基于密集反馈网络的单幅图像超分辨率重建

基于深度学习的单幅图像超分辨率网络模型体积庞大,导致参数利用率低且难以部署,对中间层特征利用不充分。提出一种密集反馈注意力网络（DFAN）模型。在同一特征图中通过多尺度残差注意力模块（MRAB）提取不同尺度的深层特征,以增加特征的多样性。同时将每个MRAB的输出均作为同组中其他残差模块的输入,使各层之间的信息流最大化,从而减小训练难度。实验结果表明,相比VDSR、DRRN、MemNet等模型,DFAN模型具有较优的重建效果,其在重建放大倍数为4的Set5数据集上计算复杂度仅为VDSR模型的0.14倍左右,而峰值信噪比提高了0.57 dB。     

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。     

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。     

应用于电磁超声的DE类功率放大器驱动电路设计

为了进一步增强电磁超声激励源的激发效能,提高电磁超声换能器的工作效率,基于射频技术提出了一种DE类射频功率放大器,通过采用隔离电源方法,有效地解决了高边金属-氧化物半导体场效应晶体管(MOSFET)的“浮地”问题,实现了高频隔离.通过分析MOSFET开关工作状态及控制特性,确立了MOSFET开关的基本工作过程,从而建立了一种MOSFET驱动电路设计方法.通过对关键元件的选型设计与算法研究,构建了DE类功率放大器的驱动电路.实验结果表明:设计的MOSFET驱动电路的输出信号电压幅值为13.4V,占空比50％,频率为1MHz,输出信号稳定,实现了对MOSFET的可靠驱动,能够满足实际应用.     

动力总成悬置系统优化与减振分析

为了解决汽车动力总成悬置系统隔振问题,建立了某型号动力总成悬置系统的仿真模型.针对悬置系统无阻尼和有阻尼的情况,对支反力进行了对比分析;选取四个橡胶悬置的12个主方向刚度为设计变量,以动力总成悬置系统在各阶固有频率主振方向上的能量解耦程度为目标函数,利用Adams/Insight模块对动力总成悬置系统进行优化,结果显示优化后的悬置系统支反力明显降低,减小了动力总成振动的传递,解耦程度有了明显的提高,通过优化悬置系统的减振效果有了很大的改善.