三元锂离子电池低氧环境热失控特性研究

研究了NCM811三元软包锂离子电池在封闭空间中氧气体积分数为21%和10.64%环境下的热失控特性。实体实验结果表明,氧气体积分数为21%下电池热失控时,先喷射连续火焰再喷射火星,而氧气体积分数为10.64%低氧环境下电池热失控时,电池始终喷射火星,火星未形成连续火焰。电池热失控时喷射的火星在低氧环境中能够短暂燃烧,但火星不能形成连续火焰,表明NCM811三元锂离子电池热失控是一个释氧过程,但电池释放的氧气不足以维持火星的连续燃烧。     

基于残差网络的混凝土结构病害分类识别研究

针对混凝土结构病害识别类型单一、精度较低的现状,提出了基于残差网络和迁移学习的病害分类识别方法,通过构建多属性病害数据集,利用迁移学习优化残差网络模型,提出混凝土结构健康状态识别的多个任务。首先收集混凝土结构的病害状态图像,依次通过数据清洗、尺寸均一化、数据扩增和多人投票标注,最终得到包含6 680张图像的混凝土结构病害多属性数据集,并依据不同标注属性进行了相应训练集、验证集和测试集的划分; 然后利用迁移学习对预训练的ResNet-34网络前3个部分进行参数冻结,后续2个部分的参数进行重新训练,并在模型末端添加新的参数,基于已构建的数据集进行训练; 最后在提出的构件类别检测、剥落检测、病害检测和病害类别检测任务中,分别获得84.88%、98.56%、97.18%和85.34%的F1分数。结果表明:通过构建多属性标注的混凝土结构病害数据集训练深度学习模型,可较好地实现多场景特征下的病害识别效果; 采用迁移学习技术可从开源数据中获取较好的特征提取效果; 改进的ResNet-34网络可克服网络退化问题,并针对混凝土结构病害识别的多个任务获得较好的效果; 相对于单一的混凝土结构病害识别,进行病害部位、程度、多类别的系统性检测,可为结构状态评估提供详细信息,更贴合工程实际需要。     

基于深度学习VGG网络模型的海洋单细胞藻类识别算法

为更好地对海洋中单细胞藻类进行有效识别,本研究提出了基于改进式VGG16网络模型的单细胞藻类识别算法—AlgaeNet,在传统VGG网络模型基础上,通过减少卷积核数量,并添加BatchNormalization层进行神经网络模型加速。结果表明:在相同试验条件下,本研究中提出的AlgaeNet算法在训练过程中的损失值收敛速度及对测试集样本(卵形小球藻Chlorella ovalis与小等刺硅鞭藻Dictyocha fibula Ehrenberg)的预测准确率上升速度较传统VGG、AlexNet网络模型优势明显,识别准确率可达99.317%。研究表明,基于改进式VGG16网络模型的单细胞藻类识别算法AlgaeNet在单细胞藻类识别领域具有较好的分类识别性能,可实现海洋中藻类的准确识别。     

Capsule网络的心脏磁共振图像病患识别

深度学习中胶囊(Capsule)神经元结构旨在克服传统卷积神经网络难以挖掘同级特征之间关系的缺点.胶囊网络(Capsule Net, CapsNet)是以胶囊神经元作为网络单元的一种新型的分类网络结构.该网络使用了压缩(Squash)算法作为激活函数,使用动态路由算法(Dynamic Routing)作为网络优化方法,欲获得更好的分类性能.心脏磁共振图像识别算法面临的主要问题:患病图像与正常图像之间的差异不显著,因此使用多层CNN网络难以达到十分优秀的效果.而胶囊网络CapsNet可以在较浅层网络的情况下,可以容纳更多的特征信息,有利于识别心脏磁共振图像.设计使用浅层胶囊网络对心脏磁共振图像进行二分类病患识别,并与VGG16、SVM(Support Vector Machine,支持向量机)等方法进行比较,实验结果表明CapsNet在应用上优于CNN网络其正确率、敏感度、特异性、AUC指标分别为91.04%、97.60%、87.04%、96.43%.实验结果表明胶囊网络相比较传统方法和浅层网络,在心脏磁共振图像识别方面表现了优异的性能.     

氧浓度对典型吸音材料燃烧特性影响

用氧气可变的气体控制系统火焰蔓延仪对聚酯纤维吸音板、阻燃聚酯纤维吸音板、木质吸音板、防火木质吸音板等典型吸音板材在不同的氧气体积分数(16.00%,20.95%,30.00%,40.00%)条件下进行燃烧实验,测定引燃时间、热释放速率、质量损失速率、有效燃烧热等。对比分析贫氧、富氧及正常空气氛围下典型吸音材料燃烧特性,归纳氧浓度对该类材料热释放速率、产烟速率等参数的影响规律。结果表明:相同氧浓度下,阻燃处理试样比未处理试样的热释放速率均值有不同程度的降低;当气体环境从氧气体积分数为20.95%向富氧状态变化时产烟总量随着氧气体积分数的增大而减小。     

基于深度学习的SPD人脸识别算法

本文提出一种自商图像法(SQI)、主成分分析法(PCA)和深度信念网络(DBN)相结合的SPD人脸识别算法。首先将人脸图像经过自商图像处理,勾勒其边缘特征。然后使用主成分分析法将高维自商图像降维至低维子空间。接着将训练集低维子空间的数据作为深度信念网络的输入,并对网络逐层进行训练。最后使用训练好的深度信念网络对测试集低维子空间的数据进行识别。对于遮挡性识别,采用遮挡分割法,减弱局部遮挡对整个图像的影响因子。经过反复实验验证,本文提出的算法在小样本中对脸部识别效果较好。     

盾构掘进优质数据提取及在姿态控制中的应用

为基于数据实现掘进过程自动化和实现自动纠偏进行数学建模,给出了一种优质训练集数据的提取方案,经分析论证,以偏差与偏差的变化率之积小于0为优质数据的判别条件是合理的.借助于优质数据进行机器学习建模,将得到的模型在盾构现场实际匹配上线测试,预报结果与实际结果有很好的吻合性.用混淆矩阵作度量测试预报结果,反映出具有较高的正确率,说明了以优质数据建模方法的有效性,可为类似的大数据建模优质数据寻取提供参考.     

基于YOLOv5算法的目标检测与车牌识别系统

本文首先介绍了实时目标检测网络(YOLOv5Net)提取车辆图像相关特征并通过训练进行实时目标检测,接着阐述了车牌识别神经网络(LPRNet)对车牌进行实时识别,通过对实时目标检测网络提取的特征进行分析,利用与视觉任务强相关的测试样本集对目标检测模型与车牌识别模型进行测试。实验结果表明,当测试样本场景与视觉任务相关度越高,且样本中车辆目标的形变越小,得到的目标检测模型与车牌识别模型的效果越好,能够为交通车辆识别与管理等作业提供可靠、高效的车辆信息。     

结合迁移学习和Inception-v3模型的路面干湿状态识别方法

针对传统方法对路面干湿状态识别分类正确率较低的情况,提出了基于迁移学习的路面干湿状态识别方法。利用深度卷积神经网络强大的特征学习和表达能力,自动学习干湿路面的特征,并采用迁移学习的方法将Inception-v3模型在ImageNet图像数据集上学习得到的知识深度迁移至路面干湿状态识别任务。实验结果表明,所提算法在测试集上测得的分类准确率约为94.5%,与非迁移学习算法和基于底层视觉特征识别学习的算法相比,具有更高的准确性和良好的鲁棒性,以及较强的泛化能力。     

基于TDC的施工人员非健康工作姿态评估研究

为预防施工人员因长期非健康工作姿态导致肌肉骨骼类疾病(WMSDs),利用3D人体姿态识别模型识别施工人员的非健康工作姿态,并提出施工人员非健康工作姿态评估机制.基于时间膨胀卷积网络(TDC)训练Human 3.6M数据集得到3D人体姿态识别模型;利用模型确定施工人员作业时躯干的倾斜角度α,根据《人机工程学-静态工作姿态...