基于3D卷积神经网络的膏体屈服应力预测

膏体流变性能是膏体充填技术重要指标,是金属矿膏体充填工艺流程的重要工程参数.本文提出一种基于3D卷积神经网络的膏体屈服应力预测方法,通过制定图像采集标准并研发图像采集装置采集图像数据集.经Sobel算子实现膏体边缘检测、全图缩小等预处理,得到膏体图像数据集.采用十折交叉验证方法划分数据集,避免因单次随机划分造成的偶然误差.以膏体图像–屈服应力数据集为基础,利用3D卷积神经网络模型提取膏体纹理特征和时序信息等,又通过引入直方图均衡化算法的图像增强策略减少环境因素干扰,提高模型稳健性.利用预处理后的数据集在3D卷积神经网络模型上做训练和测试,得到模型损失值曲线图和混淆矩阵.将屈服应力模型预测结果进行分析,又引入卷积注意力机制嵌入到卷积神经网络实现模型优化,并对模型参数进行调整,模型预测平均准确率从93.26%提升至98.19%,论证了基于3D卷积神经网络的膏体屈服应力预测方法可行性.经图像增强处理的数据集应用到各模型中,模型预测平均准确率均提升3%以上.相比传统膏体流变测量方式,解决了传统膏体屈服应力测量操作复杂、外部因素扰动大、工程现场难以开展等问题.

基于3D U-Net++卷积神经网络的断层识别方法及应用

断层解释是地震资料解释的基础与关键,准确合理的断层识别对油气开采有着至关重要的作用。随着油田对断层解释精度需求的日益提高,单纯通过基于人工的如相干体、曲率等属性的传统断层解释方法,其精度已无法满足要求。笔者在U-Net卷积神经网络模型的基础上进行改进,得出了一种自动断层识别方法,能够从任意三维地震图像中自动提取断层。文中该模型在足量样本集训练下,对两区块的实际地震数据进行自动断层识别,将识别结果进行分析对比。实验结果表明,该模型能够对任意三维地震数据进行自动断层识别,基于3D U-Net++网络模型的断层识别结果相比于传统U-Net网络识别结果准确性有明显提高,对潜山内部的小断层识别也表现出良好的效果,明显提高了常规、复杂断层识别的工作效率。

基于点云图卷积神经网络的3D目标检测

随着激光雷达传感器的快速发展,目标检测算法从传统的2D检测快速转向3D检测。然而,激光雷达产生的点云是不规则和非结构化的数据,传统的卷积神经网络无法对其进行处理。基于此提出了一种新颖的图卷积神经网络,能够更好地利用数据的几何关系和拓扑结构直接从点云中学习特征以进行3D目标检测。首先将原始激光雷达点云数据进行下采样,再进行固定半径邻域图的构建,随后设计了一个新型的图卷积神经网络对点云进行编码来预测图中每个顶点所属对象的类别和形状。为提升检测准确度,网络中加入了一种校准机制来减少特征在不同维度变化时引入的平移误差,此外还引入了注意力机制,以使用权重来进一步强化输出的顶点特征。在KITTI数据集上进行实验,实验结果表明,此方法能够有效对3D目标进行检测。对比其他多种检测算法,此方法在检测准确度上具有一定的优势。

融合自注意力与残差神经网络的3D打印激光在机测量误差修正方法

激光测量能够实现高效地非接触实时测量,被广泛应用于3D打印领域,但激光测量容易受测量条件、外部环境等多种因素的干扰,这些因素错综复杂,难以量化分析。为此,结合直射式激光三角测量原理,在分析测量精度影响因素的基础上,提出了一种基于融合自注意力和残差神经网络的3D打印在机测量误差修正方法。首先,将影响测量精度的因素作为输入变量,采集激光测量值,得到样本数据集;然后利用残差网络提取出样本数据的深层次特征,并引入自注意力机制建立影响因素之间的联系,得到带权重的提取特征;再通过全连接网络对带权重特征进行学习,得到测量误差的预测值,基于该预测值完成对测量误差的修正。自主搭建了一套激光在机测量系统,采用红、绿、紫3种同材质彩色卡纸进行实验验证。结果表明,所提的方法与卷积神经网络和自注意力神经网络相比,均方误差、均方根误差和平均绝对误差均最小,稳定性最好,修正结果最接近真实值;对激光测量结果进行校正后,使其误差由原来的±28μm减小到±9μm以下,显著提高了3D打印激光在机测量的精度和稳定性。

基于改进3D卷积神经网络的疼痛检测

在临床实践中,精确评估疼痛对于疼痛管理和诊断至关重要.但传统的评估方法主观性高且依赖医生经验,迫切需要更可靠客观的替代方法.利用深度学习的方法实现基于面部表情的疼痛检测研究近年已取得显著进展,但复杂的结构和高计算成本制约了其实际应用.因此,本文提出了一个改进的3D卷积神经网络,采用轻量级的3D卷积神经网络L3D作为骨干网络,并结合改进的SE注意力机制,把多个不同尺度的特征进行融合,捕捉疼痛序列中具有较强辨别能力的时空特征.在UNBC-McMaster和BioVid数据集上进行评估,与最新方法相比,该方法在疼痛检测性能以及计算复杂度上取得了优势.

基于回归分析和GA-BP神经网络算法的3D打印件弯曲性能预测

为进一步探究熔融沉积成型(FDM)3D打印参数和制件弯曲性能之间的关系,创建合理的FDM 3D打印制件弯曲强度预测模型。根据正交试验L_(16)(4^(5))的设计原则和神经网络算法模型的构建要求,按照不同分层高度、填充密度、打印温度、打印速度以及外壳厚度五种因素,制备25组试验试样,并进行弯曲性能检测。随后通过建立GA-BP神经网络模型、传统BP神经网络模型以及多元回归方程模型,分别对FDM 3D打印制件弯曲性能进行预测,并将预测数据与试验测试数据进行对比。通过对比发现,GA-BP神经网络模型预测数据与试验测试数据更为接近,其平均误差为3.71%,且误差值整体波动最小,BP神经网络模型与多元回归方程模型预测精度相差不大,BP神经网络模型预测平均误差为8.05%,多元回归方程模型预测平均误差为9.07%,但多元回归方程误差值整体波动最大。因此,采用GA遗传算法优化后的BP神经网络模型在进行FDM 3D打印制件弯曲性能预测方面具有更高的精度和更良好的稳定性。

神经网络-遗传算法对杏鲍菇粉3D打印的建模与优化

【目的】食品3D打印技术是食品领域具有发展前景的新技术,但是打印过程影响因素多,存在打印参数确定困难、打印精度预测能力差等问题。寻找有效建模方法,对杏鲍菇粉3D打印参数进行寻优,以确定最佳3D打印条件。【方法】本研究采用杏鲍菇粉和刺槐豆胶为3D打印原料,以单因素试验为基础,通过中心组合试验设计,研究喷嘴直径、打印高度、喷嘴移动速度和填充率4个关键的工艺参数对杏鲍菇粉3D打印精度的影响,并在此基础上采用响应面法和神经网络-遗传算法分别建模分析,确定3D打印的工艺参数。【结果】单因素试验及中心组合试验结果表明,影响3D打印精度的主要因素从大到小顺序为填充率、喷嘴直径、喷嘴移动速度、打印高度。响应面法和神经网络-遗传算法均可用于杏鲍菇粉3D打印参数优化,但是优化效果不同。响应面法的决定系数R^(2)值、均方根误差、相对误差、预测最优值分别为0.8817、0.2314、72.73%、0.148;神经网络-遗传算法的决定系数R^(2)值、均方根误差、相对误差、预测最优值分别为0.9389、0.2269、33.85%、0.215。比较模型参数可得,神经网络-遗传算法的决定系数R^(2)值较高,均方根误差、相对误差较低,比响应面法拟合能力更好,同时其预测最优值较高,具有更好的预测能力。神经网络-遗传算法比响应面法更适合于杏鲍菇粉3D打印参数工艺的优化。采用神经网络-遗传算法获得以杏鲍菇为原料的3D打印最佳工艺参数条件为:喷嘴直径1.2 mm、打印高度1.1 mm、喷嘴移动速度24 mm·s^(-1)、填充率84%。经过试验验证,神经网络-遗传算法确定的最优参数打印样品偏差为0.325,优于响应面的实际打印偏差0.550。【结论】本研究结果表明神经网络-遗传算法可以有效确定3D打印过程最优工艺参数,准确预测食品3D打印产品的精度,可作为农产品及食品个性化3D打印工艺参数优化的一种有效便捷方法。

HetGNN-3D:基于异构图神经网络的3D目标检测优化模型

3D感知是自动驾驶场景的核心问题,传感器融合可以综合利用激光雷达和摄像机的优点以达到更高的3D目标检测准确率.传感器融合涉及点云到图像对准问题,预先对传感器标定可以得到点到图像位置的投影关系,然而这种对准方式受传感器相对位置偏移与采集时间偏移影响而在干扰下对模型产生负面影响.针对该问题,本文把场景中实体在各个传感器下的不同表达作为不同对象,以对象为节点建立包含两类节点与三类边的异构图描述该场景,并提出了基于该异构图的3D目标检测优化模型HetGNN-3D.该模型通过图结构捕获对象间潜在联系并找到点云对象节点与图像对象节点间对应关系,从而减弱干扰带来的影响.HetGNN-3D包含图初始化、消息传递、图读出三大模块.图初始化模块使用基于点云的3D目标检测模型的输出和基于图像的2D目标检测模型的输出建立对象级异构图.消息传递模块针对异构图特性分类聚合与更新消息.图读出包含用于对象关系预测的边读出与属于同一实体的对象子图读出,然后基于对象子图得到3D目标检测结果.在nuScenes数据集的实验表明,HetGNN-3D有效融合点云信息与图像信息优化了3D目标检测结果,此外,基于对象级异构图的边关系预测使融合过程与预先标定得到的传感器映射矩阵解耦合,从而提升了融合模型的容错性与鲁棒性.

基于3D卷积神经网络的MPI新视点合成算法

多平面图像(Multiplane Image, MPI)能够构造出一种以相机为中心、按深度分层的三维场景显式表示,用于新视点合成研究与应用。由于MPI生成预测网络在训练时不能有效捕获深度平面间遮挡区域的空间特征,使得MPI合成的新视点图像往往存在明显的伪影和扭曲。为此提出利用3D卷积神经网络捕捉深度平面间的空间特征,用于提高对平面图像几何结构和Alpha值的预测能力,从而实现高质量MPI场景表示和新视点合成目标。在两个数据集上的数值实验表明,算法在窄基线视点外推和宽基线多视点内插任务中能够有效消除合成新视点图像中的伪影和扭曲。当参考视点水平基线宽度增大一倍且不增加MPI深度平面数量时,算法仍然能够有效地预测出不同深度平面的遮挡区域信息,从而保证了视点内插合成图像的质量。

基于连续卷积神经网络的3D脑电图情绪识别

作为人类大脑神经活动的重要指标,脑电(EEG)信号能更深层次地反映人的情绪状况,但当前大多数深度学习模型通过EEG识别情绪不够精确。本文提出基于连续卷积神经网络的3D脑电图情绪识别模型,采用提取DE和PSD特征时得到的等价矩阵所构造的三维脑电图立方体作为输入,舍弃卷积神经网络中的池化层。在DEAP数据集上进行实验,Arousal准确率为95.77%,Valence准确率为93.52%,表明该方法非常适用于情绪识别,能给后续相关研究提供参考。

陶瓷浆料3D打印机挤压力模糊神经网络PID稳定控制研究

针对在微流挤出陶瓷浆料3D打印机作业过程中挤压力稳定控制的需求,根据打印机挤压力控制系统非线性、时变性的特点,总结了现有挤压力稳定控制策略的优缺点,并在模糊PID (proportion-integral-derivative,比例-积分-微分)控制器中嵌入神经网络结构,提出了挤压力模糊神经网络PID稳定控制策略。该策略基于六层模糊神经网络,以挤压力偏差值e和偏差值变化率ec为输入,PID控制器控制参数为输出,完成正向模糊控制过程,并基于神经网络的自学习优势实现反向传播及在线更新神经网络权值,以实现打印过程中挤压力的精准自适应调节。挤压力控制Simulink仿真、挤压力控制实验及坯体打印实验表明:相较于传统PID控制策略,采用模糊神经网络PID控制策略可使超调量减小20.9%,挤压力提前90 s达到稳定状态,压力峰值减小12 N,压力谷值增大18 N;相较于采用模糊PID控制策略,超调量减小1.73%,挤压力提前56 s达到稳定状态,压力峰值减小4 N,压力谷值增大8 N;模糊神经网络PID控制策略具有一定的优越性,可使打印过程中挤压力的控制精度更高,稳定速度更快,超调量更小,所打印坯体的整体形貌质量更优,也可使控制系统的鲁棒性更好。研究结果为其他工业设备的PID控制、智能控制提供了新的思路和方法。

人工神经元网络模型预测3D打印部件力学性能的研究

熔融沉积成型(FDM)是一种高效的增材制造技术。将响应面模型与人工神经元网络(ANN)模型相结合,研究了FDM工艺的喷嘴温度、层高和层积角度对尼龙12(PA12)丝材制造部件力学性能的影响。当喷嘴温度、层高和层积角度分别在220~260℃、0.2~0.4 mm、0°~90°之间变化时,部件拉伸强度和缺口冲击强度分别在35.69~60.89 MPa和5.48~19.83 kJ/m^(2)之间。喷嘴温度、层高、层积角度以及层积角度的二阶效应是影响部件拉伸强度的显著因素;喷嘴温度、层积角度以及层积角度的二阶效应是影响缺口冲击强度的显著因素。ANN模型预测拉伸强度和缺口冲击强度的最优结构分别是3-10-5-1和3-25-24-1,预测的拉伸强度和缺口冲击强度均方误差函数(MSE)最低分别为2.54×10^(-4)和2.07×10^(-4),回归系数均在0.97以上。与响应面的二次回归模型相比,ANN模型预测的拉伸强度和缺口冲击强度与实验值的标准偏差分别为0.46和0.32,远低于二次回归模型的2.43和1.58,更适合于优化非线性的FDM工艺。

基于改进轻量卷积神经网络MobileNetV3的人脸表情识别

人脸表情识别在授课中应用的及时检测可有效提升教育质量和学生参与度。为实现人脸表情识别在授课中的实时检测,该研究基于卷积神经网络MobileNetV3进行学习,对SE和卷积层进行了改进,以构建人脸表情识别模型,可识别八种不同的表情类别。研究空洞卷积的位置对模型性能的影响,发现将空洞卷积放在网络的前部对性能有积极影响,而放在后部则会导致性能下降。同时,通过引入SSE(space squeeze-and-excitation)模块并优化其位置和结构,进一步提高了模型性能。最终提出的MobileNetV3改进版本在参数数量和模型文件大小上有显著减小,但精度下降了1%左右。对模型进行了多次随机试验,鲁棒性良好。该研究可为人脸表情识别在授课中的实时应用提供理论基础和技术支持,未来将致力于开发可在移动端应用的人脸表情识别系统。

基于融合多序列MRI的3D卷积神经网络评估脑胶质瘤患者生存预测应用研究

目的利用3D卷积神经网络融合多序列MRI数据探究脑胶质瘤患者生存风险概率。材料与方法回顾性分析来自河南省人民医院影像归档和通信系统的63例术前行颅脑MRI检查的脑胶质瘤患者病例资料(私有病例数据),收集患者的T1加权成像、T2加权成像、T1增强加权成像、液体衰减反转恢复序列数据,结合公开数据集癌症影像档案库(The Cancer Imaging Archive,TCIA)的500例脑胶质瘤患者病例资料,由两名神经影像诊断医师在MRI图像上手动勾画病灶感兴趣区,根据患者生存期分为高风险组、中风险组和低风险组,构建3D卷积神经网络深度学习模型,将数据集按照3∶1∶1的方式划分为训练集、验证集和测试集评估脑胶质瘤患者的生存风险概率。563例病例数据的60%用于训练模型(所有私有病例数据用于训练),20%用于验证方法,20%用于测试结果。结果训练集中高、中、低风险组的受试者工作特征曲线下面积(area under the curve,AUC)分别为0.81、0.79、0.86,验证集中高、中、低风险组的AUC分别为0.74、0.78、0.81,测试集中高、中、低风险组的AUC分别为0.72、0.74、0.75。结论基于多序列MRI的深度学习模型能够为脑胶质瘤患者的生存预测提供辅助支持,为医生临床诊断和预后预测等方面提供定量信息,具有重要的科学价值和临床意义。

基于3D卷积神经网络的肺结节检测

针对肺结节自动检测模型精度较低,假阳性较高等问题,提出一种基于3D卷积神经网络的两阶段肺结节检测方法。第一阶段使用3D V-Net检测出所有候选结节,并融合残差跳转连接构建深层网络,以保留上层网络一定比例输出,实现图像特征重用,引入改进的损失函数解决数据集正负样本失衡的问题;第二阶段使用3D VGG网络对候选结节分类,以降低假阳性,并加入残差连接防止梯度消失和退化,以加速网络训练过程。实验结果表明,该方法在候选结节检测阶段的敏感度为91.28%,分类阶段的准确率为99.22%,敏感度为96.60%,可有效辅助放射科医生对肺结节进行检测。

基于3D卷积神经网络的金属滚轮叶片转动计数算法设计与实现

近年来,基于计算机视觉的金属滚轮叶片缺陷检测算法应用越来越广泛,由于周期性检测的原因,需要有一种与之配套的滚轮叶片计数算法,由于检测过程中孔探仪的辅助光源对叶片表面镜面反射的原因,传统的基于边缘的检测算法难以实现有效的计数,因此需要设计一种与光照无关的算法。基于此,本文设计了一种基于3D卷积神经网络的金属滚轮叶片转动计数算法。本算法首先将单个金属叶片转动过程标注上相位标签,将单个金属叶片的转动过程映射为相位的周期变换过程,为了满足利普希茨条件,将相位标签转换为该相位对应的三角函数值标签。其次利用LK光流法将标注好的数据进行预处理,将叶片的转动方向归一化到水平方向。最后再将预处理好的数据送入3D卷积神经网络中回归出相位信息,通过相位信息完成对叶片的转动计数。本文算法使用滚轮叶片在实际场景种采集到的数据进行验证,验证结果表明,该算法在真实现场数据上的计数准确率满足要求。

基于3D卷积神经网络对局部晚期NSCLC患者的生存预测

目前关于非小细胞肺癌(NSCLC)患者生存分析的研究已经有很多,但是大多数都是在医生勾画出肿瘤的基础上进行影像组学特征提取,其次结合临床以及治疗前患者的肿瘤PET/CT图像特征进行生存分析的研究。在无医生勾画肿瘤的基础上,采用深度学习的方法,基于患者治疗前后FDG-PET是否可以对局部晚期NSCLC患者进行生存分析。在采用治疗前和治疗后FDG-PET时,基于3D卷积神经网络(3D CNN)的深度生存模型的一致性指数(C-index)为0.67。研究表明,同时使用治疗前后PDG-PET进行阅片可以预测出患者的风险概率。

基于并行图神经网络的3D点云目标检测

点云在目标检测等领域中有很重要的作用。目前对点云特征提取之前需要对点云进行预处理,通常的处理方法包括将点云投影到二维平面、利用栅格法将点云体素化或直接基于原始点云进行处理。这些方法都会损失一定的原始信息,直接处理点云的原始信息面临计算量很大的问题。为解决上述问题,设计了一个平行图卷积神经网络。在将点云转化为图的基础上,利用图卷积神经网络不同的卷积核来提取点云的特征,并通过提出的一种注意力机制进行不同层次的特征融合。提出的方法可以在最大程度上保留点云原始信息的基础上,从不同的角度提取图的特征。在KITTI数据集上的实验表明,所提出的方法是有效的,并且取得了较好的结果。

基于BP神经网络的彩色3D打印颜色预测模型

彩色3D打印颜色再现受到透明、半透明色块颜色等多方面因素的影响。本研究基于BP神经网络,建立了透明树脂厚度、底基、标准24色块的输入值与3D打印色块颜色值之间的颜色预测模型。将4mm厚的3D打印24色色块作为测量对象,陶瓷相机标定板和50%中性灰的铜版纸作为测量底基,2mm、4mm、6mm、8mm厚度的无色透明树脂块分别置于彩色3D打印色块表面,用分光光度计测量色块的色度值和明度值,并用Matlab R2020a建立3D打印输入值与测量值的关系模型,以实际测量值与预测值的色差评价预测效果,以输入参数权重的大小判断3D打印控制参数对最终结果影响的强弱。实验结果表明:验证集的总色差最大值为4.855,平均值为1.974。透明树脂厚度的权重为0.0491、测量底基的权重为0.0869,依据权重信息可知,测量底基对预测结果影响最大,无色透明树脂块的厚度影响次之。本研究建立的颜色预测模型具有较好的预测效果。

基于MRI的三维重建技术在保留盆腔自主神经的腹腔镜直肠癌D3根治术中的应用价值

目的 评估利用MRI图像三维重建直肠癌患者盆腔自主神经以及周围器官在腹腔镜直肠癌D3根治术中的应用价值。方法 将56例直肠癌患者随机分为重建组和对照组,重建组术前依照MRI三维重建结果制定手术方案,对照组按常规方式制定手术方案,比较2组术中及术后功能恢复相关指标。结果 重建的三维模型能个体化呈现患者盆腔自主神经以及周围器官分布关系。与对照组相比,重建组的手术时间缩短[(143.7±13.3)min vs.(151.5±12.1)min,P=0.040)],失血量减少[(31.3±12.1)mLvs.(39.4±11.6) mL,P=0.024)],国际前列腺症状评分(IPSS)更优[(6.0±1.3)分vs.(7.9±2.6)分,P=0.003)]。此外,重建组的术后拔除尿管时间较对照组短[2.0(2.0,2.0)d vs.3.5(3.0,4.0)d,P <0.001]。结论 基于MRI的盆腔自主神经三维重建能准确呈现盆腔自主神经及器官的解剖关系,提高了D3根治术的效率和安全性,可为术者制定精细化、个性化的手术方案提供重要参考。