基于卷积神经网络的氢氦协同效应下的空洞演化预测

[目的]了解辐照引起的核结构材料的降质过程对于反应堆安全运行至关重要.然而,由于辐照损伤实验和基于物理的多尺度模拟存在时间和资源密集性的特点,无法快速评估材料的空洞演化行为.[方法]应用卷积神经网络(CNN)对空洞尺寸和数密度进行预测,并在现有的实验数据范围外,对氦和氢注入量在连续参数变化范围内的相关性进行预测.[结果]经过参数优化的CNN可以很好地克服实验数据不足的限制,仅利用元素组分和环境参数即获得准确的数值回归.[结论]这项工作证明了CNN预测氢氦协同效应下辐照损伤的可行性,对核材料的优化和反应堆安全运行具有实际意义.

基于空洞卷积神经网络的医学超声图像去噪

散斑严重影响医学超声图像的质量,从而导致临床诊断和图像处理困难。为解决上述问题,提出一种基于空洞卷积神经网络的散斑减小方法。不同于其他的散斑抑制方法,文中通过建立超声图像和散斑图像之间的非线性映射,同时结合跳跃连接使网络不会发生梯度爆炸或消失,从而具有较好的反向传播能力。该方法可以通过超声图像预测散斑,再由超声图像与预测的散斑图像相减从而得到干净的超声图像。该方法相较于散斑减少各向异性扩散(SRAD)和细节保持各向异性扩散(DPAD),具有更好的散斑减少和结构保存性能,在对比的量化数据上提升巨大。实验结果表明,该方法在超声医学图像上具有较好的性能和鲁棒性。

基于卷积神经网络的X射线焊缝缺陷检测算法研究

为了提高焊缝无损缺陷检测的性能,对无损检测方法及基于人工智能的工业视觉检测方法进行了研究,提出了基于卷积神经网络的焊缝缺陷自动检测算法。首先,对焊缝缺陷数据集进行分析,总结出焊缝缺陷数据的分布特征。其次,根据焊缝缺陷尺度差别巨大、宽高比分布范围较大等特征,在特征提取的过程中引入了不同空洞率的空洞卷积,以扩大感受野、提升大尺度缺陷的检测性能。最后,基于空洞卷积和无锚框检测框架设计了缺陷自动检测算法DRepDet。该检测算法可检测的缺陷种类达到7种,而其他大部分算法只能检测到不超过5种缺陷。试验结果表明,扩大感受野可以有效提高大缺陷的检测性能,使用组合空洞率的DRepDet的AP_(50)提升了1.4%、Recall_(50)提升了2.9%,同时几乎不影响小缺陷的检测性能。

基于全卷积神经网络的多目标显著性检测

随着图像数据的爆炸性增长,图像处理变得越来越重要。显著性目标检测是图像处理的重要研究方向之一,目前已采用多种研究方法进行显著性目标检测,但是传统的显著性检测方法所使用的低级特征对于复杂场景并不健壮。全卷积神经网络在图像处理中表现出良好的性能,但存在目标显著性检测边界模糊等不足。为解决边界模糊等问题,该模型采用了一种具有跳跃连接的全卷积神经网络,以及5个不同膨胀率的空洞卷积按照一定规则组成的ESP模块,在全卷积神经网络的基础上采用ESP模块和不同的跳跃连接方式,以获取更多的低级特征来精确多目标显著对象的边界。实验中运用MIT Scene Parsing数据集训练和测试模型,通过与相关模型在精度和MIOU上的比较结果表明,在保证模型的处理时间未增加的同时,经过改进的全卷积神经网络的检测具有更高的准确度以及更精确的边界信息。

基于CNN的CA砂浆层脱空识别方法研究

CA砂浆层脱空缺陷是无砟轨道隐蔽性病害的重要形式,脱空缺陷的检测识别对于保持无砟轨道状态至关重要。采用扫描式冲击回波测试系统(IES)对高铁实体模型中预设了砂浆病害的CRTSⅡ型板式无砟轨道进行检测。基于Hilbert-Huang变换和卷积神经网络(CNN),提出一种CA砂浆层脱空识别方法。首先,分析回波信号的Hilbert谱图,研究信号多频带特征表达方式;然后,以实体模型回波测试信号为基础,建立训练和测试数据集;最后,构建CNN网络,对CA砂浆层有无脱空缺陷、缺陷尺寸进行分类识别。研究结果表明:该方法对于CA砂浆层脱空缺陷识别率达到98.75%,预设脱空大小识别率达到98.3%。

基于注意力机制和空洞卷积的自然场景弯曲文本检测方法

自然场景的弯曲文本检测技术多用于智慧旅游场景.针对当前弯曲文本检测存在的受到卷积神经网络的感受野大小和提取特征能力有待提升的影响,网络难以识别自然场景图像中的文本和非文本区域问题,提出了一种基于注意力机制和空洞卷积的自然场景下文本检测方法(Resnet Squeeze and Excitation Dilation Jaccard Progressive Scale Expansion Network,RSDJ-PSE).RSDJ-PSE引入软注意力机制SE块在检测网络的骨干网络中,进一步增强了特征提取能力,接着引入空洞卷积到骨干网络中,扩展了卷积的感受野且不增大参数量,最后使用Jaccard系数替换Dice系数在后处理算法中,提升了该文本检测方法的F值.在定向文本数据集ICDAR2015、标准弯曲文本数据集CTW1500和Total-Text数据集上的检测结果表明:与8种检测方法对比,该方法具有最好的文本检测性能.

基于图像处理的城市轨道交通监控系统设计

针对城市轨道交通监控系统中,由于多尺度特征提取精度低,导致乘客拥挤度检测准确率低的问题,提出将多列神经网络与空洞卷积相结合,构建一个基于人群计数的多列空洞卷积神经网络(MPCNet)。此网络采用CNN网络进行深度特征提取;然后以空洞空间金字塔池化(ASPP)为网络提供多尺度感受野,从而进行目标多尺度特征提取。实验结果表明,在Zhengzhou_MT数据集中,提出的MPCNet算法的MAE和MSE估计误差分别为1.5和2.1,均低于传统的MCNN算法和CSRNet算法。且在开发的拥挤度自动检测系统应用效果中,系统可实现轨道交通的可视化展示,可对检测结果进行批量计算,通过折线图现象得到历史数据。由此说明,本算法可对人群多尺度特征进行准确提取,可实现乘客拥挤度有效检测,具备实时性和有效性。