融合注意力与残差网络的石油管材失效宏观影像智能识别方法

基于深度学习的石油管材失效影像智能识别方法是目前的研究热点。针对传统的识别网络/模型存在精度不佳、泛化能力差等问题,基于残差块堆叠设计思路,建立了融合注意力与残差网络的石油管材失效宏观影像智能识别模型/算法。该算法赋予网络对石油管材失效典型宏观影像(断裂、腐蚀、磨损、形变)特征权重分配功能,有效提升神经网络捕获宏观影像关键特征信息的能力。与传统BottleNeck结构网络87.52%的平均分类精度相比,融合注意力与残差网络的AXBlock网络模型的平均分类精度达到94.93%。此研究工作将为石油管材失效智能诊断、失效分析预测与预防提供技术支撑。

基于SR的XPCI及其医学应用实验研究现状

随着影像临床医学实践与研究的深入,X线吸收对比成像（XACI）难以良好分辨主要由低z元素组成的生物医学软组织的不足日渐显露。为了突破XACI属于宏观影像学的局限性,近10年来基于同步辐射（SR）的X线相衬成像（XPCI）技术已被提出并得到逐步发展。XPCI是通过探测X线照射物体后发生或携带的相移信息,并以可观察的光强变化显示出来,以探察物体内部细微结构的微小电子密度变化,揭示其微观结构或信息差异,促成了微观影像学的提出。就XPCI医学应用研究现状及意义予以综述。