期刊文献+
共找到3篇文章
< 1 >
每页显示 20 50 100
不同负荷条件下疲劳的增强阶段和力竭阶段组织学特征研究
1
作者 周蓉晖 黄明 +3 位作者 殷劲 高兴 黎锦 张卫东 《成都体育学院学报》 CSSCI 北大核心 1993年第4期82-86,共5页
疲劳是一个复杂的过程,受体内多种因素的影响。百年来,人们从不同角度去研究疲劳,但对运动性疲劳发展过程各阶段的不同变化的研究的直接观测证据目前仍未见到。1992年9月成都体院疲劳研究组提出了运动性疲劳发展过程的理论,把疲劳看成... 疲劳是一个复杂的过程,受体内多种因素的影响。百年来,人们从不同角度去研究疲劳,但对运动性疲劳发展过程各阶段的不同变化的研究的直接观测证据目前仍未见到。1992年9月成都体院疲劳研究组提出了运动性疲劳发展过程的理论,把疲劳看成是一个发展的过程,划分为开始阶段、增强阶段、力竭阶段。本文拟通过对大白鼠在不同负荷条件下游泳导致疲劳发展过程的增强阶段和力竭阶段的取样,用光镜和电镜观察疲劳过程不同阶段所引起的股直肌的组织学特征的变化,以及测定不同阶段的乳酸值的变化来比较疲劳过程的阶段性特征。 展开更多
关键词 不同负荷 增强阶段 力竭阶段 疲劳
下载PDF
基于二阶段目标增强网络的低照度复杂环境下绝缘子故障检测方法 被引量:1
2
作者 田子建 吴佳奇 +3 位作者 张文琪 陈伟 杨伟 王帅 《电网技术》 EI CSCD 北大核心 2024年第3期1331-1340,共10页
从低照度户外环境中航拍采集的绝缘子影像,存在照度低、背景复杂、绝缘子故障目标小等缺陷,严重影响低照度环境下绝缘子故障检测准确性。为解决上述问题,文章提出一种基于TOE-Net的低照度复杂环境下绝缘子故障检测方法,提出TOE-Net进行... 从低照度户外环境中航拍采集的绝缘子影像,存在照度低、背景复杂、绝缘子故障目标小等缺陷,严重影响低照度环境下绝缘子故障检测准确性。为解决上述问题,文章提出一种基于TOE-Net的低照度复杂环境下绝缘子故障检测方法,提出TOE-Net进行图像预处理方法,再使用YOLOv7-OL作为故障检测模块检测小目标绝缘子故障。在二阶段目标增强网络(two-stage object enhancement network,TOE-Net)中,设计零目标图像增强损失函数实现预增强网络(preparation enhancement network,PreEnNet)和深度增强网络(deep enhancement network,DeepEnNet)的无监督学习;使用信道级注意力模块跳跃式通道注意力机制(skip squeeze excitation networt,Skip_SENet)和跳跃式通道注意力机制(skip convolutional block attention module,Skip_CBAM)模块改进原始小目标特征增强单次多框检测算法(small object detection enhancement single shot multiBox detector,SDE-SSD),从而提升定位网络的小目标检测能力;设计弱监督机制使预增强网络根据小目标特征增强SSD的要求来提升图像增强能力,直到小目标特征增强SSD能够从增强图像中准确定位绝缘子串位置;使用深度增强网络深度增强绝缘子串区域,提升各类故障的特征显著性。故障检测模块中,将YOLOv7目标检测算法改进为面向小目标YOLOv7,在原模型中添加结合多尺度特征自适应融合网络的小目标检测通道,并将原始损失函数的CIOU改进为BIOU,从而提高模型的小目标检测性能。在低照度环境绝缘子故障检测实验中,该算法与5种目前常用目标检测算法相比具有较大优势,并且相较于低光目标检测算法IA-YOLO、GenISP with RetinaNet,m AP提升9.77%、10.35%,检测速度提升7.23%、10.16%,证明该算法适用于低照度复杂环境下小目标绝缘子故障检测任务;在正常光照绝缘子故障检测实验中该算法仍保持出色性能,证明该算法能够实现常规光照条件下绝缘子小目标故障检测。 展开更多
关键词 绝缘子故障检测 低光复杂环境目标检测 小目标检测 阶段目标增强网络 弱监督机制 零目标图像增强损失函数 小目标特征增强SSD YOLOv7小目标检测算法
下载PDF
适于少样本缺陷检测的两阶段缺陷增强网络 被引量:4
3
作者 陈朝 刘志 +1 位作者 李恭杨 彭铁根 《计算机工程与应用》 CSCD 北大核心 2022年第20期108-116,共9页
缺陷检测模型一般需要大量样本来学习缺陷的特征,但实际场景中一些重要缺陷的样本难以收集,如何用少量样本来学习罕见缺陷的特征成为一个具有挑战性的问题。为了促进少样本缺陷检测的研究,构建了一个新的工业表面缺陷数据集,包括缺陷样... 缺陷检测模型一般需要大量样本来学习缺陷的特征,但实际场景中一些重要缺陷的样本难以收集,如何用少量样本来学习罕见缺陷的特征成为一个具有挑战性的问题。为了促进少样本缺陷检测的研究,构建了一个新的工业表面缺陷数据集,包括缺陷样本和无缺陷样本。同时提出了一个两阶段缺陷增强网络以提升少样本场景下的缺陷检测性能,它利用了无缺陷样本,并将整个训练过程分为两个阶段。第一阶段的训练需要大量缺陷样本,而第二阶段的训练只需要少量缺陷样本和无缺陷样本。此外,还提出了一个缺陷突显模块,可以更好地利用无缺陷样本来增强缺陷区域的特征。在新数据集上的实验表明,该缺陷检测模型的性能优于其他的少样本目标检测模型,在工业表面缺陷检测中具有更好的应用前景。 展开更多
关键词 缺陷检测 少样本学习 无缺陷样本 阶段缺陷增强网络 缺陷突显模块
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部