基于改进MobileFaceNet的人脸识别方法北大核心

针对目前大多数人脸识别算法参数多、计算量大,难以部署到移动端和嵌入式设备中的问题,提出了一种基于改进MobileFaceNet的人脸识别方法。通过对MobileFaceNet模型结构的调整,将bottleneck模块优化为sandglass模块,改良深度卷积和逐点卷积的相对位置,适当增大sandglass模块的输出通道数,从而减少特征压缩时的信息丢失,增强人脸空间特征的提取。实验结果表明:改进后的方法在LFW测试数据集上准确率达99.15%,模型大小和计算量分别仅为原算法的61%和45%,验证了所提方法的有效性。     

爆破位置对深凹露天矿山炮烟扩散的影响研究

深凹露天矿山由于其特殊的结构,爆破产生的炮烟扩散稀释较为困难,严重危害生产作业人员的生命安全与健康。基于实际矿山构建了深凹露天矿山的二维物理及数学模型,采用非稳态数值分析方法研究了不同爆破位置下,深凹露天矿山采坑内爆破炮烟的扩散规律。研究结果表明：不同爆破位置下,露天采坑内均出现复环流,爆破点位置是影响露天采坑内风流结构特征的重要因素；露天采坑内的炮烟最高浓度均随着时间变化而逐渐下降,但下降的速率逐步减小,呈现三个阶段的下降趋势；爆破位置位于背风侧时露天采坑内的炮烟最高浓度和降至安全浓度所需时间远高于迎风侧三个爆破位置；随着背风侧爆破点距采坑底部距离的减小,炮烟最高浓度及降至安全浓度所需时间先降低后增加,炮烟最高浓度及降至安全浓度所需时间随着迎风侧爆破位置距采坑底部距离的减小而增加。研究结果对于指导深凹露天矿山企业合理组织爆破后的生产作业和保障作业人员安全具有重要意义。     

一种直升机避障电力线检测方法

电力线是一类形状细长、特征稀疏、随着视角的变化容易混淆在大量背景信息中的特殊障碍物，常规电力线检测识别算法得到的目标框对电力线所在位置的估计不够准确。为此，提出了一种相对角度估计方法，基于常规电力线目标检测与识别算法，并结合电力线相对角度估计，从而提高电力线的检测识别过程中所在位置的精度。相比电力线绝对角度回归的方法，提出的相对角度估计方法容易训练易收敛，计算量小，适用于实时性要求较高的应用场合。     

基于卷积神经网络的5G蜂窝网络无线定位方法

5G蜂窝网络发展迅猛，其覆盖面积将逐渐增大，因此使用5G蜂窝网络进行定位是有研究潜力的研究方向。本文提出一种新的深度学习技术来实现高效、高精度和低占用的定位，以代替传统指纹定位过程中繁重的指纹库生成以及距离计算。该方法建立了一个特殊的卷积神经网络，并根据5G天线信号的接收信号强度指示、相位和到达角等特征量，选择合适的输入数据格式构造样本组建训练集，对该卷积神经网络进行训练。训练得到的卷积神经网络可以替代指纹定位中的庞大指纹库，非常有利于直接在5G移动设备端实现定位。虽然卷积神经网络在训练过程中需要大量时间，但在训练完毕后直接进行分类定位的速度非常快，可以保障定位实现的实时性。本文所实现的卷积神经网络权重与偏置所占内存不到0.5 MB，且能够在实际应用环境中以95%的定位准确率以及0.1 m的平均定位精度实现高精度定位。     

Adaptive investigation of the optical properties of polymer fibers from mixing noisy phase shifting microinterferograms using deep learning algorithms

In this article, an adaptive denoising method is suggested to accurate investigate the optical and structural features of polymeric fibers from noisy phase shifting microinterferograms. The mixed class of noise that may produce in the phase-shifting interferometric techniques is established. To our knowledge, this is an early study considered the mixing noises that may occur in microinterferograms. The suggested method utilized the convolution neural networks to detect the noise class and then denoising, it according to its class. Four convolution neural networks (Googlenet, VGG-19, Alexnet, and Alexnet–SVM) are refined to perform the automatic classification process for the noise class in the established data set. The network with the highest validation and testing accuracy of these networks is considered to apply the suggested method on realistic noisy microinterferograms for polymeric fibers, polypropylene and antimicrobial polyethylene terephthalate)/titanium dioxide, recoded using interference microscope. Also, the suggested method is applied on noisy microinterferograms include crazing and nanocomposite material. The demodulated phase maps and the three-dimensional birefringence profiles are calculated for tested fibers according to the suggested method. The obtained results are compared with the published data for these fibers and found to be in good agreements.     

Deep Learning Based Process Analytics Model for Predicting Type 2 Diabetes Mellitus

Process analytics is one of the popular research domains that advanced in the recent years. Process analytics encompasses identification, monitoring, and improvement of the processes through knowledge extraction from historical data. The evolution of Artificial Intelligence (AI)-enabled Electronic Health Records (EHRs) revolutionized the medical practice. Type 2 Diabetes Mellitus (T2DM) is a syndrome characterized by the lack of insulin secretion. If not diagnosed and managed at early stages, it may produce severe outcomes and at times, death too. Chronic Kidney Disease (CKD) and Coronary Heart Disease (CHD) are the most common, long-term and life-threatening diseases caused by T2DM. Therefore, it becomes inevitable to predict the risks of CKD and CHD in T2DM patients. The current research article presents automated Deep Learning (DL)-based Deep Neural Network (DNN) with Adagrad Optimization Algorithm i.e., DNN-AGOA model to predict CKD and CHD risks in T2DM patients. The paper proposes a risk prediction model for T2DM patients who may develop CKD or CHD. This model helps in alarming both T2DM patients and clinicians in advance. At first, the proposed DNN-AGOA model performs data preprocessing to improve the quality of data and make it compatible for further processing. Besides, a Deep Neural Network (DNN) is employed for feature extraction, after which sigmoid function is used for classification. Further, Adagrad optimizer is applied to improve the performance of DNN model. For experimental validation, benchmark medical datasets were used and the results were validated under several dimensions. The proposed model achieved a maximum precision of 93.99%, recall of 94.63%, specificity of 73.34%, accuracy of 92.58%, and F-score of 94.22%. The results attained through experimentation established that the proposed DNN-AGOA model has good prediction capability over other methods.     

低共熔溶剂用于CO2捕集的研究进展

低共熔溶剂(DESs)具有原料廉价易得、化学稳定性好、可设计、合成工艺简单、可循环使用和绿色环保等优点,在CO₂捕集领域受到广泛关注。重点综述了近年来DESs用于CO₂捕集的研究进展,总结了DESs捕集CO₂的能力,分析了DESs捕集CO₂的影响因素和DESs的循环使用性能,归纳了DESs捕集CO₂的机理(包括物理吸收、化学吸收和物理化学协同吸收),并总结了CO₂在DESs中的溶解度计算模型。分析发现,DESs捕集CO₂的影响因素中,温度、压力和水含量(质量分数)均对CO₂的捕集有影响,且DESs的结构是重要的影响因素;大部分DESs可循环使用;CO₂在DESs中溶解度计算模型的建立有效推动了DESs捕集CO₂的进一步发展。最后,指出了DESs捕集分离CO₂所面临的主要问题并对进一步的研究工作进行了分析讨论。     

基于改进Faster R-CNN及YOLO的大角度车牌识别算法

随着大数据时代的到来,智慧城市等一系列概念的提出,人工智能开始在城市各个角落得到广泛应用。其中,车牌识别作为城市道路交通重要的一环,也取得了重大突破。基于深度学习的车牌识别一经提出,各类算法应用于车牌检测及识别上,对比于传统的车牌识别,大大提高了识别的速率和准确率。然而,在非限制条件下,如大角度车牌识别准确率仍有提升的空间。提出了一种改进的FasterR-CNN与YOLO的深度学习车牌识别算法,将对大角度下的车牌识别准确率达到了99.7%。由于是轻量型的框架,为后续的移动设备部署工作提供了便利。     

位阻胺选择性配方溶剂尾气处理装置工业应用

为了解决常规甲基二乙醇胺(MDEA)脱硫溶剂在低压下脱硫效果不理想,导致排放尾气中SO_2浓度升高的问题,利用位阻胺与H_2S反应具有良好活性、同时能较好抑制位阻胺与CO_2反应的特点,研究开发出了位阻胺选择性脱硫配方溶剂,并在处理量为1×10~4m~3/d的装置上进行中间放大试验的基础上,在中国石油西南油气田公司川中油气矿龙岗天然气净化厂硫磺回收加氢尾气脱硫装置上进行了工业应用。在工业应用期间,考察了溶剂在不同吸收塔板数、不同贫液入塔温度、不同溶液循环量等条件下的吸收性能,还考察了脱硫溶液的再生性能,确定了较适宜的工艺操作参数。应用1年后的考核结果表明:(1)该位阻胺选择性脱硫配方溶剂在进尾气脱硫吸收塔气体中H_2S含量为0.77%～3.96%、CO_2含量为23.91%～32.79%的气质条件下,可使净化尾气中H_2S含量低于30 mg/m~3;(2)与装置原用的常规MDEA相比,净化尾气中H_2S含量降低58.45%;(3)该位阻胺选择性脱硫配方溶剂的再生性能良好,再生后贫液中H_2S和CO_2含量均小于0.12 g/L。     

周期性隔震基础的优化设计与试验验证

周期性隔震基础是利用周期性结构的衰减域特性,将地震动与上部结构自振频率接近的频率范围内的能量衰减,从而控制上部结构响应的新型隔震装置。周期性基础的隔震性能受到多方面因素的影响,包括局域共振子的调谐频率比、质量比、阻尼比、基体的刚度、上部结构与基础的相互作用以及地震动的频谱特性等。目前尚未有研究综合考虑上述因素的影响并提出周期性基础的设计方法。提出以一组地震动作用下上部结构峰值响应衰减率的平均值为目标函数,对周期性基础进行优化的设计方法。计算结果表明,按照该优化方法得到的周期性基础对上部结构在选取的44条地震动作用下,峰值响应的平均衰减率达30%。参数敏感性分析表明,优化设计得到的周期性基础对于自身参数的变化具有良好的鲁棒性。最后利用缩尺振动台试验验证了优化设计得到的周期性基础的隔震性能,证明了优化方法的有效性和优化结果的正确性。