基于AI智能卡的中小学智慧校园系统的构建与研究

为了提高中小学智慧校园管理水平,充分发挥信息化、智能化技术手段在中小学智慧校园建设中的作用,研究了基于AI智能卡的中小学智慧校园系统的构建。本研究系统采用结构化模块的设计思想,利用4G、5G通讯技术、AI语音技术、RFID无线射频技术、物联网技术、WIFI+GPS+基站定位技术、云存储、大数据服务平台等技术来构建高科技系统。它能实现通话、远距离非接触式考勤、WIFI+GPS+基站定位、进校休眠、紧急求救、到离校通知、在线教育、在线作业辅导等功能。本系统的构建必将在教育信息化2.0背景下为加强中小学校园管理发挥重要的作用。     

基于双注意力3D-UNet的肺结节分割网络模型

为提高计算机辅助诊断系统对大尺寸肺结节分割的完整度以及小尺寸肺结节的分割精度,构建双注意力3D-UNet肺结节分割网络模型。将传统3D-UNet网络中的上采样操作替换为DUpsampling结构,通过最小化特征图的像素点与被压缩标签图像之间的损失,得到更具表达能力的特征图,进而提高网络收敛速度。在此基础上,融入空间注意力模块和通道注意力模块,使单通道与多通道中相似的特征彼此相关,增加特征图的全局相关性以提高分割结果的精度。实验结果表明,与3D-UNet等方法相比,该模型有效提高了肺结节分割的准确率,在公共数据集LIDC-IDRI上的MIoU分数达到89.4%。     

基于密集Inception的单图像超分辨率重建方法

近几年,基于卷积神经网络（CNN）的单图像超分辨率（SR）重建方法成为了主流。通常情况下,重建模型的网络层数越深,提取的特征越多,重建效果越好;然而随着网络层数的加深,不仅会出现梯度消失的问题,还会显著增加参数量,增加训练的难度。针对以上问题,提出了一种基于密集Inception的单图像SR重建方法。该方法引入Inception-残差网络（Inception-ResNet）结构提取图像特征,全局采用简化后的密集网络,且仅构建每一个模块输出到重建层的路径,从而避免产生冗余数据来增加计算量。在放大倍数为4时,采用数据集Set5测试模型性能,结果显示与超深卷积神经网络的图像超分辨率（VDSR）相比,所提方法的结构相似性（SSIM）高了0.013 6;与基于多尺度残差网络的图像SR（MSRN）相比,SSIM高了0.002 9,模型参数量少了78%。实验结果表明,所提方法在保证模型的深度和宽度的情况下,显著减少了参数量,从而降低了训练的难度,而且取得了比对比方法更好的峰值信噪比（PSNR）和SSIM。     

基于轻量级OpenPose改进的幻影机手势交互系统

目前人机交互方式多以键盘鼠标为主,而基于深度学习手势识别的交互方式算法准确率不高,且实时性和系统稳定性均有待提升。提出一种新颖的针对轻量级OpenPose进行改进的幻影机手势交互系统。采用轻量级OpenPose将人手简化建模为21个关键点,以MobileNetV1作为基础模型,应用部分亲和域（Part Affinity Fields,PAF）方法实现人手关键点的检测并画出简化骨骼图。为进一步提升人机交互系统的实时性,采用幻影模块（Ghost Module）对卷积层进行降维,用更少的硬件资源取得同样的识别效果。最后搭建验证环境,根据画出的人手骨骼图进行模式匹配,根据匹配识别结果生成交互控制指令,经由蓝牙通讯将指令传送至Arduino UNO平台控制小车实现交互响应。经过初步训练后,该系统在COCO2017验证集上能实现58.7%的准确率,保持了原始OpenPose网络和轻量OpenPose网络的人手关键点识别效果,在家用PC机上可实现每秒32~36帧的识别速率和较高的手势识别率。     

多尺度特征融合的脊柱X线图像分割方法

为了精确地从X线图像中分割脊柱,提出了一种基于深度学习的脊柱X线图像分割方法,使用基于多尺度特征融合的U-Net网络进行分割。将U-Net模型中的卷积层替换成类Inception网络来提取不同尺度的特征,并进行多尺度融合。同时在跳跃连接前增加残差连接层,并在首次上采样前添加卷积块注意力模块。该模型对20幅脊柱X线图像进行验证,Dice系数为0.845 7,与近期X线脊柱图像分割方法相比,提高了0.135 1。     

便携式雷达电源检测维修系统设计

针对某大型相控阵雷达装备电源系统维修过程中型号多、数量大、维修周期长、检测维修难的问题,设计了一种便携式电源检测维修系统;该系统由FPGA核心板、数据采集板、ePC-K70-Lite-L一体化模组组成,集成维修人员故障维修经验,通过数据处理及故障诊断软件分析采集的电源数据,最终实现对多种类电源故障的快速检测维修;该系统可对该型雷达3大类13种电源实现在线控制、参数读取和赋值,最多同时可对7组电源参数实现在线检测,测试时间由5分钟缩短到10秒内,电源检测准确率达99 ％以上,不依靠外接电源可连续工作达5小时以上;本系统投入使用4年以来,运行稳定、易于操作维护,检测维修多种类电源达800余次,极大提高了装备的自主保障能力和维修效率,提升了装备的任务执行成功率.     

融合共现推理的Faster R-CNN输电线路金具检测

为促进目标检测模型与电力领域业务知识有机融合,缓解金具样本间长尾分布问题,有效提升输电线路金具的自动化检测效果,提出了融合共现推理的Faster R-CNN(faster region-based convolutional neural network)输电线路金具检测模型。首先,深入研究输电线路金具结构化组合规则,通过数据驱动的方式以条件概率对金具目标间的共现连接关系进行有效表达;然后,结合图学习方法,利用学习并映射的共现概率关联作为共现图邻接矩阵,使用基线模型(Faster R-CNN)提取的特征向量作为图推理输入特征,以自学习的变换矩阵作为共现图传播权重,完成图信息传播并实现有效的共现推理模型嵌入。实验证明,融合共现推理模块的Faster R-CNN模型较原始模型提升了6.56%的准确率,对于长尾分布样本中数量较少的金具性能提升尤其显著。     

水下盾构隧道地震液化数值分析

砂土地震液化会造成地基失效和结构受损,因此场地液化判别至关重要。国内外规范中的液化判别方法简单实用,但均存在局限性。为更准确、全面地进行场地液化判别,利用三维有限差分程序FLAC^3D,结合孟加拉卡纳普里河底盾构隧道项目,对典型钻孔位置土层的抗震液化特性进行数值分析。利用FLAC^3D中的FINN模块建立土层三维模型,在重力平衡和水压力平衡后施加合理的地震波,进行动力计算,计算模型每个单元在计算过程中的最大超孔压比,若最大超孔压比=1,则该位置土体发生液化;若最大超孔压比<1,则该位置土体不会液化。计算后,部分土体的最大超孔压比=1,其他范围土体的最大超孔压比均<1。研究表明该地区土层会发生地震液化,且不同位置处液化深度不同、液化范围也不同,该数值分析液化判别结果与规范法判别结果一致。     

Research on COB De-embedding in Scattering Parameter Measurement

The popular radio frequency (RF) chip on board (COB) test has gradually taken the place of on-wafer test due to the high efficiency and high power. This paper presents the extended Open-Short-Load (OSL) that is one-port calibration method to verify the error model de-embedding in S parameter measurement. Three-level cascade structure on COBs system error model is proposed and analyzed. Four kinds of calibration plane solutions for de-embedding are verified. At last, on-board calibration (CAL) kits solution is established to decrease the system error to the least value. The maximum error shift can be controlled less than 0.1 dB comparing with the on-wafer test results. In general, the practical application results prove that this method is reasonable and effective and easy to be mastered.     

基于Petri网接口变迁的交互流程模型模块网挖掘方法

交互流程模型的模块分解是查找流程模型变化域的核心内容之一,已有的模块分解方法多是基于完整的流程模型,通过挖掘对比流程模型中所有活动的行为关系将流程模型分解为多个模块网。但是在基于单纯的事件日志分解交互流程模型方面,目前的模块分解方法存在一定的局限性。提出基于Petri网接口变迁的交互流程模型模块网挖掘方法,首先基于系统运行所记录的局部有效事件日志确定其中各活动间的前驱后继关系,并得到相应的活动前驱后继关系表。然后,基于前驱后继关系频繁的活动查找接口变迁,同时考虑无后继变迁的活动。其次,通过分析接口变迁的前集变迁查找交互流程模型中各个模块网的初始变迁,并由初始变迁开始,利用活动前驱后继关系表,逐个添加活动,以此挖掘交互流程模型的模块网。论文最后通过实例验证该优化方法的有效性。