基于改进Mask R-CNN的变电设备红外图像实例分割算法

红外图像中变电设备的分割精度直接影响着故障诊断的结果，针对复杂红外背景下变电设备边缘分割不精细、分割精度低的问题，提出了一种基于改进Mask R-CNN模型的变电设备红外图像分割方法。首先将ResNet特征提取网络中部分残差模块的标准卷积替换为可变形卷积，然后对空间注意力机制模块和通道注意力机制模块并行连接，并在这两个模块中加入可变形卷积，最后改进Mask R-CNN掩膜分支的损失函数，对目标边缘分割的精细度进一步优化。该方法能够有效提高模型对红外图像中变电设备几何特征多样性的适应能力，并减轻模型对背景等干扰特征的关注。在变电设备红外图像数据集上进行实验，结果表明，相比于Mask R-CNN基准模型，该方法的AP_50:95、AP₅₀和AP₇₅提高了3.5%、1.0%、4.2%,表明该方法能够显著提高红外图像中变电设备实例分割的准确率，有效解决边缘分割不精细的问题。     

基于形状先验与轮廓预定位的目标分割

针对单帧图像中特定目标的分割一直面临着由于背景复杂和光照变化等因素带来的分割精度偏低的问题,提出一种基于轮廓预定位的先验局部二值拟合(local binary fitting,LBF)算法,用于人体上肢图像的分割.首先,利用浅层卷积神经网络对上肢形状模板进行筛选和预定位,得到分割目标的粗轮廓曲线;然后,利用基于先验形状的LBF算法对粗轮廓曲线进行演化,得到分割目标的精确轮廓曲线.实验结果显示算法的成功率在90%以上,表明该方法对于背景复杂和光照变化情况下的特定目标分割具有良好的效果.     

基于ViBe算法运动特征的关键帧提取算法

针对视频关键帧提取算法中运动类视频运动目标特征不易提取所造成的错选和漏选问题,提出一种基于背景建模(visual background extractor, ViBe)算法的前景运动目标特征提取的关键帧提取算法。通过ViBe算法对视频序列进行前景目标检测,提取前景运动目标的尺度不变特征变换(scale invariant feature transform, SIFT)特征,并对相邻帧之间的特征数据进行特征点匹配,根据定义的公式计算视频帧的相似度,然后根据提出的关键帧判别方法输出视频的关键帧。试验结果表明,该算法能较好的解决运动类视频关键帧提取中出现的漏选和错选问题,与基于SIFT分布直方图的算法相比,其查准率和查全率的综合指标F₁值有较好提高。因此该算法对于判别运动类视频中包含关键动作的关键帧具有较好的检测效果。     

基于注意力机制和稠密卷积的视网膜微血管分割算法

为了解决糖尿病性视网膜病变诊断难、各地评判标准不统一的问题,提出了基于注意力机制和稠密卷积的视网膜微血管分割算法,即通过图像分割技术来辅助诊断,既减轻了工作量,又能保证准确率.以LadderNet为基础网络,为了更加突出微血管信息,加入注意力机制,使微血管的特征信息更加完整、准确地保留下来.使用稠密卷积在增强特征信息传递的同时减少参数数量,进一步提升图像分割性能.该算法具有更好的分割性能,能够更好地完成视网膜微血管分割任务.     

一种改进卷积神经网络的教学图像检索方法

针对卷积神经网络在提取图像特征时所造成的特征信息损失以及降低高维度图像特征数据等问题,提出了一种改进卷积神经网络的图像检索优化方法。该方法首先利用融合的卷积层提取图像特征,并在融合的卷积层之间添加全连接层以减少特征信息的丢失;然后采用主成分分析法对高维的特征数据进行有效的降维处理;最后采用余弦相似度的方法进行相似度匹配,以实现相似图像的检索。采用当前经典的LeNet-L、LeNet-5等方法同文中方法在图像检索性能评价指标上进行对比实验。实验结果表明,所提出的检索方法比文中其他检索方法在查全率和平均查准率方面提高了3%27.3%。     

基于更快区域卷积神经网络的多视角船舶识别

针对在复杂海洋环境下采集船舶多视角图像难度大、不同视角下船舶外观差异显著的问题，本文以自制的不同类型的多艘船舶的多视角图像为数据集训练更快区域卷积神经网络模型，利用平均F₁分数、平均精度和平均误检率作为评价指标评估更快区域卷积神经网络模型对不同视角船舶的识别性能，并通过识别不同船舶的F₁分数和误检率分析更快区域卷积神经网络对不同质量、背景图像的识别能力。实验结果表明，更快区域卷积神经网络识别多角度船舶的平均F₁分数为0.696 9，平均精度为92.88%，平均误检率为8.34%，即更快区域卷积神经网络对多视角船舶有较高的识别能力，但对于有雾或昏暗环境下的低像素图像识别能力明显下降。     

一种基于内容的文档图像检索方法

使用一个图像作为查询检索输入,根据该图像的版面分析特征、统计特征、纹理特征与数据库中图像的相似程度检索图像.该检索方法首先利用数学形态学对文档图像进行段落分割和行分割,作为文档图像的版面结构特征;然后根据图像的统计特征包括字符数、统计数特征、纹理特征给出文档图像抽取算法;最后给出检索算法模型.实验结果表明,本算法具有较好的查准率和查全率,在基于内容的文档图像检索中具有应用价值.     

基于YOLO算法的车辆实时检测

目前,基于机器视觉的车辆检测算法存在检测速度较慢的问题。针对该问题,提出一种基于YOLO算法的车辆实时检测方法。YOLO检测算法的基本模型由卷积层,池化层以及全连接层组成,具有强鲁棒性以及能够快速完成车辆检测任务。选择交通监控视频作为数据集进行车辆检测试验。结果表明,YOLO检测算法的查准率为89.3%,查全率为81.0%,检测速度达到60f/s,基本满足交通监控中车辆检测的实时性需求,说明该方法合理可行。运用该方法与2种不同的检测算法进行对比分析,得出YOLO算法的检测速度最快。     

基于全卷积神经网络复杂场景的车辆分割研究

针对目前存在的复杂交通场景中车辆分割精度不足的问题,本文提出了一种基于全卷积神经网络对图像中车辆进行分割的方法。在VGG16Net基础上,将全连接层改为卷积层,为获得更精细的边缘分类结果,减少了部分卷积层,并融合浅层和深层特征,同时,为提高交通环境下车辆的分割精度,减少其他类别目标的干扰,将对车辆目标的分割问题改为基于像素的二分类问题,为提高网络的训练速度,采用Adam优化算法对网络进行训练。实验结果表明,与现有的全卷积神经网络分割效果相比,该网络对复杂交通场景下的车辆分割精度明显提高。该研究在智能交通方面具有较好的应用前景。     

基于多重多尺度融合注意力网络的建筑物提取

针对全卷积神经网络模型在进行建筑物提取时易产生过度分割以及内部空洞的问题,提出基于多重多尺度融合注意力网络（MMFA-Net）的高分辨率遥感影像建筑物提取方法. 该方法以U-Net为主体架构,设计2个模块：多重高效通道注意力（MECA）和多尺度特征融合注意力（MFA）. MECA设计在模型跳跃连接中,通过权重配比强化有效特征信息,避免注意力向无效特征的过渡分配;采用多重特征提取,减少有效特征的损失. MFA被嵌入模型底部,结合并行连续中小尺度空洞卷积与通道注意力,获得不同的空间特征与光谱维度特征,缓解空洞卷积造成的大型建筑物像素缺失问题. MMFA-Net通过融合MECA和MFA,提高了建筑物提取结果的完整度和精确率. 将模型在WHU、Massachusetts和自绘建筑物数据集上进行验证,在定量评价方面优于其他5种对比方法,F₁分数和IoU分别达到93.33%、87.50%;85.38%、74.49%和88.46%、79.31%.     

基于空洞卷积块架构的命名实体识别模型

受到空洞卷积的启发提出面向二维文本嵌入的列式空洞卷积,设计空洞卷积块架构,基于此架构提出命名实体识别模型并开展进一步试验。在命名实体识别试验中,提出的模型的精密度、召回率和F₁超越了其他基线模型,分别达到了0.918 7、0.879 4和0.898 6,表明空洞卷积块架构能够获取包含更多上下文信息的文本特征,从而支持模型对上下文长距离依赖特征的捕获和处理。感受野试验表明需要适当调整空洞率以减轻空洞卷积给模型带来的“网格效应”。提出的基于空洞卷积块架构能有效执行命名实体识别任务。     

基于改进互信息的微博新情感词提取

针对微博新词的情感倾向分析问题,提出了一种改进互信息的微博新情感词提取方法.首先,对预处理后的微博数据进行N元切分,以此得到候选字串; 然后,通过计算多字互信息(multiword mutual information,MMI)和左右侧邻接熵对候选字串进行扩展和过滤得到候选新词,再将候选新词与相应词典进行对比得到新词; 最后,通过词间情感相似度(sentiment similarity between the words,SW)计算出新词的情感倾向值,从而得到新情感词.实验结果显示,该方法对新词情感倾向识别的准确率、召回率和F1值比文献[4]方法分别提高了13.14%、5.81%和8.59%,因此该方法具有很好的应用价值.     

改进PSO-BP神经网络对尾矿坝地下水位的预测方法

为解决传统算法收敛速度慢、精度低的问题,提出一种改进粒子群算法(improved particle swarm optimization, IPSO),通过在寻优过程中动态调整惯性因子ω和加速因子c₁和c₂,提高算法的寻优效率;利用改进算法优化BP(back propagation)网络的权值和阈值,建立尾矿坝地下水位预测模型,结合实例数据对预测模型进行验证。研究结果表明,改进算法的收敛速度得到改善,预测模型对坝体地下水位的预测精度得到提高。     

改进PSO-BP神经网络对尾矿坝地下水位的预测方法

为解决传统算法收敛速度慢、精度低的问题,提出一种改进粒子群算法(improved particle swarm optimization, IPSO),通过在寻优过程中动态调整惯性因子ω和加速因子c₁和c₂,提高算法的寻优效率;利用改进算法优化BP(back propagation)网络的权值和阈值,建立尾矿坝地下水位预测模型,结合实例数据对预测模型进行验证。研究结果表明,改进算法的收敛速度得到改善,预测模型对坝体地下水位的预测精度得到提高。     

基于L1范数和最小软阈值均方的目标跟踪算法

基于传统稀疏表示的目标跟踪算法无法解决跟踪过程出现的遮挡及运动模糊等问题,提出一种基于L₁范数和最小软阈值均方的目标跟踪算法。首先用主成分分析(principal component analysis, PCA)基向量建模跟踪目标的表观变化,同时对表示系数进行L₁范数约束;其次对误差项采用最小软阈值方法进行显示求解,同时对观测模型的更新上考虑跟踪目标的遮挡因素;最后在贝叶斯框架下搭建目标跟踪算法。在14个具有挑战性的跟踪视频上的试验结果表明:与其他算法相比,本研究能够克服跟踪过程中遮挡、角度变化、尺度变化、光照变化等影响跟踪性能的因素,具有较高的平均覆盖率和较低的平均中心点误差。     

基于深度卷积神经网络的睡眠分期模型

针对现阶段数据和特征决定睡眠分期模型的分类精度上限的问题,提出深度卷积神经网络模型. 在模型主体构建方面,并行卷积网络可以自动学习原始信号的时域特征和频域特征,特征融合网络通过空洞卷积和残差连接进行多特征融合,分类网络基于融合后的特征进行睡眠分期. 利用生成少数类过采样技术（SMOTE）减少类别不平衡对分类效果的影响,结合两步训练法对模型进行优化. 实验使用Sleep-EDF数据集的原始单导脑电信号（Fpz-Cz通道）对模型进行20折交叉验证,得到总体精度和宏F₁分别为86.73%和81.70%. 提出的深度卷积模型在没有任何先验知识的情况下,对脑电信号进行端到端的学习,分类准确率优于传统的深度学习模型.     

Effect of annealing time on the exchange coupling interactions and microstructure of nanocomposite Pr7.5Dy1Fe71Co15Nb1B4.5 ribbons

The influence of annealing time on the magnetic properties and microstructure of nanocomposite Pr7.5Dy1Fe71Co15Nb1B4.5 ribbons was systematically investigated by the methods of vibrating sample magnetometer (VSM), X-ray diffraction (XRD) and high resolution transmission electron microscopy (HRTEM). Interaction domains derived from strong exchange coupling interactions between hard and soft magnetic grains were imaged using magnetic force microscopy (MFM). Maximum remanence, intrinsic coercivity, and maximum energy product values were obtained in the ribbons annealed at 700℃ for 15 min, which were composed of Pr2(Fe, Co)14B, α-(Fe, Co), and slight Pr2(Fe, Co)17 phases. Although Jr, Hci, and (BH)max decreased gradually with further increase of annealing time, it is emphasized that comparatively high Jr and Hci and (BH)max were obtained in a wide annealing time period of 15 to 360 min. The shape of initial magnetization curves and hysteresis loops change as a function of annealing time, indicating different magnetization reversal routes, which can be fully explained by the corresponding microstructure.     

融合残差块注意力机制和生成对抗网络的海马体分割

研究一种基于改进的生成对抗网络的深度学习方法对海马体进行分割。提出不同的卷积配置,以捕获由分割网络获得的信息。提出以Pixel2Pixel为基本架构的生成对抗网络模型,生成模型结合残差网络以及注意力机制的编解码结构以捕获更多细节信息。判别网络采用卷积神经网络对生成模型的分割结果和专家分割结果进行判别。经过生成模型和对抗模型不断地传递其损失,使生成模型达到分割海马体的最优状态。使用来自ADNI数据集130名健康受试者的T1加权MRI扫描和相关海马标签作为训练和测试数据,以相似度系数作为评价指标,准确率达到89.46%。试验结果表明,该网络模型可以实现高效地自动分割海马体,对于阿尔茨海默症等疾病的正确诊断具有重要的现实意义。