基于多尺度双线性卷积神经网络的多角度下车型精细识别

针对多角度下车辆出现一定的尺度变化和形变导致很难被准确识别的问题，提出基于多尺度双线性卷积神经网络（MS-B-CNN）的车型精细识别模型。首先，对双线性卷积神经网络（B-CNN）算法进行改进，提出MS-B-CNN算法对不同卷积层的特征进行了多尺度融合，以提高特征表达能力；此外，还采用基于中心损失函数与Softmax损失函数联合学习的策略，在Softmax损失函数基础上分别对训练集每个类别在特征空间维护一个类中心，在训练过程中新增加样本时，网络会约束样本的分类中心距离，以提高多角度情况下的车型识别的能力。实验结果显示，该车型识别模型在CompCars数据集上的正确率达到了93.63%，验证了模型在多角度情况下的准确性和鲁棒性。     

Multi-Scale Analysis of Fretting Fatigue in Heterogeneous Materials Using Computational Homogenization

This paper deals with modeling of the phenomenon of fretting fatigue in heterogeneous materials using the multi-scale computational homogenization technique and finite element analysis (FEA). The heterogeneous material for the specimens consists of a single hole model (25% void/cell, 16% void/cell and 10% void/cell) and a four-hole model (25% void/cell). Using a representative volume element (RVE), we try to produce the equivalent homogenized properties and work on a homogeneous specimen for the study of fretting fatigue. Next, the fretting fatigue contact problem is performed for 3 new cases of models that consist of a homogeneous and a heterogeneous part (single hole cell) in the contact area. The aim is to analyze the normal and shear stresses of these models and compare them with the results of the corresponding heterogeneous models based on the Direct Numerical Simulation (DNS) method. Finally, by comparing the computational time and % deviations, we draw conclusions about the reliability and effectiveness of the proposed method.     

基于多尺度的贝叶斯模型显著性检测

针对传统基于贝叶斯模型的显著性检测算法存在准确率不理想的问题,提出了一种基于多尺度的贝叶斯模型显著性检测算法。通过超像素分割算法(SLIC)将原图分割成不同尺度的超像素,根据超像素边界信息得到背景种子,进而通过距离计算和多尺度融合得到背景先验;对原图进行颜色增强,采用Harris算子对增强图进行检测角点求得凸包,融合不同尺度下的超像素得到凸包先验;融合背景先验和凸包先验得到最终先验;利用颜色直方图和凸包计算似然概率;将最终先验和似然概率通过贝叶斯模型计算显著图。在公开数据集MSRA1000、ECSSD上与多种传统算法进行准确率和召回率对比,该算法有更好的表现。     

一种基于FCOS神经网络的小建筑物目标检测方法北大核心

提出了一种基于FCOS神经网络的小建筑物目标检测算法,针对FCOS模型在特征提取阶段提取到的小建筑物目标特征较少问题,引入多尺度检测和可变形卷积方式,加强网络对小建筑物目标的特征提取能力,并通过改进后的SGE注意力机制降低特征图中的干扰噪声权重。改进后的网络可以提取到更多的小建筑物目标特征,对环境干扰噪声的鲁棒性更强。在自己搭建的数据集上进行了实验测试,结果表明,在相同环境下网络改进后建筑物的整体检测准确率提升了1.7%,其中对小建筑物目标提升了3.6%,减少了小建筑物目标漏检、误检的问题。     

An efficient approach for traffic load modelling of long span bridges

Traffic micro-simulation is the newly developed approach for loading calculation of long span bridges. The approach is quite precise, but computationally expensive to consider the full extent of traffic loading scenarios during a bridge lifetime. To address this shortfall, an efficient multi-scale traffic modelling approach is proposed. The proposed approach uses micro- and macro-simulation with different load model varieties (LMVs), or fidelities (levels of detail) of traffic loading in different bridge regions, to achieve optimal computation efficiency while maintaining the precision of loading calculation. Metrics of influence line (IL) characteristics, such as degree of nonlinearity, are proposed to evaluate the appropriateness of the choice of LMV, and standards of the metrics are also investigated to quantify the implementation of LMVs on bridge IL regions in the multi-scale modelling. Finally, two typical ILs are used along with random traffic modelling to study the feasibility of the proposed approach. It is shown that the multi-scale modelling approach proposed here achieves high computational efficiency and accuracy, which is significant for the massive traffic load simulation for lifetime bridge load effect analysis.     

结合轻量化骨干与多尺度融合的单阶段检测器

目的 基于卷积神经网络的单阶段目标检测网络具有高实时性与高检测精度,但其通常存在两个问题：1)模型中存在大量冗余的卷积计算;2)多尺度特征融合结构导致额外的计算开销。这导致单阶段检测器需要大量的计算资源,难以在计算资源不足的设备上应用。针对上述问题,本文在YOLOv5(you only look once version 5)的结构基础上,提出一种轻量化单阶段目标检测网络架构,称为E-YOLO(efficient-YOLO)。方法 利用E-YOLO架构构建了E-YOLOm(efficient-YOLO medium)与E-YOLOs(efficient-YOLO small)两种不同大小的模型。首先,设计了多种更加高效的特征提取模块以减少冗余的卷积计算,对模型中开销较大的特征图通过下采样、特征提取、通道升降维与金字塔池化进行了轻量化设计。其次,为解决多尺度特征融合带来的冗余开销,提出了一种高效多尺度特征融合结构,使用多尺度特征加权融合方案减少通道降维开销,设计中层特征长跳连接缓解特征流失。结果 实验表明,E-YOLOm、E-YOLOs与YOLOv5m、YOLOv5s相比,参数量分别下降了71.5%和61.6%,运算量下降了67.3%和49.7%。在VOC(visual object classes)数据集上的平均精度(average precision,AP),E-YOLOm比YOLOv5m仅下降了2.3%,E-YOLOs比YOLOv5s提升了3.4%。同时,E-YOLOm的参数量和运算量相比YOLOv5s分别低15.5%与1.7%,mAP@0.5和AP比其高3.9%和11.1%,具有更小的计算开销与更高的检测效率。结论 本文提出的E-YOLO架构显著降低了单阶段目标检测网络中冗余的卷积计算与多尺度融合开销,且具有良好的鲁棒性,并优于对比网络轻量化方案,在低运算性能的环境中具有重要的实用意义。     

基于双通道注意力的轻量化PCB缺陷检测研究

印刷电路板 (printed circuit board,PCB)在实际生产过程中存在缺陷样式多种多样、缺陷小、缺陷位置难以定位的问题,而一个巨大的模型难以实现实时检测的要求,且大量的深度可分离卷积层建立的轻量级模型也不能达到足够的精度,为此提出一种基于YOLOv5s的PCB缺陷检测算法。 将原始Backbone的Conv模块跟C3模块用GhostConv替换,在Neck部分则引入了一种新的轻量级卷积技术GSConv,减轻模型大小的同时保持精度,GSConv在模型的准确性和速度之间完成了一个极好的权衡,针对许多注意力模块无法关注全局信息同时模型大的问题,提出了多尺度的轻量化双通道注意力模块(double channel depthwise attention module,DWAM),进一步提高模型精度。通过多组实验, 结果表明,改进算法所有类别的平均mAP为99.14%,且模型的GFLOPs为7.194 G,Params为7.175,原始的YOLOv5s平均mAP为96.86%,GFLOPs为6.89 G,Params为6.596,虽然Params以及GFLOPs有所增大,但是还是满足轻量网络的要求,并且精度相对于YOLOv5s提高了2.25%,且对于每个类别的缺陷识别准确率都有改善,大幅减少计算量和模型参数的同时保证了准确率,满足工业检测生产需求的同时便于移动端部署。     

基于全过程污染控制策略的钢铁工业园区水网络全局优化

作为典型的高耗水工业,节水减排是我国钢铁工业可持续发展亟须解决的关键问题之一。本研究基于全过程污染控制策略,提出了面向钢铁工业园区水网络特点的多尺度优化建模方法,充分考虑了钢铁园区涉水单元-工序水网络-园区水网络等不同尺度水系统的用排水特点及相互作用,有助于进一步发掘园区节水减排新空间。在此基础上建立了园区水网络全局优化模型,利用数学规划方法来探索综合用水成本最低的园区水网络优化方案。一年产能为500万吨钢材的钢铁工业园区水网络优化案例研究表明,采用全过程污染控制策略的钢铁园区水网络全局优化方案,综合用水成本、新水用量及新水成本占比等用水指标与其他采用局部水污染控制技术的方案相比有较大幅度的降低,与园区现用水指标相比,各指标均降低20%以上。案例研究表明所提出的园区水网络优化模型可行有效,优化结果对于钢铁园区水污染控制技术的集成和水网络全局优化方案的精准确定具有重要的参考价值。     

金刚石圆锯片干切素混凝土切削动态特征的多尺度分析

为分析金刚石圆锯片干切混凝土的切削动态特征,以自行设计的锯片进行切削实验并记录其动态测试信号。用合适的小波基函数及分解尺度对采集到的信号进行分析测试。研究发现:小波多尺度分析方法能有效地滤除信号中的低频噪声;不同锯切工艺参数下切削力与声发射信号具有较好的同步对应性,而振动信号和噪声电压信号跟锯切力具有实时延时对应性,通过研究各动态特征信号之间的关系可实现加工过程的可控性。