基于权重和BN层剪枝的晶界检测模型压缩算法探析

性能优越的晶界缺陷检测模型往往存在网络参数量过多、结构冗余及推理时间慢的问题,导致模型部署过程成本高、时延长。针对上述问题,通过稀疏化权重和通道剪枝对晶界检测算法EfficientDet网络进行模型压缩。由数据验证可知,剪枝后的晶界模型检测时间约降为1/2,参数量降低70%,网络模型计算量FLOPs降低60%左右。

Si/Al/BN多层膜的制备及研究

本文采用磁控溅射系统制备了Si/Al/BN多层膜结构,并通过XRD,AFM,傅立叶红外光谱仪,纳米压痕仪等对Si/Al/BN多层膜结构进行了表征,表征结果表明本实验制备的Si/Al/BN多层膜基片符合高频声表面波器件基片的要求,为金刚石/IDT/BN多层膜超高频声表面波器件的制备奠定了基础.

SiC_f/SiC复合材料氮化硼(BN)界面层及其复合界面层研究进展

SiC_f/SiC复合材料由SiC纤维、SiC基体和界面层组成。界面层可以传递载荷和偏转裂纹,同时防止SiC纤维受到材料制备和使用过程中的化学侵蚀,对于调节SiC_f/SiC复合材料的性能具有非常重要的作用。本文综述了氮化硼界面层的晶体结构、复合界面层的种类,介绍了化学气相渗透法制备氮化硼(boron nitride,BN)及其复合界面层的工艺条件,总结了先驱体气体比例、载气、沉积压力及温度等工艺条件对界面层沉积速率、微观形貌结构的影响。选择合适的工艺条件,制备理想结构的BN及其复合界面层,将是SiC_f/SiC复合材料界面层研究领域的重点和难点。

KD-S型SiC纤维表面BN界面层Raman光谱研究

由于SiC纤维具有高强度、高模量、强抗化学腐蚀性等优越性能,因此广泛用于陶瓷基复合材料的增强当中。但在高温下制备复合材料,容易使纤维与基体之间形成牢固的附着力,导致复合材料力学性能差,因此需要界面层使纤维与基体间的结合足够弱。BN具有良好的耐热性、抗氧化性和微裂纹自愈合能力,可用于解决SiC纤维增强SiC基复合材料的界面问题。CVD法是常用的制备BN界面层的工艺方法。本文以BCl3-NH_3为原料,在较低温度下通过CVD工艺制备了BN界面层。

Rb原子修饰缺陷h-BN单层储氢性能的第一性原理研究

基于密度泛函理论框架下的第一性原理计算方法,系统的研究了碱金属Rb原子修饰具有空位缺陷h-BN单层体系的储氢性能.发现Rb原子可稳定吸附在h-BN单层的B单空位缺陷(V_(B))上,且Rb原子间无团簇倾向,单个Rb原子最多可稳定吸附5个H_(2)分子,H_(2)分子平均吸附能在0.18-0.21 eV范围内.电子结构分析表明H_(2)分子主要通过极化机制和轨道杂化作用吸附在Rb修饰的缺陷h-BN单层体系上.Rb双侧修饰缺陷h-BN单层体系的理论储氢质量比可以达到5.0 wt%.基于范特霍夫方程和从头算分子动力学(AIMD)模拟对储氢体系的热力学稳定性进行了进一步的研究.

BN/SiC复合界面层对SiC纤维和PIP-Mini复合材料力学性能的影响

采用化学气相渗透(CVI)工艺,在SiC纤维表面沉积BN和BN/SiC复合界面层,对沉积界面层前后纤维的力学性能进行了评价。采用聚合物浸渍裂解(PIP)工艺进行致密化,制得以原纤维、BN界面层和BN/SiC界面层纤维增强的三种Mini-SiCf/SiC复合材料,研究其微观结构和拉伸性能。结果表明:采用CVI工艺制得的界面层厚度均匀、结构致密,其中BN界面层中存在六方相,晶体尺寸为1.76 nm;SiC界面层结晶性较好,晶粒尺寸为18.73 nm;沉积界面层后SiC纤维的弹性模量基本保持不变,拉伸强度降低。与SiCf/SiC相比,PIP工艺制备的SiCf/BN/SiC和SiCf/(BN/SiC)/SiC-Mini复合材料所能承受的最大拉伸载荷和断裂应变明显提升,BN界面层起主要作用。由断面形貌分析可以看出,SiCf/BN/SiC和SiCf/(BN/SiC)/SiC复合材料的纤维拔出明显,说明在断裂时消耗的能量增加,可承受的最大载荷增大。

基于层间融合的神经网络访存密集型层加速

近年来,随着深度神经网络在各领域的广泛应用,针对不同的应用场景,都需要对神经网络模型进行训练以获得更优的参数,于是对训练速度的需求不断提升。然而,现有的研究通常只关注了计算密集型层的加速,忽略了访存密集型层的加速。访存密集型层的操作主要由访存带宽决定执行效率,单独提升运算速度对性能影响不大。本文从执行顺序的角度出发,提出了将访存密集型层与其前后的计算密集型层融合为一个新层执行的方式,将访存密集型层的操作作为对融合新层中输入数据的前处理或输出数据的后处理进行,大幅减少了访存密集型层在训练过程中对片外内存的访问,提升了性能;并针对该融合执行方案,设计实现了一个面向训练的加速器,采用了暂存前处理结果、后处理操作与计算密集型层操作并行执行的优化策略,进一步提升了融合新层的训练性能。实验结果显示,在面积增加6.4%、功耗增加10.3%的开销下,训练的前向阶段、反向阶段的性能分别实现了67.7%、77.6%的提升。

CVD BN界面层对Si_(3)N_(4)/SiBN复合材料弯曲性能的影响

连续Si_(3)N_(4)纤维以其优异的热稳定性、高温力学性能和介电性能,被认为是耐高温陶瓷基透波复合材料的候选材料之一。采用连续Si_(3)N_(4)纤维为增强体,以BCl_(3)+NH_(3)+H_(2)+Ar反应体系,利用化学气相沉积工艺在Si_(3)N_(4)纤维表面制备了BN界面层,并以聚硅硼氮烷为陶瓷先驱体,通过先驱体浸渍裂解工艺制备了Si_(3)N_(4)/SiBN复合材料。研究了CVD BN界面层的合成及其对Si_(3)N_(4)/SiBN复合材料弯曲性能的影响。结果表明:在Si_(3)N_(4)纤维表面获得了均匀致密的BN界面层,该界面层有效改善了复合材料中纤维/基体的界面结合力,复合材料显示出典型的韧性断裂特征。当界面层的厚度为200 nm时,Si_(3)N_(4)/SiBN的弯曲强度和断裂韧性分别为182.3 MPa和17.3 MPa·m^(1/2),比无涂层的复合材料分别提高了59.6%和94.4%。

改进Alexnet网络的滚动轴承故障诊断方法

本文针对滚动轴承故障诊断准确率不高的问题提出一种新方法。首先,将振动信号通过短时傅里叶变换(Short Time Fourier Transform,STFT)转化为时频图像构建数据集。其次,采用批量归一化算法和GeLU激活函数改进Alexnet网络,对不同工况的时频图像进行训练和故障诊断。在凯斯西储大学(Case Western Reserve University,CWRU)轴承数据集试验中,改进后的Alexnet网络训练损失更低,收敛速度更快,故障识别准确率更高。最后,比较模拟滚动轴承损伤故障实验平台采集的样本数据,改进Alexnet网络的故障识别准确率为97.2%,明显优于Alexnet网络、SVM网络和CNN网络,验证了该改进方法的有效性。

大尺寸GaN微波材料范德瓦耳斯外延机理及应力调控研究

本文基于金属有机化学气相沉积(MOCVD)技术,以少层氮化硼(BN)作为插入层在4英寸蓝宝石衬底上开展范德瓦耳斯异质外延GaN微波材料的生长机理及应力调控方面的研究,探讨了AlN成核工艺对GaN缓冲层生长机制的影响,以及与材料晶体质量、应力及电学性能等之间的关联。提出了一种基于AlN/AlGaN复合成核技术的应力调控方案,首次实现了大尺寸范德瓦耳斯(vdW)异质外延材料应力的有效管控,研制的GaN微波材料的弯曲度(Bow)为+20.4μm,(002)/(102)面半峰全宽为471.6/933.5 arcsec,表面均方根粗糙度为0.52 nm,电子迁移率达到2000 cm^(2)/(V·s)。最后,基于机械剥离实现了大尺寸晶圆级GaN微波材料与蓝宝石衬底的分离,为高导热衬底转移提供便利,为大功率射频器件的制作创造条件。

氢气分子与BN二维材料的相互作用

氢能源是一种清洁高效的能源，为了寻找合适的储氢材料，利用密度泛函理论对Al，P，Fe和Pt掺杂的BN二维六角形层状结构的储氢性能进行了研究。计算结果表明，完整的BN结构与氢气相互作用很弱，不适宜做储氢材料。在Al和Fe掺杂后，氢气的吸附能有明显降低，吸附能分别为-0．1leV和-0．10eV。一个氢气分子在Pt替B结构上的吸附能为-0．60eV，这个数值在美国能源部DOE对于储氢材料要求的范围内。在Pt替B的结构上，随着吸附氢气的增加，每个氢气分子的吸附能有所降低。通过Al，Fe和Pt的掺杂，氢气分子在BN层上的吸附作用得到了增强，Pt替B的结构更加适合做储氢材料。

BN及Ag对FePt薄膜结构和磁性的影响

采用磁控溅射在玻璃基片上制备了BN/FePt/Ag薄膜,并在550℃真空退火30 min.用振动样品磁强计和X射线衍射仪研究了薄膜的磁特性和微观结构.结果表明:BN的厚度影响了BN/FePt/Ag薄膜的有序度和矫顽力,而且BN的添加有效地抑制了FePt粒子的长大,较薄的BN更有利于FePt由FCC向FCT相转变.此外,Ag的位置对提高[BN/FePt]5/Ag薄膜的垂直取向有一定的影响,总厚度为3.75 nm的Ag掺杂在BN与FePt之间要比在顶层更利于FePt垂直取向.

BN/Al_2O_3/碳纤维填充MVQ导热复合材料的制备

以甲基乙烯基硅橡胶(MVQ)为基体,片层氮化硼(BN)、球形Al_2O_3、碳纤维为填料,通过共混的方法制备了导热硅橡胶复合材料。利用热重分析仪(TGA),扫描电子显微镜(SEM),电子拉力试验机以及导热系数仪对复合材料的结构和性能进行了表征。结果表明:复合材料的热导率、热稳定性、力学性能、交联密度随着填料量的增加而增加。填料量达50vol.%时,尤以片层BN对热导率增加的效果突出,热导率从0.168增至1.8W/(m·K);碳纤维对复合材料的力学性能贡献最大,拉伸强度从0.48增加到2.98MPa;片层BN在橡胶基体中以面-面接触的方式均匀分散,更易于形成有效的导热网链。

不同界面层体系对SiC_f/SiC复合材料性能的影响

主要研究无界面层、裂解碳和氮化硼3种界面层体系对SiCf/SiC复合材料力学性能的影响:首先,三维四向编织的SiC纤维预制体分别经过无界面层处理、裂解碳界面层制备(CVI工艺)和BN界面层制备(PIP工艺)3种不同工艺处理;以聚碳硅烷为原料,采用PIP工艺制备出3种SiCf/SiC陶瓷基复合材料工艺试验件;对工艺试验件的基本力学性进行研究,评价不同纤维预制体处理工艺对材料性能的影响。研究结果表明,无涂层复合材料样品的弯曲强度最高;具有PyC涂层复合材料的弯曲强度略有下降,但断裂韧性较高;具有BN界面层的复合材料弯曲强度和断裂韧性均出现了较大程度的降低。3个样品力学性能的差别主要与纤维/界面层/基体之间作用力有关。本研究结果可以用于SiCf/SiC复合材料构件制造工作中,为制造工艺的初步筛选提供参考依据。

基于生成对抗网络的带式输送机异物检测方法

煤矿井下胶带运输图像具有照度低、细节不清晰、背景干扰等特点,现有的带式输送机异物检测模型存在精度低、灵活性差、计算量大、优化空间存在差异等问题。针对上述问题,提出了一种基于生成对抗网络(GAN)的带式输送机异物检测方法。对胶带运输过程视频文件进行预处理,分类得到正常图像、异常图像,制作实验数据集对改进GANomaly模型进行训练,再通过训练好的模型进行带式输送机异物检测。在训练阶段,将不含异物的带式输送机图像作为输入;在测试阶段,将含有异物的带式输送机图像作为输入,得到的重构图像与输入网络的原图像作差,即可得到异物的具体位置。GANomaly模型轻量化改进方法:在GANomaly基础网络模型中加入深度可分离卷积残差模块,采用深度可分离卷积代替原有主干网络中的卷积操作,大幅降低了模型计算量,同时减少了参数的冗余计算,能够明显提高异物检测速度;通过合并多个批量归一化(BN)层,加快模型的收敛迭代速度,提高模型的泛化收敛能力,有效避免梯度消失。实验结果表明,改进GANomaly模型相较于传统GANomaly模型,在运行速度上提升了6.27%,评价指标F1分数、AUC、召回率(Recall)和平均精度均值(mAP)分别提升了19.05%,22.22%,15.00%,17.14%。

神经网络中梯度消失的解决办法

针对神经元中的“梯度消失”的问题,文章提出了两种解决方案:用leaky-relu做激活函数和在网络中添加BN层。通过对实验数据的对比,发现这两种方案能够提高网络分类的正确率,有效解决了梯度消失的问题。

融合双流三维卷积和注意力机制的动态手势识别

得益于计算机硬件以及计算能力的进步,自然、简单的动态手势识别在人机交互方面备受关注。针对人机交互中对动态手势识别准确率的要求,该文提出一种融合双流3维卷积神经网络(I3D)和注意力机制(CBAM)的动态手势识别方法CBAM-I3D。并且改进了I3D网络模型的相关参数和结构,为了提高模型的收敛速度和稳定性,使用了批量归一化(BN)技术优化网络,使优化后网络的训练时间缩短。同时与多种双流3D卷积方法在开源中国手语数据集(CSL)上进行了实验对比,实验结果表明,该文所提方法能很好地识别动态手势,识别率达到了90.76%,高于其他动态手势识别方法,验证了所提方法的有效性和可行性。

基于轻量化YOLOv4的发电机定子表面缺陷检测算法

目前大型发电机定子表面缺陷检测主要以抽转子的人工检测为主,存在检测周期长,准确率差等问题,论文提出一种基于轻量化YOLOv4的发电机定子表面缺陷检测算法,以腔内爬壁机器人为载体进行定子缺陷检测。将改进的MobileNetv3作为算法的主干特征提取网络,通过在特征融合层引入CSP结构,融合卷积层和BN层的方法,使得论文算法模型体积较YOLOv4大幅减小。实验结果表明,论文算法在本文发电机定子表面缺陷数据集上的平均检测精度为98.3%,优于原始YOLOv4,模型体积比YOLOv4缩小了84.5%,检测速度提高了45.4%,表明了该方法在嵌入式平台上进行发电机定子缺陷实时检测的应用前景。

基于稀疏约束滤波器剪枝策略的模型压缩方法

针对现有滤波器剪枝逐层固定比率修剪导致的模型性能及自适应能力不足,提出一种基于稀疏约束的滤波器剪枝方法。将批归一化(batch normalization,BN)层的比例因子作为特征图及滤波器重要性权重,对其进行稀疏正则化训练,经排序计算出全局最优阈值,修剪出最优子网络;通过提出全局-局部阈值策略,解决剪枝率过大导致的断层现象;采用过参数化卷积方法,在保持模型大小的前提下,提升剪枝模型性能。实验结果表明,提出方法在压缩性能及自适应性上优于现有剪枝方法。

基于滤波器注意力机制与特征缩放系数的动态网络剪枝

结构化剪枝是模型压缩的一种有效方式,裁减掉网络中不重要的滤波器,减小网络的计算量和存储量.然而,仅仅基于滤波器自身的参数信息是无法准确判断该滤波器是否冗余.针对以上问题,提出一种利用卷积层和BN层双层参数信息的动态网络剪枝方法,该方法利用滤波器注意力机制以及BN(Batch Normalization)层缩放系数选择冗余滤波器,并对其进行裁剪.该方法具有三个优势:1)端到端的训练剪枝:训练和剪枝同时进行,训练速度更快.2)更大的优化空间:训练过程中动态调整被裁剪的滤波器,搜索最优的剪枝策略.3)更准确的滤波器选择:运用多重参数信息精确选取冗余的滤波器,提高了网络的泛化性能.实验分别在标准CIFAR-10数据集和CIFAR-100数据集上进行,尤其在CIFAR-10数据集上的实验结果表明,压缩后的ResNet56和Res Net110的浮点运算率减少40%多,但精度比基本网络高.