深度特征融合与重构的微纤维识别算法

针对传统卷积神经网络分类识别微纤维存在特征判别不明显的问题,构建了一种深度特征融合与重构的网络对其进行分类与识别。将卷积与深度可分离卷积特征进行融合,加强层间信息交流,提高特征判断指向能力,并在上采样之前分配通道和空间的权重进行特征重构,利用通道注意力与空间注意力相结合的策略使网络在学习的过程中将注意力集中在关键的特征信息处,同时,跳跃连接增加原始特征图,缓解拟合现象,强化微纤维区域关键特征信息,提升微纤维图像识别网络模型的表达能力和学习能力,从而改善微纤维识别效果。实验结果表明,微纤维识别率达到98.77%,通过特征图可视化进一步分析了特征融合与重构的作用。所构建的方法准确率高、泛化能力好,为微纤维分类识别提供了一种新的方案。     

融合注意力机制的雷达欺骗干扰域适应识别方法

针对目前雷达欺骗干扰识别中常规特征识别方法应用受限和训练高性能深度学习模型需要的大量标注样本难以高效获取的问题,该文提出一种基于对抗域适应网络的雷达欺骗干扰识别方法,以改善标签限制;并融合注意力机制残差模块进一步提升识别精度。首先,对雷达接收信号进行时频变换后,应用基于对抗网络思想的域适应技术实现从标注源域样本到未标注目标域样本的迁移识别。其次,通过所设计的空间通道注意力残差模块使网络训练聚焦于时频图全局空间特征和高响应通道,以忽略时频图像中可迁移性低的区域抑制负迁移的产生。在不同源域与目标域雷达欺骗干扰数据集上的实验结果表明了该方法的可行性和有效性。     

基于多尺度和注意力融合学习的行人重识别

行人重识别的关键依赖于行人特征的提取,卷积神经网络具有强大的特征提取以及表达能力。针对不同尺度下可以观察到不同的特征,该文提出一种基于多尺度和注意力网络融合的行人重识别方法(MSAN)。该方法通过对网络不同深度的特征进行采样,将采样的特征融合后对行人进行预测。不同深度的特征图具有不同的表达能力,使网络可以学习到行人身上更加细粒度的特征。同时将注意力模块嵌入到残差网络中,使得网络能更加关注于一些关键信息,增强网络特征学习能力。所提方法在Market1501, DukeMTMC-reID和MSMT17_V1数据集上首位准确率分别到了95.3%, 89.8%和82.2%。实验表明,该方法充分利用了网络不同深度的信息和关注的关键信息,使模型具有很强的判别能力,而且所提模型的平均准确率优于大多数先进算法。     

融合时序信息的激光焊接熔透状态识别方法

熔池/匙孔区域包含丰富的激光焊接质量信息,基于该区域对熔透状态进行准确识别对于激光焊接的在线控制至关重要。针对熔池区域存在蒸汽和飞溅等干扰且相邻的熔透状态之间特征区分度低带来的模式识别困难的问题,提出了一种融合时序信息的激光焊接熔透状态识别方法。所提方法以熔池/匙孔图像序列作为底层输入,首先通过两个卷积层和两个池化层提取熔池/匙孔图像的空域特征;其次通过双向长短时记忆神经网络提取熔池/匙孔图像的时域特征;最后将时空特征输入全连接网络进行特征降维并用SOFTMAX函数进行分类。所提方法建立了从熔池/匙孔图像到熔透类型的端到端的识别模型。试验结果表明,所提方法在测试集上的识别准确率达99.26%,对单幅图像的识别时间为9.43 ms,可满足在线监测的需求。进一步的对比试验表明所提方法对学习率和优化器的变化具有鲁棒性。     

基于深度学习的可见光图像舰船目标检测与识别

为探究深度卷积神经网络在舰船检测与识别中的应用,研究了基于深度学习方法的可见光图像舰船目标检测与识别,总结了适用的可见光图像舰船数据集与针对舰船目标的网络优化方法.研究表明,迁移学习、先验框改进、特征优化等方法均能提升舰船检测与识别的准确率.未来应结合多源特征的融合,对轻量化舰船识别、细粒度舰船分类等方向进行研究.     

一种通过改变激光功率密度分布控制熔覆层裂纹的方法

为了降低激光熔覆过程中熔覆层热应力从而减少裂纹的生成,提出了一种通过改变激光功率密度分布来控制熔覆层裂纹的方法,并用数值模拟的方法对均布及凸字形光斑熔覆过程进行了热力耦合有限元分析。结果表明,用均布光斑熔覆呈现出激光加工典型的快速加热、快速冷却特征,而采用凸字形光斑可在一定程度上起到预热、缓冷的效果,从而降低了熔覆区与非熔覆区的温度梯度,另外,在熔覆效果相当的前提下,其熔覆层热应力也较小,因而可以有效地减小熔覆层的开裂趋势。     

多冲载荷下激光熔覆涂层裂纹机理分析

为了研究激光熔覆涂层在小能量多冲载荷下抗裂性能,进行了激光熔覆涂层在小能量多冲载荷下作用的多冲试验,结果显示激光熔覆涂层出现裂纹损伤失效现象,裂纹形式的特征有明显差异,表现为横断裂纹和边缘裂纹.根据裂纹的不同特征,进行了裂纹形成的理论分析,其结论在实验中得到了验证.     

低质量海关报表字符识别模型研究

海关报表单据图像质量差,其中字符往往有模糊、笔画缺失、笔画粘连和噪声污染等特点。本文针对海关报表单据中低质量字符识别准确率低的问题,提出了Enhanced-DBNet文本检测模型并改进ABINet文本识别模型。基于DBNet模型重新设计其主干网络,引入可变形卷积模块(DCN)扩大感受野,提高长文本识别能力;采用双向特征金字塔增强模块(FPEM),使网络具有更强的表征能力;引入特征融合模块(FFM)将图像高层次语义特征和低层次位置特征充分融合。针对形近字符难区分的问题,在ABINet模型中引入可变形注意力模块,使注意力集中在字符相关区域,捕获到更多的字符特征。对比实验结果表明,本文的模型在海关报表低质量字符上的检测和识别准确率优于当前其他模型。     

铸铁表面双光束激光熔覆温度场与应力场分析

为了减少熔覆开裂,提高熔覆质量,本文采用一定光束间距的并联双光束激光对铸铁表面进行熔覆,建立熔覆过程三维热力耦合模型,分析双光束激光熔覆热/力特征变化。计算结果表明,双光束激光在提高熔覆效率的同时,相邻两熔道彼此进行预热与缓冷,减小了激光熔覆过程中急剧升温与冷却产生的巨大温度梯度,降低熔层和结合区的残余应力水平,进而达到抑制裂纹产生的效果。1 800 W-1 400 W功率组合、光束间距为12.5 mm是较为理想的参数组合。     

用于SAR图像舰船目标检测的MAF⁃Net和CS损失

深度学习算法以其端到端训练和高准确率等优势被广泛应用于合成孔径雷达图像舰船检测领域。然而,SAR图像中舰船目标尺寸跨度较大,且易受到复杂背景和噪声的干扰,从而影响识别精度。为了进一步提高网络的检测精度,本文提出了一个多尺度注意力融合网络。该网络主要包含一个多尺度特征注意力融合模块,该模块使用骨干网络输出的特征图,融合多尺度的信息,在空间和通道维度对FPN输出的特征图进行增强,用于抑制噪声和背景对舰船目标的影响,提升网络的特征提取能力。此外,本文还提出了余弦相似损失,通过计算目标与非目标区域的余弦相似度,使网络更准确地区分船舶目标与背景,以进一步提高准确率。大量的实验表明,在SSDD和SAR?Ship?Dataset数据集上,本文所提的方法与现有的几种算法相比具有更高的检测精度。