多尺度熵方法在机械故障诊断中的应用研究进展

机械设备状态监测与故障诊断的关键是故障特征的表征与提取,采用基于熵及相关方法建立的非线性动力学指标能够提取蕴藏在振动信号中的非线性故障特征信息。自熵方法引入以来,通过不断修改和改进来提高熵估计的准确性,多尺度熵进一步拓展了时间序列其他尺度上包含的复杂度信息,其在设备状态监测与故障诊断中得到广泛应用。本文对单一尺度熵及多尺度样本熵、多尺度模糊熵、多尺度排列熵和多尺度散布熵等多尺度熵方法在机械智能故障诊断中的应用进行综述,总结不同方法的特点优势与不足;针对多变量数据处理问题,综述由单变量推广到多变量的多元多尺度熵的应用发展过程。最后结合多尺度熵相关方法在机械智能故障诊断中面临的问题与挑战,对未来发展方向进行展望,即在工业大数据应用、故障机理、可解释性角度构建基于熵的深度学习模型。

基于多尺度级联注意网络的肺实质分割

针对肺实质分割任务中不同尺度特征的全局上下文信息利用率低、分割精度低、分割细节模糊等问题,提出一种多尺度级联注意网络(multiscale cascaded attention networks,MCANet)。该网络主要由多尺度特征提取网络(multi-scale feature extraction network,MSFENet)、多尺度注意力引导模块(multi-scale attention guidance module,MSAG)、解码特征整合器(decoding feature integrator,DFI)组成。首先,设计MSFENet以提高特征信息在不同通道维度上的空间交互能力,在采样过程中最大限度地保留图像的关键特征,丰富全局上下文信息。然后,设计MSAG提高模型在解码过程中对多尺度特征信息的利用率,并最大限度地融合两种注意力机制的优势。最后设计DFI,重新整合解码器生成的解码特征,以提高模型对边缘信息的分割性能。在LUNA16数据集上对模型性能进行实验验证,得到了0.993的Dice和3.864的HD,实验结果证明了MCANet与其他主流医学分割模型相比有更优异的分割性能,能更准确地分割肺实质。

一种多尺度特征融合TDNN的声纹识别方法

为了有效提高声纹识别的性能,改进了一种时延神经网络(Time Delay Neural Network,TDNN)架构,通过引入多尺度频率通道注意力(Multi-scale Frequency-channel Attention,MFA)以及多尺度通道注意力模块(Multi-scale Channel Attention Module,MS-CAM),从而增强模型对不同尺度特征的学习能力。MFA模块通过引入频率通道关注机制,有针对性地强化关键信息;MS-CAM模块进一步加强了对多尺度信息的融合,能更好地获得局部与全局的特征。结果表明,所使用的模型在声纹识别测试数据集VOXCELEB1的等错误率和最小检测代价函数2项指标分别为0.96和0.064,与基线系统相比下降幅度分别为8.6%和19%。

基于阵列声波测井的井下多尺度压裂效果评价方法

为有效监测水力压裂效果、提高储层压裂效果评价精度,基于阵列声波测井资料的井下压裂效果评价方法,采用反射斯通利波提取和成像技术定量表征近井筒压裂缝,建立适用于测井观测系统的叠前深度偏移成像算法,以实现远井压裂缝的高精度成像,形成了基于阵列声波测井的井下多尺度压裂效果评价方法,并在中国西部某油田X1水平井成功应用。研究表明,基于阵列声波测井资料评价的压裂缝发育程度与压裂液注入量呈正相关关系,并且压裂缝最为发育层段与地震蚂蚁体属性图中天然裂缝发育位置一致。基于阵列声波测井的井下压裂效果评价方法的提出,对表征井周数十米范围内不同尺度压裂缝的发育情况具有重要意义,对更好地发挥水力压裂技术对能源勘探开发行业的支撑作用具有一定指导意义。

地震叠后和叠前混合驱动下的页岩油储层多尺度裂缝预测方法

不同尺度、不同类型的天然裂缝的系统性表征有利于识别优质储层、改进开发效果.建立可靠的多尺度裂缝模型是提高页岩油储层钻遇率的重要依据,其关键在于精细预测小尺度裂缝的空间分布,指导钻井钻进和压裂过程.然而,基于地震属性的传统裂缝预测方法只能各自突出单一尺度的断裂,不同裂缝属性的数学独立性给综合裂缝系统的识别带来严峻挑战.我们提出一套改进的全尺度裂缝系统评估方案,其关键在于通过优化的各向异性蚁群裂缝识别算法确定小尺度裂缝的发育概率,将小尺度裂缝的发育概率与传统蚂蚁追踪产生的大尺度断层的概率进行融合,得到的综合裂缝系统可以实现全尺度裂缝的感知.详细的属性分析过程表明,方位各向异性能够精确描述微观裂缝特征.基于此,我们将各向异性分析得到的裂缝密度和裂缝走向融入蚁群追踪裂缝的各个阶段,在提高裂缝密集区搜索强度的同时,还对小断距裂缝的发育方向实现了精准刻画.针对页岩油藏的应用案例证明,根据改进方案得到的全尺度裂缝系统能够同时表征大尺度断层、小裂缝和裂缝破碎带的分布情况.研究区的成像测井结果进一步验证了小尺度裂缝预测发育方向的准确性及可靠性,能够为页岩油水平井开发部署提供理论指导.

基于多尺度特征深度神经网络的不同产地山楂细粒度图像识别

中药是中医治疗疾病的主要途径,也是我国中医药事业传承与创新发展的物质基础,其真伪优劣也会直接影响中医临床的疗效,因此研究科学合理且高效的中药材质量检测方法符合当前行业热点.山楂作为中国著名的药食两用类药材,在烹饪和治疗中具有保护心血管、降低血压的作用,被广泛应用;但由于自然环境与栽培条件的不同,不同产地的山楂易被混淆从而对品质产生影响.尽管化学、生物鉴定的方法广泛而重要,但专业门槛高,耗时较长;且传统图像处理方法容易受外在环境因素干扰,可靠性差.因此亟待研究快速准确的方法以实现山楂产地的精准鉴别;受CoAtNet与Swin-Transformer网络启发,本文结合MBConv模块中深度可分离卷积网络对局部信息建模的特点与Swin Transformer模块多层次结构可弥补网络非局部性损失的特性,提出一种多尺度特征的混合神经网络模型,通过获取图像不同层级特征,将获取的形状、颜色与纹理等浅层特征作为先验知识与高层级语义信息进行特征融合,研究了一种快速有效的识别方法以实现对不同产地山楂的有效鉴别;此外,本文提出一种新的局部空间注意力机制,通过形成通道注意力模块联合空间注意力模块的新结构,实现对图像细粒度特征的聚焦与学习.实验结果表明,本文所提出的方法有最高的鉴别准确率为89.306%,优于其他基线模型.实践证明,本文的研究提高中药材鉴别的科技水平,拓宽传统中医药的研究思路.

多尺度聚丙烯纤维混凝土弯曲疲劳寿命试验及数值模拟

为研究多尺度聚丙烯纤维混凝土的弯曲疲劳性能,开展基准混凝土、聚丙烯粗纤维混凝土及多尺度聚丙烯纤维混凝土的静载试验及不同应力水平(0.75、0.80、0.85)下的弯曲疲劳试验,建立弯曲疲劳寿命方程,并结合ABAQUS与FE-SAFE软件建立纤维混凝土梁的三点弯曲疲劳有限元模型。结果表明:聚丙烯纤维的掺入,尤其是多尺度聚丙烯纤维混掺显著增强了混凝土基体的抗折、抗疲劳性能。双对数lgS-lgN疲劳方程能够较好地描述多尺度聚丙烯纤维混凝土的应力水平与疲劳寿命的相关性,使用lgS-lgN疲劳方程计算得到200万次循环荷载作用下多尺度聚丙烯纤维混凝土的疲劳强度最高,为3.91 MPa。三组试件疲劳寿命的数值模型预测值均介于实测疲劳寿命的最大值与最小值之间,并接近于疲劳寿命平均值,该模型为多尺度聚丙烯纤维混凝土的疲劳寿命预测提供了理论依据。

一种基于多尺度的目标检测锚点构造方法

目标检测是计算机视觉领域的研究热点和基础任务,其中基于锚点(Anchor)的目标检测已在众多领域得到广泛应用。当前锚点选取方法主要面临两个问题:基于特定数据集的先验取值尺寸固定、面对不同场景泛化能力弱。计算锚框的无监督K-means算法,受初始值影响较大,对目标尺寸较单一的数据集聚类产生的锚点差异较小,无法充分体现网络多尺度输出的特点。针对上述问题,本文提出一种基于多尺度的目标检测锚点构造方法(multi-scale-anchor,MSA),将聚类产生的锚点根据数据集本身的特性进行尺度的缩放和拉伸,优化的锚点即保留原数据集的特点也体现了模型多尺度的优势。另外,本方法应用在训练的预处理阶段,不增加模型推理时间。最后,选取单阶段主流算法YOLO(You Only Look Once),在多个不同场景的红外或工业场景数据集上进行丰富的实验。结果表明,多尺度锚点优化方法MSA能显著提高小样本场景的检测精度。

基于多尺度深度图自适应融合的单目深度估计

深度估计网络通常具有较多的网络层数,图像特征在网络编码和解码过程中会丢失大量信息,因此预测的深度图缺乏对象结构细节且边缘轮廓不清晰。本文提出了一种基于多尺度深度图自适应融合的单目深度估计方法,可有效保留对象的细节和几何轮廓。首先,引入压缩与激励残差网络(SE-ResNet),利用注意力机制对不同通道的特征进行编码,从而保留远距离平面深度图的更多细节信息。然后,利用多尺度特征融合网络,融合不同尺度的特征图,得到具有丰富几何特征和语义信息的特征图。最后,利用多尺度自适应深度融合网络为不同尺度特征图生成的深度图添加可学习的权重参数,对不同尺度的深度图进行自适应融合,增加了预测深度图中的目标信息。本文方法在NYU Depth V2数据集上预测的深度图具有更高的准确度和丰富的物体信息,绝对相对误差为0.115,均方根误差为0.525,精确度最高达到99.3%。

基于多尺度注意力特征融合的场景文本检测

针对目前文本检测中小尺度文本和长文本检测精度低的问题,提出了一种基于多尺度注意力特征融合的场景文本检测算法。该方法以Mask R-CNN为基线模型,引入Swin_Transformer作为骨干网络提取底层特征。在特征金字塔(feature pyramid networks,FPN)中,通过将多尺度注意力热图与底层特征通过横向连接相融合,使检测器的不同层级专注于特定尺度的目标,并利用相邻层注意力热图之间的关系实现了FPN结构中的纵向特征共享,避免了不同层之间梯度计算的不一致性问题。实验结果表明:在ICDAR2015数据集上,该方法的准确率、召回率和F值分别达到了88.3%、83.07%和85.61%,在CTW1500和Total-Text弯曲文本数据集上相较现有方法均有良好表现。

多尺度融合与动态自适应图的公交客流预测模型

公交客流预测是公共交通规划和管理中的重要问题。虽然时空图卷积在地铁客流预测任务中获得了很好的预测效果,但是面对公交更复杂的线路、大规模的节点数据,现有的基于图卷积的空间建模方法将带来巨大的空间内存消耗。同时,公交客流量短时间范围内更可能受到瞬时交通状况的影响。为了解决这些挑战,提出了一种多尺度融合和动态自适应图的公交客流预测模型(MFDAG)。该模型融合客流、时刻和周信息以增加数据的特征维度,用动态自适应图的方法来学习不同站点之间的关系。进一步提出了一种多尺度融合传播的方法来表示复杂的空间依赖关系,同时设计了一种多尺度卷积传播的方法来学习不同尺度的时间依赖关系。在两个真实的客流数据集上进行了实验,并与其他交通预测方法进行了比较。实验结果表明,所提出的多尺度融合和动态自适应图的公交客流预测方法具有更高的预测准确度。

基于Transformer的多尺度遥感语义分割网络

为了提升遥感图像语义分割效果,本文针对分割目标类间方差小、类内方差大的特点,从全局上下文信息和多尺度语义特征2个关键点提出一种基于Transformer的多尺度遥感语义分割网络(muliti-scale Transformer network,MSTNet)。其由编码器和解码器2个部分组成,编码器包含基于Transformer改进的视觉注意网络(visual attention network,VAN)主干和基于空洞空间金字塔池化(atrous spatial pyramid pooling, ASPP)结构改进的多尺度语义特征提取模块(multi-scale semantic feature extraction module, MSFEM)。解码器采用轻量级多层感知器(multi-layer perception,MLP)配合编码器设计,充分分析所提取的包含全局上下文信息和多尺度表示的语义特征。MSTNet在2个高分辨率遥感语义分割数据集ISPRS Potsdam和LoveDA上进行验证,平均交并比(mIoU)分别达到79.50%和54.12%,平均F1-score(m F1)分别达到87.46%和69.34%,实验结果验证了本文所提方法有效提升了遥感图像语义分割的效果。

基于多尺度特征信息融合的时间序列异常检测

目前大多数的时间序列都缺少相应的异常标签,且现有基于重构的异常检测算法不能很好地捕获到多维数据间复杂的潜在相关性和时间依赖性,为了构建特征丰富的时间序列,提出一种多尺度特征信息融合的异常检测模型。该模型首先通过卷积神经网络对滑动窗口内的不同序列进行特征卷积来获取不同尺度下的局部上下文信息。然后,利用Transformer中的位置编码对卷积后的时间序列窗口进行位置嵌入,增强滑动窗口中每一个时间序列和邻近序列之间的位置联系,并引入时间注意力获取数据在时间维度上的自相关性,并进一步通过多头自注意力自适应地为窗口内不同时间序列分配不同的权重。最后,对反卷积过程中上采样得到的窗口数据与不同尺度下得到的局部特征和时间上下文信息进行逐步融合,从而准确重构原始时间序列,并将重构误差作为最终的异常得分进行异常判定。实验结果表明,所构建模型在SWaT和SMD数据集上与基线模型相比F1分数均有所提升。在数据维度高且均衡性较差的WADI数据集上与GDN模型相比F1分数降低了1.66%。

基于多尺度残差注意力网络的水下图像增强

针对水下图像由水的散射、吸收引起的色偏、色弱、信息丢失问题,提出了一种基于多尺度残差注意力网络的水下图像增强算法。该网络引入了改进的UNet3+-Avg结构与注意力机制,设计出多尺度密集特征提取模块与残差注意力恢复模块,以及由Charbonnier损失和边缘损失相结合的联合损失函数,使该网络得以学习到多个尺度的丰富特征,在改善图像色彩的同时又可保留大量的物体边缘信息。增强后图像的平均峰值信噪比(PSNR)达到23.63 dB、结构相似度(SSIM)达到0.93。与其他水下图像增强网络的对比实验结果表明,由该网络所增强的图像在主观感受与客观评价上都取得了显著的效果。

“城—产—人”关联视角下城市边缘乡村转型的多尺度路径——以江苏溧阳北拓区为例

文章从空间、要素和时间维度,辨析城边村与“城”“产”“人”三重外部动力的多重关联性,构建“城—产—人”关联视角下的城边村转型研究框架。在此视角下,基于城边村演化发展的核心特征总结,从城区、园区、社区3个层面探讨城边村转型的多尺度空间路径,分别为:以城乡融合推动空间结构重组、以产业转型支撑空间布局融合、以人群需求引领品质生活营造。最后以溧阳北拓区乡村为例,以“融入城区—联动园区—激活社区”为脉络,提出城边村多尺度协同的规划策略,以期为我国乡村转型与新型城镇化提供可能的借鉴。

多尺度残差密集注意力网络图像超分辨率重建

目的使用单一尺度卷积网络提取低分辨率(low-resolution,LR)图像特征会造成大量图像高频特征丢失,为了获取更多高频特征,重建更清晰的超分辨率图像,方法提出一种基于多尺度残差密集注意力网络(multi-scale residual dense attention network)的单幅图像超分辨率重建算法。首先,使用卷积网络从低分辨率图像中提取浅层特征并将其作为后续网络各级输入;其次,采用各级多尺度残差密集注意力块(multi-scale residual dense attention block)处理前级网络图像特征并从中提取图像高频特征,多尺度残差密集网络善于提取更丰富的图像特征,并融入注意力机制,增强网络对高频区域特征的关注;然后,将网络各级提取不同深度的图像特征进行全局特征融合;最后,融合后的特征经上采样输出重建的超分辨率图像。结果放大因子为4时,网络在SET5,SET14,BSDS100,URBAN100和MANGA109数据集上测试,峰值信噪比分别为31.97,28.58,27.57,25.85,29.79 dB;网络中基本模块分别由多尺度残差密集注意力块、残差块和密集块替换提取特征,以峰值信噪比作为模块性能评估标准,多尺度残差密集注意力块表现更优异。结论该网络结合多尺度残差密集网络能够获取更丰富图像高低频信息,融入注意力机制有效对网络中高频信息进行提取,能重建纹理更清晰的超分辨率图像。

一种融合多尺度混合注意力的建筑物变化检测模型

针对高分辨率遥感图像非真实变化所引起的错误检测问题,提出一种新颖的轻量化孪生神经网络建筑物变化检测模型。其中轻量化的特征提取模块可以获取不同尺度的局部上下文信息,使其充分学习局部和全局特征。由通道和空间注意力组成的混合注意力模块可以充分利用周围丰富的时空语义信息,以实现变化建筑物的准确提取。针对变化建筑物尺度跨度较大,容易导致建筑物边缘细节提取粗糙、小尺度建筑物漏检等问题,引入多尺度概念,将提取到的特征图划分为多个子区域,并分别引入混合注意力模块,最终将不同尺度的输出特征进行加权融合,以加强边缘细节提取能力。模型在WHU-CD、LEVIR-CD公开数据集进行实验,并分别取得87.8%和88.1%的F 1值,相较于6种对比模型具有更高的变化检测精度。

变质岩潜山多尺度裂缝发育特征及裂缝网络结构模式:以渤中Z变质岩潜山为例

天然裂缝是变质岩潜山储层重要的储集空间和有效的渗流通道。多尺度裂缝组合在空间形成连通性良好的连续网络是致密变质岩形成优质连片储层和获得高产、稳产的关键因素。综合利用成像测井、岩心、薄片和扫描电镜等资料,对变质岩潜山储层中不同尺度裂缝进行精细表征,建立了多尺度裂缝的幂律分布规律,明确了不同尺度裂缝对储层的贡献,分析了裂缝网络空间结构模式及其对产能的影响。结果表明:不同尺度裂缝系统相关参数发生规律性变化,随着裂缝规模的降低,裂缝发育程度呈幂律函数增加。宏观裂缝的规模大,连通性好,为致密储层提供重要的渗流通道,但裂缝密度相对较低,为储层提供的孔隙度有限。微观裂缝密度大,可以为致密储层提供储集空间,但裂缝规模较小,裂缝连通性有限,主要起到沟通基质孔隙的作用。根据不同尺度裂缝的空间组合模式,建立了5种缝网结构。其中,多尺度高密度多组系缝网和大尺度中密度多组系缝网能够形成大面积连续型优质储层,可以获得高产和稳产;小尺度高密度多组系缝网和大尺度低密度多组系缝网需要压裂改造才能获得稳产;小尺度低密度单组系缝网不能有效改善致密储层,很难获得工业油气流。

海域重力异常模型的多尺度分析

不同于传统的重力异常模型精度分析方法,本文以马里亚纳海沟区域(140°E—150°E,10°N—20°N)为例,利用DOG球面小波提取了DTU10、DTU17和SIO V32.1模型在不同波段内的重力异常信号,对模型间的差异进行了深入分析,并对基于径向基函数的不同深度、不同分辨率的多尺度分析进行了尝试。利用DOG球面小波对各模型多尺度分析的结果表明,随着尺度变小,模型间的差异在变大;DTU10、DTU17模型间的差异主要集中在10.9~43.6 km的波段内,分布在海岸、海沟、海底山附近,体现了Cryosat-2、Jason-1/GM观测数据和FES2014海潮模型的贡献;受模型构建方法不同、观测数据增多和波形重跟踪的影响,DTU17、SIO V32.1模型的差异大于DTU10、DTU17之间的差异。对传统径向基函数进行了改进,实现了多深度、多空间分辨率情况下径向基函数多尺度分析,结果略优于单一深度、单一空间分辨率径向基函数构建结果,有望应用于多源数据的重力场模型构建。

多尺度实验测试评价高强钢氢脆的研究进展

氢脆是高强钢中普遍存在的现象,也是其研发过程中必须攻克的难题。为了深入理解高强钢的氢脆与其缺陷之间的关系,发展了许多测试评价方法,如宏观尺度的慢应变速率拉伸、线性增加应力、恒载荷拉伸这类力学实验以及检测氢含量的热脱附光谱法和电化学氢渗透法,根据高强钢的塑性损失、最大断裂应力、断裂时间、应力强度因子、氢的俘获能和扩散速率等参数直接进行氢脆敏感性的评价。但宏观尺度的实验无法深入地研究高强钢发生氢脆的机理,通过介观、微观尺度的实验和表征手段,如压痕法、纳米压痕法、微悬臂梁弯曲实验、原子探针技术、氢微印技术、扫描开尔文探针显微镜等,从局部测试高强钢性能变化和准确检测氢被俘获的位置,能够在解释氢脆机理和认识氢与高强钢中缺陷之间相互作用的问题上提供更加准确的依据。本文介绍、对比了上述这些实验方法并调研了多尺度实验测试评价高强钢氢脆的研究进展,总结了高强钢氢脆研究现状和主流的测试评价方法,为深入探索高强钢氢脆提供了思路。