采用空间和通道激励注意力机制优化ResNet-50的CFRP/TC4叠层材料钻削刀具磨损状态监测

针对碳纤维增强复合材料(CFRP)与钛合金组成的叠层材料在制备装配孔时存在刀具磨损严重的问题,提出了一种空间和通道激励注意力机制(scSE)优化深度残差神经网络(ResNet-50)的刀具磨损监测方法。开展钻削实验,采集钻削过程中的力和温度信号,信号经连续小波变换转换为小波尺度谱。搭建ResNet-50网络结构,从空间和通道双维度对卷积提取的特征图进行权重标定。研究结果表明,scSE可以从空间和通道两个维度做到增强有用特征,抑制无用特征,经scSE优化的网络结构识别准确度达到96.15%。

FPGA的并行多通道激励信号产生模块

通过对并行测试中激励资源的需求分析,提出了一种基于FPGA技术的能够提供多通道并行激励的信号产生模块。它从硬件方面为并行测试提供多通道的激励信号,从而降低软件方面任务分解和调度的难度。

基于时间自适应算法的双路径激励列车驾驶员行为识别方法

随着人们出行需求的增加,列车逐渐成为日常出行不可或缺的交通工具,列车驾驶员在途行为对保障安全出行具有至关重要的意义。为降低驾驶员值乘过程中可能出现的操作风险,针对列车驾驶员在途异常行为进行检测,提出了一种基于时间自适应算法的双路径激励驾驶员行为识别方法。该方法通过在时空和通道等维度变换,实现视频帧间的时间信息交流。采用时空激励模块和通道激励模块分别用于激励视频间时空和通道特征,时间自适应模块用于处理输入不同视频流。采用自制数据集、公开行为识别数据集UCF101和Something-Something-v1评估提出方法的性能,在自制数据集达到95.99%的准确率,在UCF101数据集达到96.10%的准确率,在Something-Something-v1数据集上也取得了46.30%的准确率,验证了方法的有效性和泛化性。

基于空间通道挤压激励模块的肝硬化识别

针对卷积神经网络对特征信息学习不全面、识别准确率和分类精度不高的问题,提出一种采用空间通道挤压激励模块的scSE_MVGG网络,将其应用于肝硬化识别。对肝硬化图像进行数据增强,以避免深度学习训练出现过拟合现象,改进VGG网络使其适应不同实验样本尺寸,同时将scSE模块与改进的MVGG网络相融合,通过提高网络提取特征的指向性增强肝硬化识别效果。实验结果表明,该网络对肝硬化图像的识别率达到98.78%,较scSE_VGG、scSE_AlexNet等网络识别效果更优。

Multi-channel neural signal stimulating module and in-vivo experiments

The module for function electrical stimulation （FES） of neurons is designed for the research of the neural function regeneration microelectronic system, which is an in-body embedded micro module. It is implemented by using discrete devices at first and characterized in vitro. The module is used to stimulate sciatic nerve and spinal cord of rats and rabbits for in-vivo real-time experiments of the neural function regeneration system. Based on the module, a four channel module for the FES of neurons is designed for 12 sites cuff electrode or 10 sites shaft electrode. Three animal experiments with total five rats and two rabbits were made. In the in-vivo experiment, the neural signals including spontaneous and imitated were regenerated by the module. The stimulating signal was used to drive sciatic nerve and spinal cord of rats and rabbits, successfully caused them twitch in different parts of their bodies, such as legs, tails, and fingers. This testifies that the neural function regeneration system can regenerate the neural signals.

基于精细化频带的脑磁信号跨频耦合特性分析

脑信号跨频耦合现象与人的意识活动密切相关。本文将精细化的频带划分方法和多种跨频耦合的度量方法相结合,研究不同类型手腕运动的脑磁信号跨频耦合特征。首先对四类手运动脑磁信号进行精细化的频带分解,采用了三种具有主次关系的耦合度量方法(相干、虚部相干、调制指数),在高频耦合低频、低频耦合高频两种耦合形式下对某一运动方向类型信号显著区别于其它运动方向类型信号的频带数、通道对、频带对进行了统计分析,可以区分出不同方向手腕运动的MEG信号;进一步利用通道间的频带耦合关系以及源频带及其激励通道与响应通道等概念,采用相干耦合度量方法对上述两种耦合形式下的统计结果进行分析,获得相应的源频带、激励通道、响应通道,从而可以更加有效地区分不同方向手腕运动的MEG信号。

改进的M2det内窥镜息肉检测方法

结直肠癌是一种致命的疾病,作为息肉的肠腺瘤被认为是结直肠癌的主要病因,因此在临床诊断中发现肠息肉是一项至关重要的任务。息肉检测通常由医生操作内窥镜来实现,由于肠道环境复杂,息肉影像数据量大,小尺度息肉不易辨识,息肉检查过程除了极其依赖医生经验之外,工作压力和强度也给医生带来了极大的负担,因此需要借助计算机辅助诊断技术来检测息肉,该技术可以有效地处理大量的息肉影像数据、发现早期息肉、提高息肉检测的准确率。目前的一些方法对小型息肉存在漏检,因此提出了一种改进的M2det方法用于息肉检测,通过FFMs模块融合主干网络特征,使图像特征得到了充分利用,在SFAM模块中增加scSENet注意力机制,保留了有效特征,抑制无用特征,采用Focal loss计算分类损失,解决了正负样本不平衡问题。大量实验表明,该方法可以有效地检测出息肉且优于前沿的息肉检测方法,在CVC15数据集上mAP、F1-score、F2-score分别提升到了98.25%、97.30%、97.98%。

基于U-Net网络改进算法的视网膜血管分割研究

针对视网膜图像血管细小,细节特征丢失、梯度下降、爆炸而导致分割效果差的问题,本文提出了一种引入残差块、循环卷积模块和空间通道挤压激励模块的U-Net视网膜血管图像分割模型。首先通过使用一系列随机增强来扩展训练集并对数据集进行预处理,然后在U-Net模型中引入残差块,避免随着网络深度增加,分割准确率达到饱和然后迅速退化以及优化计算成本;并将U-Net网络的底部替换为循环卷积模块,提取图像低层次的特征,并不断的进行特征积累,增强上下文之间的语义信息,获得更有效的分割模型;最后在卷积层之间嵌入空间通道挤压激励模块,通过找到特征较好的通道,强调这一通道,压缩不相关的通道使得网络模型能够加强关键语义特征信息的学习,通过训练过程学习到有效的特征信息,同时增强抗干扰能力。通过在DRIVE数据集上的验证结果可得,本文所提模型的准确率为98.42%,灵敏度达到了82.36%,特异值达到了98.86%。通过和其他网络分割方法比较,本文所提分割方法具有更优的分割效果。

多尺度密集注意力网络用于视网膜血管分割

针对视网膜血管分割中有标签图像数据有限、血管结构复杂尺度不一且易受病变区域干扰等问题,提出一种多尺度密集注意力网络用于视网膜血管分割.首先,以U-Net架构为基础,引入并行空间和通道挤压激励注意力密集块(scSE-DB)代替传统卷积层,加强特征传播能力,实现了对特征信息的双重校准,使模型能更好地识别血管像素;其次,在网络底端嵌入级联空洞卷积模块,以捕获多尺度血管特征信息,提升网络获取深层语义特征的能力;最后,在公共数据集DRIVE、CHASE_DB1和STARE上进行实验,所提网络的准确率分别为96.50%、96.62%和96.75%,灵敏度分别为84.17%、83.34%和80.39%,特异性分别为98.22%、97.95%和98.67%.所提网络的整体分割性能优于现有多数先进算法.