基于卷积神经网络的深度学习方法对压力性损伤分期的研究

目的构建和验证用于压力性损伤(pressure injury,PI)自动化分期的深度学习模型。方法从常熟市第一人民医院PI电子化管理系统中选取2021年1月-2023年6月期间的201张图片,将PI分为4期,其中Ⅰ期21张、Ⅱ期41张、高分期101张、深部组织损伤38张。使用基于卷积神经网络(Convolutional Neural Network,CNN)框架的DenseNet121、EfficientNet、ResNet101和ResNet50神经网络建立针对PI分期任务的深度学习模型;模型评价指标包括准确率、召回率、精确率、F1值和读片时间。将深度学习模型的读片表现与2位不同年资护士进行比较。最后,对性能最佳的CNN模型进行可解释性分析并对压力性损伤视频进行实时预测。结果4种深度学习模型测试集中DenseNet121展现出较好的准确性(0.895),其次为resnet50(0.816),均高于高年资护士(0.805)和低年资护士(0.756)。同时,所有深度学习模型在测试集中读片用时均<10 s,速度快于护士(均>250 s)。最后,我们使用了梯度加权分类激活映射(Gradient Weighted Class Activation Mapping,Grad-CAM)、SHAP技术,对最优模型DenseNet121进行深入分析,突显出图像中对模型判断影响较大的关键区域,并实现了对PI视频的实时预测。结论在PI风险评估方面,成功地建立了一个表现优于护士人工评估的深度学习模型。此基于计算机视觉的深度学习模型可辅助护士进行更精准的PI分期,揭示了深度学习在临床医学应用中的广阔前景。

基于迁移学习和深度卷积神经网络的胸腰椎骨折AI分类研究

传统的胸腰椎骨折影像辅助分类方法准确率低、泛化能力差,为此提出一种基于深度卷积神经网络方法辅助诊断的胸腰椎骨折AI分类方法。收集四川省中西医结合医院胸腰椎骨折患者CT影像图片共698张,建立数据集,其中单纯压缩性骨折(A类)279张,爆裂性骨折(B类)295张,正常(C类)124张。对传统卷积神经网络模型ResNet-50进行改进并融入迁移学习,对数据集进行训练,获得胸腰椎骨折AI分类模型。采用混淆矩阵评估预测模型分类性能,模型的训练集和验证集准确率分别为95.75%和96.36%,表明训练得到的智能分类模型具有较好的准确率和泛化能力。本文提出胸腰椎骨折影像辅助分类方法,可以提高人工诊断的效率和准确率。

融合多小波分解的深度卷积神经网络轴承故障诊断方法

针对卷积神经网络及其与信号降噪预处理集成方法面临高噪声环境和低质量数据挑战时难以有效地提取信号有用特征的问题,提出了一种融合Geronimo-Hardin-Massopust多小波分解的深度卷积神经网络模型(GHMMD-DCNN)。该模型思想是将多小波包分解与卷积神经网络深度融合,即设计多个一级多小波分解层以提取信号的低频分量和高频分量,再将多个一级多小波分解层与卷积层交替联接,使模型能够多尺度地提取并学习信号有用的时频域信息,信号分解和特征学习交替执行,进而实现强噪声鲁棒特征提取。在不同工况下的航空高速轴承振动数据上进行测试,结果表明:所提模型训练时能够快速达到稳定收敛,并且识别准确率均能达到99.9%以上;提出的方法在强噪声干扰下的故障辨识准确度和识别稳定性均优于对比方法,验证了其优秀的抗噪声干扰能力;在少训练样本测试中,提出的方法在单类训练样本数量为60时的平均诊断准确率高达91.19%,相比于其他方法最低提升了13.19%,验证了GHMMD-DCNN模型具有更优的低样本泛化能力。

基于深度卷积神经网络的频高图特征提取研究

本文提出了一种利用深度卷积神经网络的频高图特征提取方法,在频高图不同层回波信息标记的基础上,构建包含降采样部分和上采样部分的频高图回波识别网络模型,实现了频高图不同回波信息自动识别.利用试验获取的频高图数据,通过人工对频高图中电离层不同层的回波信息分别标记,生成网络模型样本数据集.以随机方式,选取样本数据集80%的数据作为训练数据,其余数据作为测试数据.经网络模型训练和测试,结果显示网络模型能够自动有效地识别测试频高图中不同层的回波信息.在此基础上,结合数字图像处理中的腐蚀算法和连通域思想,针对性地设计滤波器,滤除已识别回波信息中的噪声、干扰、多跳回波,能够实现测试频高图特征参数的有效提取.并且通过与传统方法比较,该方法特征提取精度整体上优于传统方法,可为频高图特征的自动、精确提取提供一种新的技术方法.

基于深度卷积神经网络的电力系统故障预测

通过对深度卷积神经网络的深入研究,提出基于深度卷积神经网络的电力系统故障预测方法,保障系统安全运行。采用广域测量系统测量每个支路与节点,将获得的功率与关键特征值分别作为深度卷积神经网络模型输入、输出,训练这2个数据,并使用深度卷积神经网络AlexNet分析输入数据与输出数据的映射关系,建立基于深度卷积神经网络的电力系统故障预测模型,通过特征值分组、振荡模式筛选、数据预处理、模型训练和模型评估,实现电力系统运行状态评估,完成电力系统故障预测。实验结果说明:该方法的关键特征值计算结果与实际结果基本一致,可靠性高;使用正则化可提升模型泛化效果,防止模型过拟合;与其余方法的准确率和误报率指标相比,所提方法的准确率高达99.52%,误报率为1.16%,综合评价指标较高,评估效果优势显著。

基于深度卷积神经网络算法和先验知识构建冠心病患者大鱼际望诊模型的思路与方法

基于全息理论的中医望诊可以辅助诊断西医疾病,但目前中医望诊主要依靠名老中医药专家的经验传承,存在望诊客观化、标准化程度不够,缺乏行业内认可度高的望诊转化技术的问题。而望诊融合人工智能信息化技术,可以提升中医望诊客观化、标准化的水平,可以有效地降低疾病的恶化率和病死率,促进中医望诊经验的转化。据此,结合前期开展的大鱼际特征与冠心病关系研究,得出大鱼际望诊可以用于冠心病早期预警筛查。以大鱼际望诊和冠心病之间的关系为例,将先验知识和深度卷积神经网络算法深度融合,将特征提取和分类合为一体,利用深度学习端对端的显著特点,输入观察到的原始大鱼际图像像素数据或信息,通过对大鱼际照片的大量深度学习,构建冠心病患者的关键特征要素,融合先验知识后,输出是否为冠心病的分类结果,中间为深层的网络结构。这一思路将提出一种中医望诊客观化、标准化的智能化算法,促进中医望诊经验的转化思路与方法,以提高基层群众的疾病预警筛查能力,服务“健康中国”战略。

基于卷积神经网络的深度学习技术在软件缺陷检测中的应用

探讨了卷积神经网络(CNN)在软件缺陷检测中的应用。采用深度学习技术,模拟图像识别中的模式识别能力,对代码进行自动分析,以识别潜在缺陷。实验结果显示,该方法的缺陷检测正确率达到了94.28%~97.51%,说明利用CNN进行软件缺陷检测能够有效提升检测速度和准确性,对于降低开发成本、提高软件质量及可靠性具有重要意义。

基于深度降噪卷积神经网络的宽波段共相检测研究

拼接镜的共相误差检测是当前科学研究的热点问题之一,基于宽波段光源的共相检测技术解决了夏克哈特曼法由于目标流量低引起的测量时间长的问题,从而提升了piston误差的检测精度和量程。然而,当前宽波段算法在实际应用中,由于复杂的环境以及相机扰动等干扰因素的存在导致获取的圆形孔径衍射图像含有一定量的噪声,从而导致相关系数值低于设定阈值,最终使该方法精度降低,甚至失效。针对这一问题,本文提出将基于深度降噪卷积神经网络(DnCNN)的算法集成到宽波段算法中,以实现对噪声干扰的控制,并保留远场图像的相位信息。首先,将使用MATLAB获得的圆孔衍射图像作为DnCNN的训练数据,然后,将不同噪声水平的图像导入到训练好的降噪模型中,即可得到降噪后的图像以及降噪前、后圆孔衍射图像的峰值信噪比和二者与清晰无噪声图像间的结构相似度。结果表明:降噪处理后的图像与理想清晰图像之间的平均结构相似度较处理之前有了明显提升,获得了理想的降噪效果,有效增强了宽波段算法在高噪声条件下的应对能力。该研究对于探索用于实际共相检测环境宽波段光源算法具有较强的理论意义和应用价值。

基于深度卷积神经网络的电子玻璃缺陷分类方法

电子玻璃是信息显示产业的关键基础材料之一。近年来,显示产业向大尺寸化、超高清和轻薄化发展,对于电子玻璃基板的质量提出了更高的要求。机器视觉检测具有速度快、精度高、成本低、稳定性好等优点,被广泛应用于各种工业场景中。图像处理算法、识别分类算法是机器视觉检测的关键技术。本文针对基于深度卷积神经网络的整图分类方法在电子玻璃表面缺陷检测领域的应用,从图像数据处理、卷积神经网络构建、训练调参、评价标准等方面介绍其研究进展,并总结部分应用实例,对电子玻璃缺陷分类未来的研究方向进行展望。

基于卷积神经网络深度学习的地质断层智能识别方法

为解决传统机器学习方法识别断裂构造能力较差的问题,提出了基于卷积神经网络的UNet++网络结构模型用于识别地质断层。模型的建立过程中引入了不同注意力机制与损失函数,可以更好地实现语义深度学习与特征融合,并进行了相关性指标分析与图像分析。结果表明:WCE损失函数对应的预测图具有最清晰的输出效果,ECA+UNet++模型利用WCE损失函数的训练效果最佳,识别的准确率也更高。将采用WCE损失函数的ECA+UNet++模型在官渡河煤矿断层区域进行应用,可以对断层位置进行智能识别,并且对地下噪音的降噪处理较好;表明采用引入ECA注意力机制的UNet++网络结构模型能保证对断层识别的效率与精度。

基于深度学习神经网络技术的脊柱椎弓根螺钉自动规划研究

目的:针对骨科手术机器人螺钉手工规划效率低下的问题,实现基于CT的脊柱椎弓根螺钉自动、高效、高质量规划。方法:采用深度学习神经网络对标注分割和螺钉的CT图像进行有监督的机器学习,实现脊柱椎弓根螺钉的自动规划;本实验使用44例腰椎CT共440枚螺钉作为训练集,使用11例CT生成110枚螺钉作为测试集,以手工规划作为对照组,通过盲法专家评价评估螺钉规划效果,并通过记录规划时间评估规划效率。结果:该自动规划方法生成的螺钉规划临床可用率为95.4%,自动规划时间与平均手工规划时间分别为68.8 s和177.6 s。结论:该自动规划方法可初步实现高效、高质量的脊柱椎弓根螺钉自动规划,但仍需临床医生监督复核。

基于联邦学习与卷积神经网络的入侵检测模型

网络入侵检测模型需要在大规模的网络流量数据中及时准确地识别出恶意数据,但单一机构的标签数据不足,各机构之间不愿共享数据,导致训练出的入侵检测模型性能不高.针对上述问题,提出一种基于联邦学习和1维卷积神经网络的入侵检测模型FL-1DCNN,在保证较高检测精度的同时,允许更多的参与方保护自身数据的隐私和安全,解决了标签数据不足的问题.FL-1DCNN模型首先对原始数据集进行一系列预处理操作,然后在联邦学习机制下将1维卷积神经网络作为各参与方的通用模型进行特征提取,最后通过Sigmoid分类器进行二分类.实验结果表明,FL-1DCNN模型在CICIDS2017数据集上的准确率达到96.5%,F1分数达到97.9%.此外,相较于传统集中式学习训练出的模型1DCNN,FL-1DCNN模型在训练时间上缩短了32.7%.

改进迁移学习的双分支卷积神经网络图像去雾

针对现有图像去雾算法存在去雾不彻底和图像颜色失真的问题,提出一种迁移学习子网络和残差注意力子网络相结合的图像去雾模型。采用迁移学习子网络的预训练模型增强样本的特征属性;构建双分支网络结构,并利用残差注意力子网络辅助迁移学习子网络训练网络模型的参数;利用尾部集成学习的方法融合双网络的特征,得到去雾图像的模型参数,完成图像恢复任务。实验结果表明:所提算法在RESIDE数据集和O-HAZE数据集上PSNR指标比GCANet分别提高了1.87 dB和4.22 dB,在O-HAZE数据集上SSIM指标比GCANet提高了6.7%。

人工神经网络课程与深度学习融合的混合式教学改革研究

文章依托人工神经网络研究生课程的讲授经验,分析其特点和现状,着重探讨其教学内容上的时效性与实践性问题,提出神经网络与深度学习融合的线上线下混合式教学改革,提升课程理论和方法的时效性;提出前沿性的实践类研究型专题,提升研究生的实践动手能力;搭建与课程内容配套的线上系统,方便研究生自主学习、互动学习。通过践行“与时俱进、互动评价、专题创新”的教学理念,提高研究生的创新思维与综合素质。

基于深度卷积神经网络的股票交易模型研究

为探讨卷积神经网络模型(CNN模型)的有效性,构建基于卷积神经网络模型的沪深300选股策略。首先通过分层法和IC测试法对CNN模型预测得到的上涨因子进行有效性测试;其次基于年化收益率、最大回撤等风险与收益指标,判断上涨因子选股策略的具体表现,进一步验证CNN选股模型的有效性。随后构建了基于宽基指数的择时策略,结果表明CNN模型在上证50指数上预测表现最佳。卷积神经网络的量化选股和择时模型的研究结论证实,卷积神经网络不仅能在沪深300中选出表现更好的股票,而且在量化择时方面也同样有效。

基于深度可分离卷积神经网络的端到端高效车牌识别方法

车牌识别易受到天气或光照条件等不可预见干扰的影响。因此,文章提出了一种无需分割的车牌识别框架,该网络模型结合了先进的深度学习方法和设计思想,采用了深度可分离卷积来极大地降低计算量。与之前相比,它以更低的计算要求实现了更高的识别精度。在两个不同的数据集上对所提方法的有效性进行了评估,并获得了超过99%识别准确率和70以上的帧率,该方法稳健高效,值得推广。

基于卷积神经网络的学习疲劳检测研究

学习疲劳检测有助于教师获取学生的不良学习状态,从而进行针对性的干预,提高教学质量,促进学生身心健康发展。本文提出一种基于卷积神经网络的学习疲劳检测方法,该方法基于改进的SSD目标检测算法实现学生面部的实时精准检测,然后将面部图像输入改进的VGG16深度卷积神经网络进行学习疲劳特征的全面有效提取,实现学习疲劳的高效识别。实验结果表明,该方法既实现了人脸的精准定位,又显著提升了人脸检测速度,并明显地提高了疲劳识别的准确度。

基于课程学习的轻量级卷积神经网络研究

近年来,卷积神经网络的快速发展推动着计算机视觉及相关任务的性能提升。在网络层数增加和任务复杂度提升的同时,卷积神经网络仍面临一些问题。基于此,文章利用课程学习训练方法对轻量化卷积神经网络进行了设计,旨在进一步提高其性能。

面向实际化工过程故障诊断的强化深度卷积神经网络模型构建与应用

基于数据驱动的故障诊断技术可以帮助操作人员及时有效发现和检测异常情况,是当前工业与大数据融合的热点领域之一。深度卷积神经网络(deep convolutional neural networks,DCNN)是最常用的基于数据驱动的故障诊断模型,但其激活过程存在正负值计算不匹配以及信息流通效率低导致的参数冗余问题。本文提出一种基于最大平滑单元(maximum smoothing unit,MSF)函数的新激活机制克服传统激活函数的缺点,并且引入注意力机制(attention mechanism)结合门控循环单元(gated recurrent unit,GRU)提升DCNN的信息流通效率克服参数冗余问题,以综合提升传统DCNN模型的故障诊断性能。强化深度卷积神经网络(enhanced deep convolutional neural networks,EDCNN)的现有模型表现出显著提高的故障诊断性能,这在工业致动器控制系统和工业酸性气体吸收过程中的应用得到了验证。两个过程的平均故障诊断率均超过99.0%。

轻量化深度卷积神经网络设计研究进展

轻量化设计是解决深度卷积神经网络(deep convolutional neural network,DCNN)对设备性能和硬件资源依赖性的流行范式,轻量化的目的是在不牺牲网络性能的前提下,提高计算速度和减少内存占用。综述了DCNN的轻量化设计方法,着重回顾了近年来DCNN的研究进展,包括体系设计和模型压缩两大轻量化策略,深入比较了这两类方法的创新性、优势与局限性,并探讨了支撑轻量化模型的底层框架。此外,对轻量化网络已经成功应用的场景进行了描述,并对DCNN轻量化的未来发展趋势进行了预测,旨在为深度卷积神经网络的轻量化研究提供有益的见解和参考。