(ADC)等物理信息的多维数据矩阵,作为原始数据.开发虚拟MRI技术平台,对原始数据(相当于数字人体样本)进行虚拟扫描,实现不同序列不同参数下的多种类磁共振图像输出.选择感兴趣组织具有最好边界区分度的图像种类,经有经验的影像医生对其进行手动勾画并轨迹跟踪形成三维MASK标注矩阵,作为其他种类图像的图像勾画标注模板,从而实现低成本、高效率的MRI样本增广和批量标注.该平台以临床少量阳性病例作为输入,进行样本增广和标注,极大地减少AI对实际扫描样本的要求,降低了影像医生的精力和时间投入,极大地节省了成本,并输出了数量足够的磁共振图像,为基于AI+MRI的影像诊断研发提供低成本的训练数据解决方案.

医学影像人工智能辅助诊断的样本增广方法

针对不同领域人工智能(AI)应用研究所面临的采用常规手段获取大量样本时耗时耗力耗财的问题,许多AI研究领域提出了各种各样的样本增广方法。首先,对样本增广的研究背景与意义进行介绍;其次,归纳了几种公知领域(包括自然图像识别、字符识别、语义分析)的样本增广方法,并在此基础上详细论述了医学影像辅助诊断方面的样本获取或增广方法,包括X光片、计算机断层成像(CT)图像、磁共振成像(MRI)图像的样本增广方法;最后,对AI应用领域数据增广方法存在的关键问题进行总结,并对未来的发展趋势进行展望。经归纳总结可知,获取足够数量且具有广泛代表性的训练样本是所有领域AI研发的关键环节。无论是公知领域还是专业领域都进行样本增广,且不同领域甚至同一领域的不同研究方向,其样本获取或增广方法均不相同。此外,样本增广并不是简单地增加样本数量,而是尽可能再现小样本量无法完全覆盖的真实样本存在,进而提高样本多样性,增强AI系统性能。

基于阶段聚焦损失和并行增广策略的遥感图像场景分类

随着深度学习的不断普及,卷积神经网络已成为遥感图像场景分类的主要手段,然而当前的研究主要集中于多网络主干的信息融合以及注意力机制等领域,在提高分类精度的同时也带来更高的计算复杂度。针对上述问题,分别从改进卷积神经网络损失函数和设计新的样本训练策略两个角度出发,在不增加计算复杂度的前提下,提升卷积神经网络的分类性能。首先,在对传统交叉熵和Focal loss损失函数进行分析的基础上,提出一种阶段聚焦损失函数,该损失函数可以在训练阶段对卷积网络进行有侧重的性能挖掘。其次,设计了一种并行样本训练策略,将采用Gridmask算法增广后的样本图像和原始样本图像,分为两路输入卷积网络进行并行训练,进一步提升卷积网络的分类性能。实验结果表明,所提出的算法分别在AID和NWPU-RESISC45两个大规模数据库上取得了96.72%和93.95%的检测精度,可以显著提升遥感图像场景分类的性能。

小样本下装备平均维修时间验前分布确定方法研究

针对装备维修性试验数据小样本的实际,选取Bayes方法,对小样本下平均修复时间（mean time to repair,MTTR）验前分布的求取方法进行改进。依据不同的样本量,分别采用Bootstrap方法、最大熵法、Bootstrap与最大熵结合法及极小子样的虚拟增广样本法确定总体的验前分布,重点对其原理和计算过程进行说明,并利用实例对每种验前分布确定方法进行了验证分析,最后总结比较了各种方法的优缺点,为其实际使用提供了参考。

基于极小子样的某列车齿轮箱箱体疲劳寿命可靠性评估

针对采用Bootstrap方法对极小子样进行可靠性评估时,在重抽样的过程中样本向均值集中导致评估结果不够准确的问题,提出一种改进的Bootstrap可靠性评估方法。采用虚拟增广样本法对极小子样进行增广,增广至小样本。然后将增广后的小样本按照大小进行排序并分组,运用四分位差法和Bootstrap法对分组后的数据进行可靠性评估。最后,将该方法用于某列车齿轮箱箱体疲劳寿命的可靠性评估。评估结果表明:该方法可以较好地解决Bootstrap法无法对极小子样进行评估的问题,改善了Bootstrap法的抽样结果向均值集中的状况。

单子样结构疲劳试验寿命评估方法研究

针对工程上常见的航空复杂昂贵产品的单子样结构疲劳试验寿命,考虑疲劳寿命服从对数正态分布及威布尔分布两种情况下,发展、提出了将样本数从虚拟扩展至,再结合Bootstrap方法进行可靠性试验评估的方法,并给出了相应的求解带可靠度、置信度下限的试验评估方法。给出了算例阐明。

小子样疲劳试验数据的特征寿命估算方法评估

疲劳试验数据一般属小子样范畴,在Weibull寿命分布的假设下应考虑特征寿命的统计置信度。总结特征寿命概率估计的贝叶斯法和虚拟增广样本的Bootstrap法,通过2024-T3直耳片的七组疲劳试验数据对二者进行对比和评估。针对EDF拟合检验法无法对特征寿命估计值的合理性提供实质性指导的问题,提出一种新的试验样本数据全部落入寿命分布(1-a)双侧百分位区间的判定方法。结果表明:Bootstrap法的特征寿命估计值比贝叶斯法偏大;本文提出的判定方法可有效定性判断特征寿命估计值偏大或偏小。

磁共振虚拟仿真技术的应用

虚拟仿真是除了理论和实验之外的第三种研究手段,广泛应用于诸多领域的各个研发环节。本文介绍了虚拟仿真技术在磁共振成像(Magnetic Resonance Imaging,MRI)领域的发展情况和现状、磁共振虚拟仿真平台的开发思路和开发流程,以及磁共振虚拟仿真平台在MRI原理可视化批量化实验教学方面的应用效果。另外,还提到人工智能(Artificial Intelligence,AI)。除了教学应用外,虚拟仿真技术在AI+MRI医学影像智能诊断的样本增广、提高临床MRI的扫描效率等方面也有着很好的应用前景。

基于Bootstrap方法的密封寿命可靠性评估

针对高可靠、长寿命密封件在小样本试验下的可靠性寿命评估需求,提出一种基于虚拟增广样本和Bootstrap方法的密封寿命小样本数据可靠性评估方法。并以轴用阶梯圈为例,进行寿命可靠性评估。首先通过虚拟增广法将轴用阶梯圈台架寿命试验数据样本数增广至10个,使得样本数满足Bootstrap方法的适用条件;然后再利用Bootstrap方法得到轴用阶梯圈的寿命可靠性评估结果。

一种弹载遥测装置可靠性的试验评估方法

本文结合极小子样下的虚拟增广样本评估法对其进行了验证评估,并与前期的预测进行对照,说明该方法是对兵器遥测产品可靠性试验评估的一种可行方法。

基于深度学习的红外图像遮挡干扰检测方法

红外成像体制进行目标探测和识别时,烟幕、云雾等遮挡类干扰会改变目标特征导致目标识别错误。通过对遮挡干扰区域进行定位和类型判断,在识别处理时进行针对性处理可大大降低识别虚警率,提高识别的抗干扰能力。为此,提出一种基于深度学习单通道检测器改进的红外图像厚云、烟幕遮挡干扰检测方法。该方法通过网络多层特征的复用和融合,实现了多尺度预测;利用动态锚框模块改进锚框机制,提高了检测精度;将网络中的卷积层与批归一化层合并,提高了检测速度;引入中心损失函数对分类函数进行优化,提高了网络对遮挡物的分类能力。在网络训练过程中,提出一种红外样本增广方法,对数据量进行有效扩充,解决了红外图像训练样本获取难的问题。实验结果表明,与未改进前的算法相比,在速度基本相同情况下改进的遮挡干扰检测方法检测精度提高3.7%,有效地解决了复杂环境下红外自动目标识别系统抗干扰能力较弱的问题。

基于Bootstrap-SVR-SOC的小子样结构机构可靠性分析方法

针对实际工程中小子样结构机构可靠性分析的问题,提出了Bootstrap—支持向量回归（SVR）—二阶累计量（SOC）方法框架和多阶矩虚拟样本容量扩充方法,增强了扩充后样本的客观性;将Bootstrap与SVR方法结合,构建出结构机构可靠性极限状态函数,并利用SOC方法计算可靠度指标.最后,应用摆动导杆机构的仿真算例验证了新方法的有效性.

智能制造中的计算机视觉应用瓶颈问题

计算机视觉在智能制造工业检测中发挥着检测识别和定位分析的重要作用,为提高工业检测的检测速率和准确率以及智能自动化程度做出了巨大的贡献。然而计算机视觉在应用过程中一直存在技术应用难点,其中3大瓶颈问题是:计算机视觉应用易受光照影响、样本数据难以支持深度学习、先验知识难以加入演化算法。这些瓶颈问题使得计算机视觉在智能制造中的应用无法发挥最佳效能。因此,需要系统地加以分析和解决。本文总结了智能制造和计算机视觉的概念及其重要性,分析了计算机视觉在智能制造工业检测领域的发展现状和需求。针对计算机视觉应用存在的3大瓶颈问题总结分析了问题现状和已有解决方法。经过深入分析发现:针对受光照影响大的问题,可以通过算法和图像采集两个环节解决;针对样本数据难以支持深度学习的问题,可以通过小样本数据处理算法和样本数量分布平衡方法解决;针对先验知识难以加入演化算法的问题,可以通过机器学习和强化学习解决。上述解决方案中的方法不尽相同,各有优劣,需要结合智能制造中具体应用研究和改进。