新工科背景下电子信息工程专业人才培养研究

通过分析电子信息工程专业的培养目标以及该专业的人才需求,从理论体系、实践体系构建等方面对电子信息工程专业人才培养进行探索和思考,并结合该校办学定位、特色和过去多年的教学模式改革以及取得的一些成果,探讨在新工科背景下未来电子信息工程专业人才培养的新途径。

基于自编码的高光谱图像波段加权分类网络研究

高光谱图像(HSI)具有高维度的光谱波段信息,但也包含许多冗余光谱波段.在进行高光谱图像分类时,不同波段对分类任务的贡献存在差异性.为了高效利用光谱波段中的特征信息,提出一种新的编解码波段加权网络(EBW).该网络利用注意机制,根据不同波段对分类性能的贡献自适应地进行波段加权,从而提高输入数据中光谱信息的有效性.在EBW中,首先获取输入HSI的光谱波段信息,再利用自编码器提取的波段相关性和深度特征生成波段权重;然后对输入HSI的光谱波段进行加权;最后将加权后的图片输入到分类网络中得出预测结果.在PaviaU和Salinas数据集上的实验结果表明,与现有基于深度学习的加权方法相比,该方法具有更好的分类性能.

基于YOLOv3的磁瓦表面缺陷检测算法

由于磁瓦缺陷本身对比度、不同缺陷特征不尽相同等原因,传统缺陷检测算法检测效果较差。针对不同缺陷特征的磁瓦缺陷检测的问题,提出了一种基于YOLOv3的磁瓦缺陷检测方法。YOLOv3借鉴Resnet的残差结构可以很轻松的构建更深的卷积网络,更深的网络可以更好地表达磁瓦缺陷的特征。同时其类似FPN的特征融合思想,可以较好地保证小缺陷样本不会出现特征丢失的情况。基于以上优点,YOLOv3很适合应用于缺陷检测。实验结果表明,该方法在检测效果上不差于基于Resnet101的FasterR-CNN的方法,而且其平均检测速度快5倍以上。

基于生成对抗网络的浮选加药过程建模

针对矿物浮选过程中浮选药剂添加量与泡沫图像特征之间关系复杂且难以准确建模的问题,提出一种基于生成对抗网络的浮选加药过程智能建模方法.利用生成对抗网络的样本对抗思想,通过判别器计算加药过程中泡沫图像变化前后的特征差异,生成器学习到不同药剂添加量情况下的泡沫图像特征.利用工业现场采集的浮选加药数据进行实验验证,结果表明,所提浮选加药过程建模方法能够有效构建加药量和泡沫图像之间的关系,在不同工况下模型得到的加药后泡沫图像特征均与实际的加药后泡沫图像一致.

基于深度迁移学习的前列腺癌细胞分类

前列腺癌是我国发病率增长最快的癌症之一.高效准确的前列腺癌细胞分析方法研究是生物医学、临床诊断等领域的热点问题.目前,直肠指诊法、经直肠超声检查法、特异性抗原测定法等前列腺癌早期诊断方法需专业人员操作、荧光标记且耗时耗力.针对以上问题,采用正交偏振衍射成像流式细胞仪实验系统,使用相干线性激光束照射细胞,由显微物镜收集散射光并经相机采集获得前列腺细胞的衍射图像.由于前列腺细胞衍射图像较难获取,实验中使用的前列腺细胞数据集样本数量较少.提出一种基于迁移学习的细胞残差卷积神经网络的前列腺细胞分类方法.该免标记检测方法通过迁移学习可以在其他训练收敛的网络模型上进行微调,进而得到可有效分析前列腺细胞特征的参数,从而实现对前列腺细胞的免标记精准分类,分类准确率为96.19%.

基于单片机的车内儿童安全分级告警系统设计

针对高温天气下儿童长时间被误锁车内而发生危险的情况,设计一款车内儿童安全分级告警系统。系统以STM32F407VET6单片机为核心,采用高冗余度的多传感器融合检测方法。当检测到车辆驻车停止,系统自动启动车内人体检测和车内环境危险度检测,通过设置的多个传感器获取车内信息,单片机对各个传感器数据进行分析和综合判定,最终做出分级决策,并触发分级告警系统,通过GPRS远程警示模块和本地声光告警模块进行分级预警,从而给用户提供安全的用车需求。实验结果证明该系统具有良好的工作稳定性和可靠性,具备较好的实际应用价值。

基于大气散射模型和Retinex理论的雾霾图像清晰化算法

根据大气散射模型,提出一种基于Retinex理论的单幅雾霾图像清晰化算法。该算法首先将降质图像转换至hsv色彩空间,然后针对亮度通道调整大气散射模型表达式,使用基于双边滤波的Retinex算法提高图像对比度,并进行图像饱和度的指数调整,最后组合各通道处理结果获得清晰化图像。实验结果表明该方法能增强雾天图像对比度,达到图像去雾的目的。

基于改进Retinex算法的低照度图像增强方法

针对低照度图像处理时的halo边缘问题和噪声干扰,提出一种基于组合滤波和自适应噪声消除的改进Retinex算法。该算法首先采用保边的组合滤波估计亮度图像,然后恢复反射图像时,定义一个包含保真项和正则项的能量函数,通过平滑权重系数控制平滑强度,使得抑制噪声的同时能够保持图像的细节信息。实验结果表明,提出的算法能够很好保持边缘,抑制噪声的干扰,达到增强低照度图像的目的。

面向工程实践的“数字图像处理”课程教学改革

传统“数字图像处理”课程教学注重理论讲解,新工科背景下,大学生实践创新能力培养被提升到一个新高度,对教学模式和教学方法提出更高要求。探索从教学内容,教学方法,考核模式等方面开展“数字图像处理”课程改革,以期让学生更好地掌握“数字图像处理”的基本理论知识,提高编程技巧,提升解决工程问题的实践创新能力。

基于改进DeepLabv3+的快速烟雾图像分割方法

针对烟雾图像分割算法分割速度、精度二者难以平衡的问题,提出一种改进DeepLabv3+的快速烟雾图像分割算法。在所提算法中,用STDCNet(Short-Term Dense Concatenate Network)作为骨架网络,保证性能的同时减少模型推理时间和内存开销;提出改进空洞金字塔池化(Simplify-Atrous Spatial Pyramid Pooling,S-ASPP)模块,以较低计算复杂度和内存开销维持信息利用率和烟雾特征的关联性,保证烟雾分割性能;引入边界监督模块引导模型对边界的学习,强化网络对边界的分割能力。测试结果表明,所提算法以110 Hz的帧率在测试集上实现71.54%烟雾交并比,相比于基础的DeepLabv3+,该算法的模型测试得到的烟雾交并比略低,但速度比基础的DeepLabv3+快220%,且模型大小仅为其34.07%。该算法取得了准确率与速率之间的平衡,具有一定的应用价值。

基于卷积神经网络的视频监控人脸识别方法

视频监控中的人脸识别算法主要包含人脸检测、预处理、特征提取和特征匹配(人脸识别)4个部分,其中最重要的是人脸检测和特征匹配。视频监控图像中的人脸可能有多姿态、多尺度和局部遮挡等问题,对人脸的提取和识别有较大影响。采用基于Haar特征的AdaBoost算法实时检测出视频中的人脸区域,获取人脸图像,通过卷积神经网络(CNN)训练得到人脸图像的深层特征,进而进行人脸识别。实验结果表明:该方法可以满足识别准确率和实时检测的要求,对视频图像中光照变化、姿态变化、尺度变化和局部遮挡等问题具有较好的鲁棒性。

基于自适应变量加权的汽油辛烷值预测方法

针对汽油精制过程中控制变量之间非线性和强耦联性,产品汽油中辛烷值难以测定的问题,提出一种基于自适应变量加权的汽油辛烷值预测方法.首先,利用一种新颖的变量加权模块捕获变量之间的相关性获取变量权重,通过自适应变量加权的方式提升主要变量的重要性,抑制其他次要变量的作用;然后,考虑到汽油脱硫过程对辛烷值的影响,输入加权激活后的变量到辛烷值预测模块,模型同时输出辛烷值和硫含量的预测结果;最后,基于工业数据进行模型验证,结果表明,与无变量加权模块的神经网络预测方法,基于随机森林的神经网络预测方法和基于变量加权堆叠自编码器的预测方法相比较,所提出的自适应变量加权汽油辛烷值预测方法具有更高的预测精度,可以用来优化汽油精制过程的操作条件.