猴痘临床特征的早期识别及其对疫情防控的意义

近日,猴痘病毒(MPXV)新出现的亚分支Ⅰb引发了新一轮猴痘(Mpox)疫情。2024-08-14,Mpox再次被WHO列为国际关注的突发公共卫生事件(PHEIC)。Mpox病例的早发现、早诊断是阻断其在医院内传播的关键。本文将从Mpox的病原学特征、流行病学特征、临床特征、诊断标准、防控措施等方面进行综述,以期为Mpox的早期识别和科学防控提供参考。

基于视觉与文本语义增强的多模态命名实体识别方法

为了解决视觉特征和文本特征融合后存在部分语义缺失从而导致视觉信息对文本信息的补充有较大偏差的问题,提出了一种基于视觉与文本语义增强的多模态命名实体识别方法。融合BERT文本特征提取和CLIP(contrastive language–image pre-training)视觉特征提取方法,设计了基于协同交叉注意力机制的特征交互单元,以增强视觉信息和文本信息之间的语义关系。CLIP通过对比学习框架进行预训练,优化模型以正确匹配视觉和对应的文本描述,最大化正样本(匹配的视觉-文本对)的相似性,同时最小化负样本(不匹配的视觉-文本对)的相似性。采用通用领域数据集TWITTER-2015和TWITTER-2017作为实验数据集。实验结果表明,本模型相比传统方法在多模态命名实体识别任务中的准确率、召回率、F1值均有显著提升。

基于非线性分析的无线通信识别系统优化研究

为了进一步提升插秧机的通信效率及整机作业效率,以无线通信识别模块为研究对象,基于非线性分析控制理论展开优化研究。结合插秧机的作业环境特征和各组件协调作业特点,从通信信号的非线性处理和保证抗干扰能力角度入手,建立通信识别系统的非线性控制器模型,并针对系统的输入输出和接口模块完成电路控制与程序优化布局。同时,进行插秧作业通信监测验证试验,结果表明:此非线性分析应用机理下,插秧机作业的智能性与精准性得到显著提高,通过非线性控制实现了细致有效的数据计算分析,通信传输效率相对提升了5.69%,插秧深度合格率可达96.78%,满足智能插秧设计要求。

基于图神经网络的瑜伽动作多特征融合识别算法

针对现有瑜伽动作识别方法不能挖掘动作与形体特征等深层次信息的问题,提出了一种基于多特征融合图神经网络的改进瑜伽动作识别算法,该算法利用瑜伽的动作历史和形体信息,结合多特征融合和图神经网络的优势,通过建模形体和动作之间的关系图,得到形体信息对不同瑜伽动作类别的影响程度,以及历史动作的长时和短时性。在实验中,对比了该方法与其他算法在瑜伽动作识别任务中的表现。结果表明,该方法在准确率、精确率、召回率和F_(1)值等指标上有明显的提高,证明了该瑜伽动作识别算法的有效性。

不完整模态数据下基于布谷鸟算法的结构损伤识别研究

鉴于安装在结构上的少量传感器难以获得完整的模态数据,文章提出一种使用不完整模态数据来定位和量化结构损伤的有效方法。首先,采用一种改进的缩聚系统方法来匹配有限元模型和实际测量中的自由度差异,从而解决模态空间不完整性问题。然后,利用不完整模态数据获得的结构柔度矩阵计算结构的静态位移。最后,利用结构的静态位移建立损伤优化函数,并采用布谷鸟算法进行求解。通过数值模拟和试验验证了所提方法的有效性和鲁棒性。数值和试验结果表明,在测量传感器数量有限的情况下,所提出的损伤识别方法仍具有高效且稳定的性能。

企业对赌协议融资风险识别及防范

对赌协议是一种在投资并购活动中常用的私募股权融资工具,虽然我国在发展该模式方面起步较晚,但发展速度较快,已成为中小企业解决融资困难的有效手段。然而,企业在使用对赌协议融资模式时也面临诸多风险。为充分发挥对赌协议的优势,企业需要做好市场分析,选择合适的对赌指标和价值评估方法。本文结合实践经验,精准识别企业对赌协议融资模式中存在的风险,并提出防范对策。

融合VR-眼动的施工现场隐患识别视觉注意与搜索特征研究

为探究施工现场隐患识别视觉注意与搜索特征,提升识别绩效水平,融合虚拟现实(Virtual Reality,VR)和眼动追踪技术,开展VR施工场景内的隐患识别试验,收集不同隐患识别经验群体的眼动数据;运用统计学方法,对比分析累计注视时间、注视百分比等眼动指标的差异性,揭示隐患识别经验与注意力资源分配方式的内在联系;基于眼动轨迹匹配法,聚类首次视觉搜索轨迹,结合施工现场空间布局,探究隐患识别经验影响下搜索习惯的差异。结果表明:经验知识水平对隐患识别绩效具备驱动作用,但隐患专业度过低则会弱化经验知识的效果;被试的注意资源大多集中于具有视觉显著性特征的无关要素,仅有小部分分配于隐患,然而,具有较高经验知识水平的被试对隐患信息更加敏感,分配于隐患的注意资源占比更高;相较于新手组同一区域多次重复的搜索习惯,专家组大多采用某一区域的详细搜索再切换到下一区域的方式。

隧道不良地质识别:方法、现状及智能化发展方向

随着隧道施工对于不良地质识别精度要求的不断提高以及人工智能技术的发展,融合多源信息的不良地质智能化识别已成为发展趋势。本文首先阐述了常见的6种隧道不良地质类型及其地质成因,回顾分析了隧道主要的不良地质识别方法及现状,详细介绍了笔者在不良地质智能化识别方面的探索性研究:基于机器学习利用图像识别技术对隧道围岩岩性与裂隙特征进行智能识别;融合图像和光谱特征进行不良地质识别;将地化分析融入到传统的超前钻探中,融合随钻参数和地化信息进行不良地质随钻识别,既可以发挥超前钻探在感知岩体质量和地层信息变化方面的优势,又可以发挥地化分析在岩性和不良地质异常识别方面的优势;基于地质与物探联合反演进行不良地质识别,旨在实现掌子面前方不良地质体“形”(位置、形态、规模)和“性”(性质和类型)的精确识别。最后,对隧道不良地质智能化识别的发展趋势进行了展望。

复杂战场环境下改进YOLOv5军事目标识别算法研究

复杂战场环境下军事目标识别技术是提升战场情报获取能力的基础和关键。针对当前军事目标识别技术在复杂战场环境下漏检误检率高、实时性差等问题,提出一种基于改进YOLOv5模型的PB-YOLO军事目标识别算法。将改进的目标识别算法对于陆战场军事单元的识别锚框进行重新聚类,以提升模型对于目标大小适应度,加速模型收敛;采用通道-空间并行注意力机制,增加模型对复杂战场环境下目标特征信息与位置信息关注度;在特征融合网络部分使用BiFPN以提升模型对于特征的融合能力与速度;采用Alpha_IoU损失函数加速模型收敛,解决当真实框与预测框重合时IoU计算退化问题。实验结果表明,在自建军事目标数据集下,改进算法与主流目标识别算法相比,在保证模型空间复杂度的同时,mAP值达到了90.17%。消融实验对比结果表明,改进后网络较原模型精度提升11.57%,具有较好的识别性能,能够为战场情报获取提供有效的技术支撑。

基于CRV-YOLO的苹果中心花和边花识别方法

苹果树疏花是果园生产管理中的重要环节。准确高效地识别苹果中心花和边花,是研发智能疏花机器人的前提。针对苹果疏花作业中的实际需求,提出了一种基于CRV-YOLO的苹果中心花和边花识别方法。本文基于YOLO v5s模型进行了如下改进:将C-CoTCSP结构融入Backbone,更好地学习上下文信息并提高了模型特征提取能力,提高了模型对外形相似和位置关系不明显的中心花和边花的检测性能。在Backbone中添加改进RFB结构,扩大特征提取感受野并对分支贡献度进行加权,更好地利用了不同尺度特征。采用VariFocal Loss损失函数,提高了模型对遮挡等场景下难识别样本检测能力。在3个品种1837幅图像数据集上进行了实验,结果表明,CRV-YOLO的精确率、召回率和平均精度均值分别为95.6%、92.9%和96.9%,与原模型相比,分别提高3.7、4.3、3.9个百分点,模型受光照变化和苹果品种影响较小。与Faster R-CNN、SSD、YOLOX、YOLO v7模型相比,CRV-YOLO的精确率、平均精度均值、模型内存占用量和复杂度性能最优,召回率接近最优。研究成果可为苹果智能疏花提供技术支持。

基于改进YOLOv5的草莓病害智能识别终端设计

为实现低成本、便捷、高效的草莓病害识别与检测,提升草莓种植与生产效益,在YOLOv5模型基础上,引入高效通道注意力(Efficient Channel Attention, ECA)机制,研究构建一种草莓病害识别模型,应用嵌入式与软件工程技术研发草莓病害识别终端设备。终端设备应用系统由图像采集、图像检测、检测结果展示和数据传输等模块组成,实现草莓图像实时采集和病害实时识别检测等功能。基于草莓病害检测数据集对系统开展测试,结果表明,该系统可以有效识别草莓白粉菌果病、角斑病、叶斑病等病害。与YOLOv5相比,AP0.5∶0.95、AP0.5、AP0.75、APM、APL都有比较大幅度提升。系统具有高效、便捷、实时等优点,可广泛应用于草莓生产领域,从而有效提升草莓病害识别与检测效率。

基于MobileNetV3Small-ECA的水稻病害轻量级识别研究

为实现水稻病害的轻量化识别与检测,使用ECA注意力机制改进MobileNetV3Small模型,并使用共享参数迁移学习对水稻病害进行智能化轻量级识别和检测。在PlantVillage数据集上进行预训练,将预训练得到的共享参数迁移到对水稻病害识别模型上微调优化。在开源水稻病害数据集上进行试验测试,试验结果表明,在非迁移学习下,识别准确率达到97.47%,在迁移学习下识别准确率达到99.92%,同时参数量减少26.69%。其次,通过Grad-CAM进行可视化,本文方法与其他注意力机制CBAM和SENET相比,ECA模块生成的结果与图像中病斑的位置和颜色更加一致,表明网络可以更好地聚焦水稻病害的特征,并且通过可视化和各水稻病害分析了误分类原因。本文方法实现了水稻病害识别模型的轻量化,使其能够在移动设备等资源受限的场景中部署,达到快速、高效、便携的目的。同时开发了基于Android的水稻病害识别系统,方便于在边缘端进行水稻病害识别分析。

基于MobileViT的岩石薄片图像岩性识别方法研究

岩石薄片图像中包含了大量肉眼无法观察到的地质特征信息,对岩石薄片图像的岩性识别结果为后续的石油勘探和开发奠定了基础。针对岩性识别数据集不均衡、识别模型参数多等问题,提出一种改进的轻量化MobileViT模型,该模型针对涵盖了90%以上常见岩性的岩石薄片图像进行建模分析。首先,为使模型更好地学习到每类岩石薄片图像中所包含的独特特征,对数据集进行数字增加。其次,使用GELU替换MobileViT中MV2模块中常规ReLU6,从而作为该模块的激活函数,有效解决神经元死亡的问题,提升模型的收敛速度。最后,划分训练集和测试集,使用余弦退火算法自动更新学习率,以迁移学习加速训练过程,实现岩石薄片图像中针对岩性的自动识别。实验结果表明,改进后的MobileViT对岩性识别的准确率达82.9%,模型的参数仅为7.66M,通过实例验证该算法具有较好的鲁棒性。

基于轻量级YOLO-v4模型的变电站数字仪表检测识别

为了在变电站实际场景中准确获取数字仪表读数,智能管控变电站的安全风险,同时推动变电站智能化发展,以实际场景中变电站数字仪表作为研究对象,综合考虑实时性及准确度等,提出一种基于轻量级YOLOv4模型的变电站数字仪表检测识别方法.首先,通过从鄂尔多斯变电站实际拍摄变电站数字仪表图像数据,使用Albumentations框架对数字仪表图像进行数据扩充,构建变电站数字仪表目标检测数据集;然后,以YOLO-v4网络为基础,结合注意力机制构建一个有效通道注意(efficient channel attention,ECA)改进的深度可分离卷积模块(ECA-bneck-m);最后,提出一个轻量级YOLO-v4模型,进行模型大小与性能的对比实验.实验结果表明:本文方法可以在几乎不损失检测准确度的情况下,将整个模型存储大小压缩为原先的1/5,同时将模型推理速度从24.0帧/s提升至36.9帧/s,其实时性能够满足实际变电站检测识别的工程需要.

基于深度学习的玉米包衣种子品种识别

为实现玉米包衣种子品种低成本、高效便捷识别,基于智能手机采集的18个品种4种颜色的23100张玉米包衣种子双面图像构建数据集,采用轻量级卷积神经网络模型ShuffleNetV2、MobileNetV3、MobileViT、MobileOne、RepGhostNet和基于上述模型的集成模型分别进行玉米包衣种子品种识别。结果表明,5种单一模型均具有较高的识别准确率和综合性能,识别准确率分别为98.48%、98.23%、98.44%、98.23%和98.01%,模型大小分别为1.55、4.96、4.42、6.97、4.19 MB,推理速度分别为106、94、84、212、94 f/s。集成模型相比单一模型具有更高的识别准确率,其中,ShuffleNetV2和MobileViT组成的集成模型识别准确率达到99.22%。分析发现,品种误识别仅发生在相同颜色包衣种子品种之间,并且随着相同颜色包衣种子品种数量增多,模型对该颜色包衣种子的识别准确率有下降的趋势。

结合LSTM自编码器与集成学习的井漏智能识别方法

为了解决传统的井漏智能识别模型因井漏样本数量受限导致其识别准确率低的问题,提出了一种长短期记忆(long short-term memory,LSTM)网络与自编码器(auto-encoder,AE)相结合、集成LSTM-AE的井漏智能识别方法。首先,采用正常样本训练多个包含不同隐藏层神经元数目的LSTM-AE模型,利用重构得分筛选出识别效果较好的几个模型作为基识别器;然后,采用集成学习对多个基识别器的识别结果进行加权融合,解决单一模型因对样本局部特征过度学习导致的误报与漏报问题,提高模型的识别准确率。从某油田18口井的钻井数据中选取了6000组正常钻进状态下的立压、出口流量、池体积数据,对集成LSTM-AE模型进行训练和测试,结果表明,提出方法的识别准确率达到了94.7%,优于其他常用的智能模型的识别结果,为井漏识别提供了一种新的技术途径。

基于CED-YOLOv5s模型的煤矸识别方法研究

由于煤矿井下高噪声、低照度、运动模糊的复杂工况和煤矸易聚集现象,导致煤矸目标检测模型特征提取困难及煤矸分类、定位不准确问题。针对该问题,提出一种基于CED-YOLOv5s模型的煤矸识别方法。首先,在YOLOv5s主干网络中引入坐标注意力(CA)机制,通过将坐标信息嵌入信道关系和长程依赖关系中对特征图进行编码,充分利用通道注意力信息和空间注意力信息,使模型更加关注重要特征,抑制无用信息。其次,在YOLOv5s的检测头部引入EIoU回归损失函数,将目标框与锚框的宽高差异最小化,以增强目标的位置和边界信息,提高模型在密集目标下的定位精度和收敛速度;最后,在YOLOv5s的检测头部引入轻量化解耦头,解耦出单独的特征通道,分别用于分类任务和回归任务,解决了原模型中耦合头部分类任务与回归任务的相互干扰问题,进一步提升了模型的并行运算效率与检测精度。实验结果表明:CED-YOLOv5s模型与其他YOLO系列目标检测模型相比,综合性能最佳,平均检测精度达94.8%,相较于YOLOv5s模型提升了3.1%,检测速度达84.8帧/s,可充分满足煤矿井下煤矸实时检测需求。

基于CFS-YOLO算法的复杂工况环境下煤矸图像识别方法

针对煤矿高噪声、低照度、运动模糊与大批量煤矸混杂等复杂工况环境因素导致煤矸识别存在误检、漏检以及检测精度低的问题,提出一种基于CFS-YOLO算法的煤矸智能识别模型。采用ConvNeXt V2(Convolutional Neural Network with NeXt Units Version 2)特征提取模块替换主干网络末端的2个C3(Cross Stage Partial Bottle Neck Mudule)模块,通过将掩码自动编码器(Masked Autoencoders,MAE)和全局响应归一化(Global Response Normalization,GRN)层添加到ConvNeXt架构中,有效缓解特征崩溃问题以及保持特征在网络传递过程中的多样性;采用Focal-EIOU(Focal and Efficient Intersection Over Union)损失函数替换原CIOU(Computer Intersection Over Union)损失函数,通过其Focal-Loss机制和调整样本权重的方式优化边界框回归任务中的样本不平衡问题,提高模型的收敛速度和定位精度;添加无参注意力机制(Simple Attention Mechanism,SimAM)于主干网络每个C3模块的后端,凭借其注意力权重自适应调整策略,提升模型对尺度变化较大或低分辨率煤矸目标关键特征的提取能力。通过消融试验和对比试验验证所提CFS-YOLO模型的有效性与优越性。试验结果表明:CFS-YOLO模型对于煤矸在煤矿高噪声、低照度、运动模糊与大批量煤矸混杂等复杂环境下的检测效果均得到有效提高,模型的平均精度均值达到90.2%,相较于原YOLOv5s模型的平均精度均值提高了3.7%,平均检测速度达到90.09 FPS,可充分满足煤矸实时检测的需求。同时与YOLOv5s、YOLOv7-tiny与YOLOv8n等6种YOLO系列算法相比,CFS-YOLO模型对煤矿复杂环境的适应性最强且综合检测性能最佳,可为煤矸的智能高效分选提供技术支持。

混凝土坝面作业场景智能识别ResNet50-SEMSF方法

为提高混凝土坝面作业场景识别工作效率,提出了一种混凝土坝面作业场景智能识别方法(ResNet50-SEMSF)。将采集的坝面施工现场监控视频分割为图像,分析混凝土坝面作业人、机、料、环境等实体要素图像特征,界定坝面作业典型场景;以残差网络(ResNet50)为骨干网络结构,引入挤压激励(SE)注意力机制,关注不同通道间特征关系,提升坝面作业场景图像中多目标实体要素关键特征表达能力;融合下采样多尺度特征,保留坝面作业场景图像低级特征和高级语义信息,增强模型对图像不同层次特征的理解能力,克服尺度变化、目标变形等问题。对比分析其他3种卷积神经网络模型试验结果,使用梯度类激活映射(Grad-CAM)可视化方法,解释ResNet50-SEMSF模型对场景类别中实体要素信息的关注程度。结果表明:ResNet50-SEMSF识别效果明显优于ResNet50、MobileNetV2、VGG16等经典网络模型,表明ResNet50-SEMSF模型用于混凝土坝面作业场景智能识别的可行性,为混凝土坝面施工安全管理工作提供参考。

基于改进CRNN网络的卷烟件烟上行码识别方法研究

在卷烟物流系统中,卷烟追溯标签包含了一维条码未包含的部分分拣关键信息,可极大提升分拣效率,其关键在于高精度标签识别。为实现卷烟追溯标签的精准识别,提出一种基于改进于卷积循环神经网络(Convolutional Recurrent Neural Network,CRNN)的卷烟追溯标签识别网络,称为RA-CRNN。该方法的特征提取受ResNet启发引入了残差结构,并通过注意力和门控机制提升识别精度。改进后算法的识别准确率较目其他先进的文本识别算法有所提升,对追溯标签识别准确率达到97.87%,可满足工业自动化卷烟追溯标签识别的要求。