变分自编码的分层解耦卷积脑肿瘤分割网络

三维卷积神经网络处理图像分割精度高,可以保留更多空间信息,有效解决标签不平衡问题,但存在参数量大的缺点.针对目前三维脑肿瘤分割网络内存资源占用大、硬件设备要求高、计算效率低的问题,将传统3D UNet网络中的3D卷积替换为分层解耦卷积,能够降低空间环境的计算复杂度和内存占用量,在不提高计算量的前提下显著提高分割精度,提高网络性能.为解决传统自编码器不能自主生成数据的问题,使用结合深度学习和统计学习的变分自编码器,在编码器结果中加入高斯噪声,使得编码器对结果具有鲁棒性,在编码器中加入概率分布防止过拟合,提高算法的泛化性能.采用三线性插值在三维离散采样数据的张量积网格上进行线性插值,有效避免线性方程组不断增大导致计算时间过长的问题.通过对损失函数加权混合,避免梯度弥散时出现学习速率下降现象,解决小区域分割不平衡问题,减少局部性能最优,使网络保持较高运算速度的同时有效提高分割精度,在有限内存空间最大化网络特征提取能力.在脑肿瘤公开数据集BraTS2019上的实验结果表明,该网络在增强型肿瘤、全肿瘤、肿瘤核心上的Dice值分别可达78.02%、90.05%和83.14%,参数量仅为0.30×10^(6),能够准确、高效地分割出脑肿瘤中各病灶区域,节约硬件设备的算力和内存资源,为临床应用提供可能性.

声学和电流特征融合的行星齿轮箱诊断方法

行星齿轮箱作为页岩气压裂机组、海上风电机组等油气行业大型装备的关键部件,因工作中表面温度过高,或不允许改造(如打磨、钻孔)等限制了接触传感器(如振动传感器)的安装。为此,设计了行星齿轮箱声学和电机电流信号的非接触传感器采集方法;针对信号特征提取困难、特征不完备,以及诊断网络参数量大、计算效率低的问题,设计了新颖的轻量化多尺度解耦卷积网络方法,实现了行星齿轮箱声学和电机电流信号特征的深度融合。采用多尺度解耦卷积网络,提取声学信号和电机电流信号中对微弱故障及类间差异敏感的特征;进行标准卷积、串行并行计算以实现特征融合,使得特征相互补充,增强完备性;引入金字塔池化模块减少特征丢失。在行星轮断齿、缺齿和行星轮轴承保持架裂纹等典型故障模拟试验中,采集了声学信号和电机电流信号,对本方法进行验证,诊断准确率达99.73%。对比结果表明:轻量化多尺度解耦卷积网络融合诊断的效果优于标准卷积网络和同类结构网络;同时结合声学和电机电流信号的方法相比传统的接触传感器,以及单一非接触传感器有更高的诊断准确率和更强的抗噪性。研究结果可为行星齿轮箱的故障诊断提供参考。