基于MobileNetV3网络的龋病和根尖周炎根尖片的诊断

目的研究深度学习技术智能诊断龋齿和根尖周炎的效果,初步探讨深度学习在口腔疾病诊断中的应用价值。方法以2298张包含健康牙齿、龋病、根尖周炎的根尖片数据集为研究对象,随机划分为1573张训练集图像,233张验证集图像以及492张测试集图像。通过多种神经网络对比验证,选择性能较好的MobileNetV3网络模型应用于牙病诊断,并通过调整网络超参数优化模型。采用精确率、准确率、召回率和F1分数评估模型识别龋齿和根尖周炎的能力,并使用类激活热力图对网络模型性能进行可视化分析。结果基于MobileNetV3网络模型的牙齿病变检测算法对健康牙齿、龋病和根尖周炎进行分类的精确率、召回率和准确率分别为99.42%、99.73%和99.60%,F1分数为99.57%,达到了较为理想的智能诊断效果。可视化类激活热力图也显示出网络模型能够较为准确地提取牙科病变的特征。结论基于MobileNetV3网络模型的牙齿病变检测算法能够排除图像质量和人为因素的干扰,具有较高的诊断准确率,可满足口腔医学教学和临床应用需求。

基于改进MobileNetV3网络煤矸识别方法研究

为了解决煤矸识别中经典卷积神经网络有着计算量大、识别速度慢等问题,提出基于改进MobileNetV3网络对煤和矸石进行识别的方法。以MobileNetV3模型为基础模型,对激活函数、注意力机制进行改进并对网络层数进行缩减,最后通过测试准确率,F1分数,浮点运算次数(FLOPs)作为模型评估的基准,结果表明:改进MobileNetV3后的测试准确率为99.5%,F1分数为0.995,FLOPs为50455003次,通过该模型与MobileNetV3,EfficientNet, AlexNet模型对比,可知该模型的各项指标均高于其他模型,适合做煤矸识别模型。

基于MobileNetV3卷积神经网络的供水管道漏损音频分类

为了对城市供水管网漏损音进行准确识别,提出一种基于MobileNetV3的供水管道漏损音频分类识别方法。首先将ROPP数据集中的音频文件进行离线数据增强,将漏损信号转变为对数梅尔谱图并采用谱减法实现数据降噪;然后使用注意力机制模块与MobileNetV3网络训练识别并提取图像特征;最后使用Softmax函数对漏损音频进行分类。实验结果表明,该方法可以使漏水类别的分类精确度达到99.40%,召回率达到99.20%。

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。

基于改进轻量级卷积神经网络MobileNetV3的番茄叶片病害识别

番茄叶发生较为普遍,现有的检测手段存在检测效率和准确性不高的问题。因此,利用深度学习技术对番茄叶进行诊断意义重大。近年来,以卷积神经网络(CNN)为代表的作物病害诊断方法凭借较强的特征抽取能力,已成为作物病害诊断的一种重要手段。为了解决传统卷积神经网络模型规模大、训练时间长的问题,拟基于MobileNetV3网络模型,通过模型压缩、模型结构和损耗函数的改进,以及训练参数的优化,实现基于MobileNetV3的网络模型。试验证明,在测试用例上,提出的方法能有效地提高识别率,减少运算量。同时,该方法能够提高系统的识别率。

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。

基于改进MobileNetV3模型的服装流行色研究

鉴于目前基于权威部门发布数据分析预测服装流行色方法存在的数据集受限、不够精准、数据实时性差等问题,提出了基于改进MobileNetV3模型的服装流行色研究方法。采用改进的MobileNetV3模型,快速处理服装分类问题;以时序化电商平台销售数据为样本,基于GrabCut算法分析服装图像的主颜色;通过K-means算法统计主颜色和其他颜色的占比;对服装主颜色进行时间维度、服装种类维度和品牌维度的分析,以得出服装流行色的趋势数据。研究发现,相较于传统方法,基于改进MobileNetV3模型的服装流行色研究方法所得数据实时性更强、容量更大,其分析速率也更高。

基于YOLOv5-MobileNetV3算法的目标检测

车辆行驶过程中,对前方目标的检测速度和检测精度一直是自动驾驶领域研究的重点.针对现有的目标检测算法模型,在复杂交通环境下,传统模型面对重叠目标容易导致误检和漏检的情况发生,大幅度提高检测精度又会造成计算量过大导致处理速度缓慢,实时性下降的问题.本文提出基于YOLOv5模型的改进算法.首先采用MobileNetV3网络替换原模型中主干网络C3的方案,实现网络仍保持轻量化的同时,提高模型响应速度.其次,提出一种非极大值抑制算法Adaptive-EIoU-NMS来提高重叠目标的识别精度.最后采用K-means++聚类算法替换原有聚类算法,生成更精确的锚框.实验结果表明,改进后的模型平均检测精度达到90.1%,检测速度达到89 f/s.实验结果可以证实,改进后的模型针对复杂场景检测精度和检测速度都有显著提高.

基于随机博弈与A3C深度强化学习的网络防御策略优选

网络资源的有限性和攻防对抗的动态性导致最优防御策略难以选取,将深度强化学习引入攻防随机博弈建模领域,通过构建网络攻防actor策略网络和critic价值网络,结合随机博弈模型构建了网络攻防博弈决策模型总体结构,在此基础上引入异步优势演员评论家算法(asynchronous advantage actor-critic,A3C)智能体学习框架设计了防御策略选取算法;针对现有方法未考虑攻击方群体间的共谋攻击,引入群智能体性格特征,建立合作系数μ来刻画攻击者之间的合作对攻防策略收益的影响,进而得出对防御策略选取的影响,构建的博弈决策模型更符合攻防实际情况。实验结果表明,该方法的策略求解速度要优于现有方法,同时由于考虑了攻击合作关系,能够用于分析攻击者群体间合作关系对防御者决策的影响,防御策略选取更有针对性,期望防御收益更高。

基于网络药理学和分子对接技术的2,3-吲哚醌抗少弱精症机制研究

为研究2,3-吲哚醌(isatin, ISA)治疗少弱精症的可能作用靶点和作用机制,基于公共数据库分别获取ISA作用靶点和少弱精症相关疾病靶点,确定交集靶点,采用Cytoscape软件获取核心靶点。通过GO功能富集和KEGG通路分析交集靶点,采用分子对接预测ISA与靶点蛋白的结合能力。研究结果显示,ISA干预少弱精症主要涉及氧化应激、细胞凋亡和炎症等生物学过程,并与p53信号通路、细胞衰老通路和IL-17信号通路密切相关;经筛选确定8个核心靶点,ISA与其中6个核心靶点稳定结合。这表明,ISA可能通过作用于核心靶点CASP3、TP53、ESR1、PTGS2、TNF和ANXA5,调控p53信号通路和IL-17信号通路发挥抗少弱精症作用。

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d3.js的miRNA调控网络图绘制模块的设计

对d3.js类库绘图功能进行研究,设计并实现了miRNA调控网络图绘制模块。模块能够将存储在数据库中的miRNA及其调控的靶基因等相关数据读取出来并形成JSON文件,结合d3.js可视化库,绘制有向的网络图及权重网络图。通过网络图能够在有限空间内更加清晰地展示miRNA及其靶基因之间的关系。

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。

基于改进的MobilenetV3热轧钢带表面缺陷分类

提出一种基于轻量化神经网络MobilenetV3-large改进的热轧钢带表面缺陷分类算法,通过剪枝、大量削减卷积层数、调整通道大小和步长,以及修改对应的网络参数快速降低了参数量.为弥补修改模型带来的准确率下降的问题,将激活函数ReLU更换为Hard-Swish,引入置换注意力机制替换原模型中的通道注意力机制,在进一步降低参数量的同时提高运行效率和分类准确率.在NEU-CLS表面缺陷数据集中的试验结果表明,改进后的算法参数量为0.5 MB,相比原模型降低96.89%,训练图片的时间由19.81 ms/幅降至10.73 ms/幅,平均准确率为99.26%,比改进前提高了5.56%,表明改进后的算法可应用于实时分类.

CTCS-3线路GSM-R网络运维质量评价体系研究

针对高速铁路GSM-R网络承载行车通信业务的特点,分析CTCS-3线路GSM-R网络运维质量评价思路,提出CTCS-3线路GSM-R网络运维质量评价体系,通过GSM-R网络运行数据进行计算得出评价结果,综合反映出CTCS-3线路GSM-R网络运维质量状况。

基于MobileNetV3的植物叶片识别系统

针对现有植物叶片识别研究存在的模型泛化性差的问题,本文设计一个基于MobileNetV3-Large网络和迁移学习的植物叶片识别系统.通过自采集图像补充数据和使用图像锐化、翻转、亮度增强等方法构建了包含32种植物的大规模叶片数据集,以MobileNetV3-Large网络和预训练权重为前提,寻找最佳超参数完成模型的迁移学习,对32种植物叶片进行特征提取和分类.通过PyQt5的前后端部署,该方法被实例化为一个实用性强的植物叶片识别系统.在测试集上的实验结果表明,MobileNetV3-Large达到98.45%的识别准确率,与AlexNet、ResNet和MobileNetV2相比分别提高12.46%、1.09%和9.62%,有效弥补了模型泛化性差的短板.该系统对32类植物的叶片的识别效果颇佳,满足各种场景下的植物叶片种类识别的需求.

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。

基于NS-3网络模拟器的MPQUIC协议仿真研究

随着5G移动视频应用加速落地以及国内视频流需求的迅速激增,迫切需要一种新的数据传输协议来提供可靠的安全性,以保障上层应用处理更多的接入连接以及满足更低的延时需求.多路径QUIC协议(Multipath Quick UDP Internet Connection,MPQUIC)具有拟合多条链路带宽资源、强大连接的容错能力和高可靠性等优点,被认为将在未来移动互联网数据传输中发挥重要的作用.然而,目前国内外研究人员对于MPQUIC协议的相关研究正处于初步阶段,该协议还没有一个普适性的、开源的仿真平台.因此,借助全球网络仿真领域应用最广的NS-3网络模拟器搭建了MPQUIC仿真平台(ns3-mpquic),为相关学者提供研究MPQUIC协议的开源、免费、普适的基础平台,为全球专家学者对MPQUIC协议的模拟部署和优化提供助力.

基于网络药理学及NLRP3炎症通路探讨丹参保心茶对冠心病合并抑郁症小鼠的作用机制

目的基于网络药理学及NLRP3炎症通路探讨丹参保心茶对冠心病合并抑郁症小鼠的作用机制。方法(1)利用TCMSP、BATMAN-TICAM数据库筛选丹参保心茶的活性成分及其作用靶点;通过Gene Cards、OMIM数据库筛选冠心病合并抑郁症疾病相关靶点。将丹参保心茶活性成分作用靶点与冠心病合并抑郁症疾病相关靶点导入Venny 2.1在线平台,获得二者的交集靶点(共同靶点),即为丹参保心茶治疗冠心病合并抑郁症的潜在作用靶点。通过STRING平台对潜在作用靶点进行蛋白互作(PPI)网络分析,筛选出关键靶点;构建“药物-活性成分-疾病-靶点”网络,筛选丹参保心茶治疗冠心病合并抑郁症的关键活性成分以及重要靶点;将潜在作用靶点通过Metascape数据库进行GO功能和KEGG通路富集分析。(2)将昆明小鼠随机分为6组:正常组、模型组、阳性对照组(酒石酸美托洛尔片5.14 mg·kg^(-1)+盐酸舍曲林片10.3 mg·kg^(-1))及丹参保心茶高、中、低剂量组(30.8、15.4、7.7 g·kg^(-1)·d^(-1)),每组8只。采用慢性不可预知性刺激(CUMS)和皮下注射盐酸异丙肾上腺素(ISO)诱导冠心病合并抑郁小鼠模型。每天灌胃给药1次,连续18 d。采用行为学实验(旷场实验、强迫游泳实验、悬尾实验)检测小鼠抑郁水平;HE、尼氏染色法观察海马组织病理变化;q PCR法检测海马组织中IL-6、TNF-α、NLRP3、IL-1β、Caspase-1、IL-10 m RNA表达水平。结果(1)筛选出65种丹参活性成分、9种绿茶活性成分,共得到1042个作用靶点以及2116个冠心病合并抑郁症的疾病相关靶点。将活性成分作用靶点与疾病相关靶点经Venny 2.1平台取交集,共得到丹参保心茶治疗冠心病合并抑郁症的潜在作用靶点(共同靶点)299个。通过潜在作用靶点PPI网络分析筛选出IL-1β、AKT1、TNF-α、IL-6、VEGFA、CASP3、IL-10等关键靶点。通过“药物-活性成分-疾病-靶点”网络分析得到维生素B、木犀草素、丹酚酸、丹参酮ⅡA、儿茶素等关键活性成分,以及PTGS2、IL-1β、IL-6、TNF-α和IL-10等重要靶点。潜在作用靶点主要集中在炎症反应、肿瘤坏死因子调控、糖皮质激素调控、核因子κB(NF-κB)转录因子调控等生物过程,以及PI3K-Akt信号通路、TNF信号通路、细胞凋亡信号通路和NF-κB信号通路等主要通路。(2)与正常组比较,模型组小鼠的旷场总距离和中心距离均显著缩短(P<0.01),漂浮时间及摇摆不动时间显著延长(P<0.01);海马组织的IL-6、TNF-α、Caspase-1、NLRP3、IL-1βm RNA表达均显著上调(P<0.01),IL-10m RNA表达明显下调(P<0.05)。与模型组比较,丹参保心茶高、中、低剂量组小鼠的旷场总距离、中心距离均显著增加(P<0.05,P<0.01),漂浮时间及摇摆不动时间显著缩短(P<0.01);丹参保心茶高、中、低剂量组小鼠海马组织的IL-6、IL-1β、NLRP3、TNF-α、Caspase-1 m RNA表达均显著下调(P<0.01),丹参保心茶高、中剂量组小鼠海马组织的IL-10 m RNA表达显著上调(P<0.01)。结论丹参保心茶对冠心病合并抑郁症小鼠的干预作用可能是通过木犀草素、丹参酮、丹酚酸、儿茶素等活性成分,作用于IL-6、TNF-α、IL-1β和IL-10等关键靶点,调控NLRP3炎症通路来实现的。

基于MobileNetV3-MHSA的输送带接扣损伤检测

针对带式输送机在运行时出现带扣断裂的问题,提出一种基于Mobile NetV3-MHSA的带扣损伤检测模型。通过限制对比度自适应直方图均衡化(CLAHE)算法进行图像增强,提高弱光环境下的对比度。对MobileNetV3进行改进,引入多头自注意力(MHSA)机制构造新的Bneck模块,在网络输出的全连接层中添加Softmax激活函数,采用Radam在模型训练初期对整体优化过程中的梯度信息进行调整,从而构造带扣损伤检测模型,进一步提高分类准确率。实验结果表明,改进后的算法分类准确率达到90.45%,相比于MobileNetV3提高4.15%,能够胜任带扣损伤检测的任务。