基于多尺度生成对抗网络的锥束CT图像耦合伪影校正方法

针对锥束CT(CBCT)图像存在的耦合伪影难以完全校正问题,提出1种基于多尺度生成对抗网络的锥束CT图像耦合伪影校正方法。首先,根据CT图像的伪影特征构建了一套包括仿真图像和实际图像的CBCT耦合伪影数据集,用于提高模型泛化能力。再将特征金字塔结构(FPN)和基于卷积块的注意机制(CBAM)融入网络的生成器结构中,帮助网络捕获更全面特征信息,并配合多尺度判别器(MSD)搭建生成对抗网络框架,使得生成的去伪影图像更加清晰和真实。实验分析显示,经本文方法校正图像的PSNR和SSIM在仿真数据集中提高了21.595 dB、0.541,在实际数据集中提高了14.072 dB、0.274。实验结果表明,本文方法可有效校正耦合伪影。

基于模糊Petri网的引航员作业舒适度评价

为提高引航员的作业舒适度,提出一种基于模糊Petri网(FPN)的模糊推理算法(FRA)下的组合评价方法。首先,针对作业舒适度影响因子的不确定性信息,建立多因素耦合的FPN拓扑结构;然后,采用博弈论组合赋权法确定最优组合权重,提出融合层间相关性判断临界重要性、层次分析法和FRA,建立基于主客观权重的FRA,通过迭代求解库所可信度和状态矩阵;最后,结合上海港船舶引航的场景数据,基于FPN的FRA应用,评价引航员作业舒适度。结果表明:环境与引航设备是影响其作业舒适度的关键因素,冬季和夏季的引航作业舒适度评价等级对应“较不舒适”,其中,5月份为“较舒适”。所提方法充分体现系统舒适度影响因素的耦合特性。

FPN算法在视觉感知机器人抓取控制的应用研究

针对视觉感知机器人对物体抓取的准确性控制,在抓取姿势估计基础上使用密集连接的特征金字塔网络(FPN)作为特征提取器,将语义更强的高级特征图与分辨率更高的低级特征图融合,将机器人物体抓取过程分为两个阶段,第一个阶段生成待抓取区域,第二阶段对抓取区域进行细化以预测抓取姿势。模型在Cornell抓取数据集和Jacquard数据集上训练,验证了所提算法在抓取姿势估计的有效性。设计了两种不同真实场景的物体抓取控制实验,结果表明所提模型能有效提高机器人抓取各种不同尺寸物体的能力。

改进FCOS的SAR图像舰船检测算法

针对SAR图像中舰船检测的目标尺度变化大及背景复杂等影响因素,提出一种基于FCOS的一阶段舰船目标检测算法。采用基于拆分注意力和分组卷积的ResNeSt网络作为主干网络进行提取特征,同时在特征金字塔基础上增加聚合路径和注意力机制,提升特征融合能力,实现对网络结构的优化。结果表明,改进方法相对于基线网络平均精度提升了2.15%,精准率提升了2.4%,召回率提升了3.59%。该研究在处理SAR图像中舰船检测任务时具有较好的性能。

一种分层模糊Petri网风险评估方法

针对传统模糊Petri网在对不确定环境下的专家系统的知识表示与推理时无法兼顾不确定知识的模糊性与随机性、在复杂的故障情况下故障的因果关系表达不清晰、定量推理计算时缺乏层次性、不能局部求解的问题,构建一种基于云模型的分层模糊Petri网以加强模糊Petri网的知识表示能力和提高推理过程的计算效率。利用专家知识和Petri网层次分解原则将系统故障模式和故障原因之间的因果关系进行建模,使故障建模更具结构性,计算更加灵活;应用云模型处理知识的模糊性和不确定性;通过合理考虑局部权重和全局权重,结合Petri网层次分解原则和云聚合算子给出相应的推理算法。实例验证表明,所提方法能够有效对系统进行风险评估,且在知识表示和推理方面优于其他方法。

基于多源遥感的FPN多尺度目标检测深度学习模型在河湖“四乱”识别中的应用

为满足水利部关于河湖“清四乱”常态化规范化的要求,研发一套基于卫星遥感影像粗提取与无人机影像精识别相结合的“四乱”识别技术体系,采用FPN多尺度目标检测的深度学习模型,解决了传统遥感影像处理及人工目视解译存在的时效低、成本高、误差大等难题,实现了对多尺度、多类型、小目标的“乱占”、“乱建”等嫌疑区的快速识别和精准定位。与未融合FPN的识别模型相比,“乱建”目标识别的精确率、召回率和平均精度指标(AP)分别提升2.7%、5.7%和4.0%,“乱占”目标识别的精确率、召回率和平均精度指标(AP)分别提升13.8%、0.5%和6.0%。在河湖管理、水政监察执法等方面具有较好的应用潜力和价值。

融合PSO-模糊Petri网的室内燃气泄漏风险研究

近年来室内燃气事故多发,而燃气用户风险意识淡薄、户内安全检查难度大。针对现行室内燃气安全管理技术多为静态主观评估的局限性,构建了基于模糊Petri网(Fuzzy Petri Net,FPN)的风险计算规则,提出了结合粒子群优化算法(Particles Swarm Optimization,PSO)和FPN的室内燃气泄漏动态风险评估模型。首先,应用Petri网的直观图像描述和异步并发处理能力建立室内燃气泄漏事故风险演化的拓扑结构模型,借助FPN的模糊推理能力处理风险传播的不确定性;然后,根据燃气运维数据,融合PSO动态更新初始参数,提高风险评估的准确性。结果表明,基于PSO-FPN的室内风险评估方法可弱化燃气公司安检人员分析的主观不确定性,更为准确地量化风险因子演化过程,实现室内燃气泄漏风险的动态分析,有效支持户内燃气泄漏风险管控。

基于改进的RetinaNet大豆外观品质无损检测

快速、准确、有效地区分大豆外观品质是大豆食品质量检验和食品安全与包装中的一项重要而艰巨的任务。本研究提出了基于改进的卷积神经网络Retina Net的大豆外观品质检测模型。将原始主干网络ResNet50替换为ResNet34,在保证准确度的同时降低了模型参数量,提高了运算速度,降低了运算时间。在主干网络和特征金字塔(FPN)的输出端分别嵌入ECA模块,进一步提取有利特征,减轻了冗余特征对网络的影响,提高了网络性能。同时,为保证不失原有特征的丰富性,将FPN后嵌入的ECA模块的输出与主干网络的输出结果相叠加,所得特征作为输入,传入分类器中进行识别检测。结果表明,本研究提出的改进的RetinaNet大豆品质检测模型的精确率达97.39%,mAP值达98.64%。

基于Cascade R-CNN的乳腺钼靶肿块检测算法研究

乳腺癌生物学特性复杂,恶性程度极高,位于女性恶性肿瘤发病率首位。乳腺钼靶肿块的X射线检查是早期确诊乳腺癌的重要方式。但乳腺钼靶肿块的检测尚处于早期阶段,现有的计算机辅助检测检测精度较低。针对这一问题,论文提出了一种基于Cascade R-CNN的乳腺钼靶肿块检测方法。实验使用南佛罗里达大学的乳房X光检查数据集,将乳腺钼靶肿块分为良性和恶性两类。通过在特征网络中加入注意力模块,提取了较为丰富的乳腺钼靶肿块特征。此外,论文提出了一种新的FPN网络FA-FPN,进一步提高了乳腺钼靶肿块病灶特征的提取,解决了深层网络在下采样中特征出现稀释的问题,提高了乳腺钼靶肿块的检测准确率。经实验验证,该模型在南佛罗里达大学的乳房X光检查数据集上的mAP值达到82.9%,在AP75下表现尤为突出。该方法在乳腺钼靶肿块的检测中具有良好的性能,可以提高乳腺钼靶肿块的检测精度,并在一定程度上避免了误检和漏检。

改进YOLOv7的带钢表面缺陷检测算法

针对带钢缺陷检测中存在的计算复杂度高、对小目标检测效果差等问题,提出了一种基于改进YOLOv7的小目标检测算法,用于区分带钢在生产过程中产生的表面缺陷。在YOLOv7的基础上,首先,将loss部分的损失函数CIOU替换为MPDiou,可以更好地处理目标框之间的交叉、遮挡等情况;接着,使用PConv(Partial Convolution)替换YOLOv7中的Backbone部分的卷积,可以减少算法的冗余计算量;最后,在YOLOv7的Head部分引入SimAM (Simple Attention Mechanism)注意力机制、动态蛇形卷积(Dynamic Snake Convolution)和BiFPN特征融合模块,以增强卷积神经网络的特征表达能力。

基于YOLO的轻量化目标检测方法研究

针对移动端目标检测算法需要模型参数量与计算量更少、推理速度更快和检测效果更好以及目标检测算法对于小目标误检、漏检及特征提取能力不足等问题,提出一种基于YOLOv5改进的轻量化目标检测算法。该算法使用轻量级网络MobileNetV2作为目标检测算法的骨干网络降低模型的参数量与计算量,通过使用深度可分离卷积结合大卷积核的思想降低网络的计算量与参数量,并提升了小目标的检测精度。使用GhostConv来替换部分普通卷积,进一步降低参数量与计算量.本文算法在VOC竞赛数据集,COCO竞赛数据集两份数据集上均进行了多次对比实验,结果表明本文算法相比于其他模型参数量更小、计算量更小、推理速度更快以及检测精度更高。

聚乙烯醇缩对甲酰基苯偶氮变色酸液-固萃取分离镉、铜、镍

研究了高分子显色剂聚乙烯醇缩对甲酰基苯偶氮变色酸（简称 ＰＶＡ·ＦＰＮＳ）作萃取剂时，Ｃｄ２＋、Ｃｕ２＋、Ｎｉ２＋的非有机溶剂液固萃取行为，并与相应的小分子试剂对甲酰基苯偶氮变色酸（ＦＰＮＳ）作比较。结果表明，在吐温－８０（Ｔｗｅｅｎ－８０）－硫酸钠－水体系中，ＰＶＡ·ＦＰＮＳ作萃取剂比ＦＰＮＳ更易获得高的萃取率和好的分离效果。在一定实验条件下，Ｃｕ２＋、Ｎｉ２＋可被Ｔｗｅｅｎ－８０完全萃取，而Ｃｄ２＋不被萃取，从而实现Ｃｄ２＋与Ｃｕ２＋、Ｎｉ２＋的定量分离；用含有硫脲的盐水溶液进行反萃取，可获得Ｃｕ２＋与Ｎｉ２＋的进一步定量分离、常见离子不干扰。研究还发现，用 ＰＶＡ·ＦＰＮＳ作萃取剂时，不受萃合物电性的影响，表现出比 ＦＰＮＳ更优越的萃取性能。

基于改进Faster RCNN的茶叶叶部病害识别

针对茶园复杂背景下茶叶叶部病害识别较为困难的问题,提出一种基于改进Faster RCNN算法的茶叶叶部病害识别方法。通过对优化区域建议框的特征提取网络VGG-16、MobileNetV2和ResNet50进行比较,选择识别效果较好的ResNet50作为骨干网络,增加模型在茶园复杂背景下对茶叶叶部病害特征的提取能力;融入特征金字塔网络(feature pyramid network,FPN)改善小目标漏检问题和病斑的多尺度问题;采用Rank&Sort(RS)Loss函数代替原Faster RCNN中的损失函数,缓解样本分布不均给模型带来的性能影响,进一步提高检测精度。结果显示:改进模型平均精度均值PmA为88.06%,检测速度为19.1帧/s,对藻斑病、白星病、炭疽病、煤烟病识别平均精度分别为75.54%、86.84%、90.42%、99.45%,比Faster RCNN算法分别提高40.98、44.16、13.9和2.43百分点。以上结果表明,基于改进Faster RCNN算法的茶叶叶部病害识别方法能够弱化茶园复杂背景的干扰,准确识别茶园复杂背景下茶叶叶部病害目标。

融合LoG特征的凸焊螺母检测算法

针对目前汽车曲面零部件的紧固连接中常用的凸焊工艺中出现凸焊螺母的漏焊、错焊,以及主要依赖人工目测的低效检测方法等问题,提出了一种基于Faster-RCNN的凸焊螺母检测算法。以Faster-RCNN作为基础模型,针对模型在不同角度下螺母特征各异且难以提取的问题,提出提取LoG特征和原图像自适应融合的方法,以增强模型对螺母特征的提取能力;引入特征金字塔(feature pyramid network,FPN)解决小目标难以被精确检测的问题;为了提升网络在复杂背景中的检测鲁棒性,在FPN中嵌入坐标注意力机制来提升网络对重点目标的关注;设计损失函数,提升训练效果,增强回归框中心点的回归精确度。实验结果表明,所提算法相比原算法,在IoU=0.75时凸焊螺母的检测精确率上升了8.65个百分点,达到90.11%,召回率上升了5.87个百分点,达到79.23%,相比原算法具有明显改善。

基于改进YOLOv4-Tiny的指针仪表自动读取方法

为了提高对指针仪表识别的准确率与泛化能力,提出一种基于改进YOLOv4-Tiny的指针仪表自动读取方法。该方法一级模型基于YOLOv4-Tiny算法,提取指针仪表表盘区域以及仪表分类,并通过加深主干特征提取网络、增加FPN(Feature Pyramid Networks)结构与检测头、使用PreLU(Parametric Rectified Linear Unit)激活函数,提高原YOLOv4-Tiny模型的检测精度。二级读数算法通过(PPHT)累计概率霍夫变换和最小二乘法拟合指针,通过斜率推导仪表读数。实验结果表明,改进方法能够有效、准确地完成对指针仪表的读取,改进的YOLOv4-Tiny模型相比于原模型F1分数提升了10.65百分点,达到了93.31%,FPS达到了192,整体识别准确率达到了99.36%。

基于嵌入式AI设备的光伏电池片缺陷智能检测系统

针对光伏电池片易受材料、生产工艺等因素影响,产生诸多缺陷且检测难度高等问题,设计了一套以嵌入式AI设备Jetson Xavier NX为控制单元的智能检测分拣系统。该系统利用电致发光成像技术采集图像,选用以ResNet50为主干的Faster RCNN网络结构作为目标检测算法,并融入特征金字塔网络(FPN)提高网络对多尺度缺陷的特征表达能力。并采用六轴机械臂将各类残片分拣至指定区域。经实验测试,检测的平均精度为92.4%,能够满足实际生产需求。

基于改进的Faster R-CNN算法建筑领域裂缝检测研究

在人工智能技术的驱动下,国家建筑设施智能化也在迅猛发展,墙体裂缝的检测问题也受到人们越来越多的关注。针对传统人工对建筑墙体裂缝检测精度低的问题,提出一种改进的Faster R-CNN算法进行墙面裂缝检测。首先,自制实验数据集并进行数据增强,之后使用ResNet50残差网络来替代VGG16网络模块进行特征提取,接着加入FPN特征金字塔模块,提高模型多尺度检测能力,最后使用EIoU损失函数提高模型检测精度。通过实验表明,改进后的算法检测能力大大提升,mAP值达到93.5%,能够满足高精度检测的需求。

基于改进YOLOv7的水下小目标检测算法研究

目标检测研究一直是水下小目标检测的难题;针对水下小目标检测任务漏检率高、水下场景识别效果差的问题,提出一种利用YOLOv7改进的水下小目标检测技术;为了达到准确率的同时兼顾高检测速度,采用YOLOv7网络作为基础网络;该网络通过融合SENet注意力机制、增强FPN网络拓扑、结合EIoU损失函数,集中小目标更关键的特征信息,提高检测精度,同时降低模型复杂度;通过模拟测试,在测试集上确认了mAP、P和R指标,并与其他传统目标检测技术进行了对比;结果表明,增强的算法优于竞争网络,并成功提高了测试集的检测精度。

基于改进FPN的小目标检测算法

本文针对目前小目标检测中语义信息缺失且识别困难的问题,对目标检测算法中的特征金字塔网络(FPN)进行了改进。首先,将顶层特征图融合上、下文信息,并与混合注意力机制串联,增强顶层特征,从而在进行自上而下融合过程中获得更好的特征。其次,针对小目标在FPN设计新的特征层。此层由深层语义信息和浅层细节信息融合而成,使得到的小目标层不仅是高分辨率的浅层,同时还有更丰富的语义信息。最后,将改进目标检测器在MS COCO数据集的一类上进行试验。结果表明,改进的Cascade RCNN小目标检测精度为54.2%,比原模型提高了11%。

YOLOLW:一个新的轻量级目标检测模型

要满足日益增长的实时移动目标检测部署需求,目前的YOLO骨干网络仍存在许多不足。为此,本文提出基于锚框的轻量级目标检测模型YOLOLW。首先,它包含一个新颖的轻量级解耦头,以增强对分类和回归任务的关注,提高模型的准确性;其次,它设计一个轻量化和重参数化的网络结构,在保持其轻量化特性的同时,实现优异的检测精度;再次,通过动态卷积和跨层次关联有效整合浅层特征,增强特征金字塔结构(FPN);最后,引入空间注意机制和通道注意机制,显著提高了模型的准确性。实验结果验证了该模型的有效性。