并行特征提取和渐进特征融合的计算机主板装配缺陷检测

针对计算机主板装配缺陷检测中的元器件位置分布复杂、缺陷目标不显著及多尺度等问题,本文提出了一种并行特征提取和互交叉渐进特征融合的端到端的缺陷检测算法。首先,结合部分卷积和视觉Transformer提出了一种并行残差特征提取网络,利用部分卷积的低计算复杂度的优势提取局部特征,同时利用视觉Transformer的长距离建模能力扩大模型的感受野,增强网络的特征提取能力。其次,引入注意力机制和特征渐进融合机制,提出了一种多尺度注意力互交叉的渐进特征融合网络,增强检测模型的特征融合能力。在公开数据集上的实验结果表明,该算法的平均精度均值(mAP)达到了94.63%,相较于基线模型YOLOv5提升了4.62%,并优于其他几种先进模型,检测速度达到了25 FPS。实现了较好的检测精度与速度的平衡,为实际工业环境下计算机主板表面装配缺陷检测自动化和智能化的实现提供了一种快速、有效的方法。

大数据场景下用户评论聚类文本挖掘算法

因传统文本数据挖掘算法在大数据场景下的文本聚类挖掘效果较差,提出一种大数据场景下基于文本数据挖掘的用户评论聚类算法。首先,通过设计改进的信息增益算法提取用户评论数据特征,根据信息熵提取文本关键字和不平衡数据项形成特征数据。之后,使用改进的聚类数据挖掘算法对特征数据进行聚类挖掘。最后,基于Spark框架将改进的聚类数据挖掘算法进行并行化改造。设计实验验证分析所提特征提取算法与聚类挖掘算法的性能,结果表明在大数据场景下所提算法的运行时间、准确率和加速比方面优于传统算法。

RESEARCH ON SATELLITE IMAGE PROCESSING AND RECOGNITION WITH PARALLEL ALGORITHM

Using the method of mathematical morphology,this paper fulfills filtration,segmentation and extraction of morphological features of the satellite cloud image.It also gives out the relative algorithms,which is realized by parallel C programming based on Transputer networks.It has been successfully used to process the typhoon and the low tornado cloud image.And it will be used in weather forecast.

融合多重多尺度特征的高分辨率遥感影像建筑物提取网络

针对高分辨率遥感影像因复杂背景信息导致的建筑物边界、角点以及内部信息出现的错分、漏分问题,提出了一种融合多重多尺度目标特征的DPRS-Net深度学习网络。DPRS-Net采用Resnet50与Swin-T(Tiny)的并行编码结构以结合两种编码优势,进而获取特征图的大范围深层信息;利用跳跃连接降低建筑物的边界特征损失;引入特征金字塔注意力模块和密集空洞空间特征金字塔池化模块,使采样过程中的建筑物细节特征损失减弱。为验证模型的优势性、分析性能提升原因,在WHU和自建Changchun3建筑物数据集上进行对比和消融实验。结果表明,DPRS-Net在两种数据集上均取得更高的精度,提取的建筑物信息更为完整,且模型各结构均能有效提升预测效果。

嵌入注意力机制的并行多尺度点云上采样方法

目前,基于深度学习的点云上采样方法缺失对局部区域特征关联性的关注和对全局特征的多尺度提取,导致输出的密集点云存在异常值过多、细粒度不高等问题。为解决上述问题,提出了嵌入注意力机制的并行多尺度点云上采样网络(Parallel Multi-scale with Attention mechanism for Point cloud Upsampling),网络由特征提取器、特征拓展器、坐标细化器和坐标重建器4个模块级联组成。首先给定一个N×3的稀疏点云作为输入,为了获得点云的全局和局部特征信息,设计了一个嵌入注意力机制的并行多尺度特征提取模块(PMA)用于将三维空间的点云映射到高维特征空间。其次使用边缘卷积特征拓展器拓展点云特征维度,得到高维点云特征,以更好地保留点云特征的边缘信息,将高维点云特征通过坐标重建器转换回三维空间中。最后使用坐标细化器精细调整输出点云细节。在合成数据集PU1K上的对比实验结果表明,PMA-PU生成的密集点云在倒角距离(CD)、豪斯多夫距离(HD)和点面距离(P2F)上都有显著提升,分别比性能次优的网络模型优化了7.863%,21.631%,14.686%。可视化结果证明了PMA-PU具有性能更好的特征提取器,能够生成细粒度更高、形状更接近真实值的密集点云。

多路并行多尺度特征复用的遥感图像超分辨率

遥感图像内部物体尺寸小、分布不均匀、耦合程度高,针对目前遥感图像超分辨率模型特征提取信息单一且利用不足的现状,文中提出一种多路并行多尺度特征复用网络模型以改进图像重建的性能。该模型使用局部特征级联和全局特征融合的结构融合多个网络残差块提取的特征信息,其中每个残差块由两个多尺度卷积单元串行连接。多尺度卷积单元通过对特征信息进行交叉融合,构建多路并行的分支提取图像特征。同时引入短跳跃连接加强不同分支之间的特征复用,通过长跳跃连接加强网络不同深度的特征融合。当放大因子为4时,在两个测试集上该模型的峰值信噪比分别为29.6531 dB、29.0374 dB,相对于其他模型的测试结果具有明显提升,因此所提模型在遥感图像超分辨率重建上具有较好的效果。

属性关联模型下大数据集群查询仿真

在数据查询过程中,易受冗余数据、服务器异常、虚拟信息等问题的干扰,导致查询时间长、查询稳定性差等现象产生。为了解决上述问题,提出基于属性关联模型的大数据集群查询算法。采用扩展t-SNE算法对大数据集群中的数据节点做降维处理,避免冗余数据对查询过程产生干扰。将降维后的数据输入到属性关联模型中,实现大数据集群的特征提取,并将提取的特征输入到分布式并行架构中,通过查询负载量的计算完成大数据集群的查询。实验结果表明,所提算法的响应时间短,查询开销小于50Mb,且查询稳定性强。

Enhanced Answer Selection in CQA Using Multi-Dimensional Features Combination

Community Question Answering(CQA) in web forums, as a classic forum for user communication,provides a large number of high-quality useful answers in comparison with traditional question answering.Development of methods to get good, honest answers according to user questions is a challenging task in natural language processing. Many answers are not associated with the actual problem or shift the subjects,and this usually occurs in relatively long answers. In this paper, we enhance answer selection in CQA using multidimensional feature combination and similarity order. We make full use of the information in answers to questions to determine the similarity between questions and answers, and use the text-based description of the answer to determine whether it is a reasonable one. Our work includes two subtasks:(a) classifying answers as good, bad, or potentially associated with a question, and(b) answering YES/NO based on a list of all answers to a question. The experimental results show that our approach is significantly more efficient than the baseline model, and its overall ranking is relatively high in comparison with that of other models.

Multi-core based parallel computing technique for content-based image retrieval

In this paper, we propose a parallel computing technique for content-based image retrieval （CBIR） system. This technique is mainly used for single node with multi-core processor, which is different from those based on cluster or network computing architecture. Due to its specific applications （such as medical image processing） and the harsh terms of hardware resource requirement, the CBIR system has been prevented from being widely used. With the increasing volume of the image database, the widespread use of multi-core processors, and the requirement of the retrieval accuracy and speed, we need to achieve a retrieval strategy which is based on multi-core processor to make the retrieval faster and more convenient than before. Experimental results demonstrate that this parallel architecture can significantly improve the performance of retrieval system. In addition, we also propose an efficient parallel technique with the combinations of the cluster and the multi-core techniques, which is supposed to gear to the new trend of the cloud computing.

Parallel solving model for quantified boolean formula based on machine learning

A new parallel architecture for quantified boolean formula(QBF)solving was proposed,and the prediction model based on machine learning technology was proposed for how sharing knowledge affects the solving performance in QBF parallel solving system,and the experimental evaluation scheme was also designed.It shows that the characterization factor of clause and cube influence the solving performance markedly in our experiment.At the same time,the heuristic machine learning algorithm was applied,support vector machine was chosen to predict the performance of QBF parallel solving system based on clause sharing and cube sharing.The relative error of accuracy for prediction can be controlled in a reasonable range of 20%30%.The results show the important and complex role that knowledge sharing plays in any modern parallel solver.It shows that the parallel solver with machine learning reduces the quantity of knowledge sharing about 30%and saving computational resource but does not reduce the performance of solving system.

金属表面缺陷检测方法YOLOv3I

提出一种金属表面缺陷检测方法的改进模型.首先,基于YOLOv3(you only look once v3)目标检测模型,使用多尺度卷积并行结构,提取、融合多尺度特征;其次,使用高效下采样,在保留特征信息的同时减少特征升维的计算量;最后,使用空间可分离卷积,在保持感受野不变的前提下增加模型的宽度与深度,从而得到模型参数量减少、同时提升了模型性能的改进模型YOLOv3I(you only look once v3 inception).改进模型提高了对复杂缺陷的特征提取能力,并进一步降低了对硬件配置的要求.实验结果表明,改进模型在精度与计算效率上均有明显提升.平均准确率在公开数据集上约提高5%,在企业提供的轴承数据集上约提高3%,模型参数量下降超过20%,两个数据集上模型浮点计算量分别减少1.6×10^(9)和1.2×10^(10)次.

基于GPU并行算法的景观斑块周长模拟测量仿真

针对景观斑块周长模拟测量过程中收敛速度较慢的问题,提出基于GPU并行算法的景观斑块周长模拟测量方法。通过航拍技术采集景观斑块航拍图像,利用纠偏处理过程与高斯滤波处理过程对景观斑块航拍图像进行预处理。将景观斑块航拍图像输入GPU内,通过计算机GPU片段程序构建景观斑块航拍图像的高斯差分金字塔模型,并行运算过程提取景观斑块航拍图像特征点,确定景观斑块航拍图像中景观斑块的边界线。以边界线为基础,计算景观斑块周长。仿真测试结果显示,上述方法特征点提取过程中横轴与纵轴误差完全收敛时间分别为2.12s和1.80s,周长测量绝对误差与相对误差分别控制在0.60m和1.00%以下。

基于并行卷积神经网络和特征融合的小样本轴承故障诊断方法

在风力发电机轴承故障诊断过程中,基于深度学习的故障诊断方法受限于有限的标注样本,存在模型收敛困难和识别准确率较低等问题,为此,提出了一种基于并行卷积神经网络(P-CNN)和特征融合的小样本风机轴承故障诊断方法。首先,采用集合经验模态分解(EEMD)方法,将轴承的原始振动信号分解为若干个本征模态函数(IMF)分量以及残余分量;然后,分别对其进行了短时傅里叶变换(STFT),将其转换为时频特征图,同时构建了多个相同的卷积神经网络分支,以此作为特征提取器;最后,在融合层中,将提取到的时频域特征进行了通道特征融合,作为最终分类器的输入数据,对风机轴承进行了故障识别;并采用美国凯斯西储大学不同大小的轴承数据集,对该方法的适用性和有效性进行了验证。研究结果表明:在仅含有160个样本时,基于并行卷积神经网络(P-CNN)和特征融合的诊断方法的平均准确率高达94.5%;与支持向量机(SVM)、故障网络(FaultNet)、第一层宽卷积核深度卷积神经网络(WDCNN)相比,该诊断方法具有更高的准确率和更强的鲁棒性。

融合Swin-Transformer网络模型的水体高光区域提取

在强光的照射下,水体的镜面反射往往会对遥感影像产生很大影响,其主要表现就是在图像上产生大小不同、形状各异的亮斑。这些亮斑附近的地物信息基本上都被淹没,对后期的影像分析会造成不同程度的影响,因此对这些亮斑的检测识别就显得尤为重要。文章以DeeplabV3plus为主要网络,提出一种融合Swin-Transformer模块的网络模型。该模型将Swin-Transformer网络作为一个模块与卷积骨干网络并行提取特征。提取出的两类特征经上采样后进行特征融合,再经多次卷积等实现了水体亮斑的识别与分割。实验结果表明,该模型能够对不同类型、不同形状的水体亮斑进行识别分割,其平均交并比为93.44%。

基于并行网络多尺度特征融合的轴承故障诊断

针对健康带标签的滚动轴承故障数据稀少的问题,提出了一种基于并行卷积神经网络(CNN)多尺度特征融合的轴承故障诊断方法。首先,采用不同的轴承振动数据,获取对轴承数据的不同视角表达,分别作为并行CNN的输入;其次,用ImageNet数据集对VGG16网络进行预训练,并用带标签的轴承故障数据对预训练后的VGG16网络进行微调,取微调后的VGG16网络作为特征提取器,分别提取不同视角故障数据中的中间特征;最后,设计特征融合模块,通过多尺度特征融合得到高层次故障特征,并用高层次故障特征训练分类模块,实现轴承的故障诊断。经过实验验证,所提出的算法可以对轴承故障数据进行更全面的挖掘,最终获得更高的诊断准确率。

多访问并行特征提取下大数据准确推荐仿真

大数据具有数据量大、数据类型众多的特点,由于用户行为的复杂性,导致大数据推荐的精度降低。为了提升大数据推荐结果的准确性,提出一种基于多访问并行特征提取的大数据推荐算法。通过爬虫技术在访问网站和分类目录网站获取网站分类标签库,识别上网终端搭载的操作系统。分析历史访问行为和兴趣网站之间的关系,根据经验提取用户访问行为特征,采用RNN提取序列特征。通过BiasSVD模型简化矩阵维度,获取目标用户预测评分,利用聚类用户最近邻的真实评分和预测评分之间的平均差值调整目标预测评分,完成大数据推荐。实验结果表明,所提算法在推荐列表为12时,其覆盖率为75%~98%之间,且提高了加速比,全面验证了所提算法的优越性。

一种基于Star算法的多路视频稳像方法研究

目前,基于特征点匹配的稳像算法中存在特征点提取速度慢、误匹配率高,以及多目相机的多路视频稳像太过耗时、实时性不好的问题,提出了一种基于Star特征点提取算法的多路视频快速稳像方法。首先采用Star算法提取视频当前帧特征点,然后采用光流法结合当前帧特征点信息跟踪预测下一帧对应的特征点,以加快特征点提取速度,同时减少所提取的特征点错误匹配率。通过对匹配的特征点求取相应的仿射变换矩阵获取帧间运动矢量,进而采用卡尔曼滤波器对帧间运动矢量进行滤波处理,以滤除其中的相机随机抖动矢量并保留相机的主观运动矢量。最后依据滤波后的运动矢量进行图像补偿得到稳定的图像序列。针对复眼导引头存在的多路视频抖动情况,基于OpenMP并行开发库,利用多核处理器的优势,实现了多路抖动视频的并行实时稳像。所设计的数字稳像算法在PC平台下对4路抖动视频(OTB100的BlurCar系列视频,分辨率为640×480,帧率为30 FPS)并行稳像的结果参数为:峰值信噪比(Peak Signal-to-Noise Ratio,PPSNR)平均提升了4.62 dB,单帧耗时平均为14.51 ms。经仿真实验证实,算法的计算效率和特征点匹配正确率高,可实现多路输入视频的实时稳像。

面向三维重建的无人机影像并行处理技术

为提升三维重建任务的执行速度,解决行业现实应用对时效性的需求,提出一种无人机影像并行处理与特征提取算法,基于CPU与GPU两种计算架构在三维重建的两个阶段并行加速处理。一是基于CPU的并行处理策略,针对多核处理器采用OpenMP多线程机制,对无人机影像进行并行加载,为后续处理提供高效数据源;二是基于GPU的并行处理策略,通过改进SIFTGPU算法在GPU上以并行方式对图像进行特征提取,为快速重建提供特征输入。真实数据的实验结果表明,与现有算法相比,在图像处理速度上提升了2倍,特征点数量提升了4倍的同时,提取速度提升了11倍。

火焰图像的张量平行因子分析识别法

火焰燃烧状态的正确识别与控制是维持稳定燃烧的前提条件,现存识别方法智能化化水平低、主观性强、燃烧状态识别困难,为了提高识别的准确性,提出了一种基于张量分解的火焰图像识别方法。该方法根据RGB颜色空间模型中火焰像素的分布特点,将图像序列升维构造成三维张量,并在此基础上使用平行因子分析法对火焰图像进行识别。分析结果表明:相对于传统单张火焰图像的区域识别和特征融合方法,对火焰图像构成张量直接进行分解,不仅能找到火焰图像序列之间的联系,而且能够更大程度上保留信息,提高图像识别精度,并与理论值进行比较,计算后平均误差在0.5%内,准确率达到99.5%以上,为连续火焰图像的识别提供了有效的方法。

火焰图像的张量平行因子分析识别法

正确识别火焰燃烧状态是维持稳定燃烧的前提条件,而现存方法智能化水平低、主观性强、燃烧状态识别困难。为提高识别的准确性,提出一种基于张量分解的火焰图像识别方法。根据RGB颜色空间模型中的火焰像素的分布特点,将图像序列升维构造成三维张量,并在此基础上使用平行因子分析法对火焰图像进行识别。分析结果表明:相对于传统单张火焰图像的区域识别和特征融合方法,对火焰图像构成张量直接进行分解不仅能找到火焰图像序列之间的联系,而且能更大程度上保留信息,提高图像识别精度。与理论值进行比较分析后发现,采用新方法后的平均误差在0.5%内,准确率达到99.5%以上,可为连续火焰图像的识别提供参考。