基于机器学习XGBoost的机制砂细粉含量预测

机制砂是由碎石或者砾石经制砂机反复破碎加工至粒径小于2.36 mm的人工砂. 在实验中把机制砂中的石粉含量和含泥量称为细粉含量, 细粉含量表征机制砂的洁净程度. 本文提出了一种基于XGBoost网络的机制砂细粉含量预测方法. 首先, 利用完全封闭的图像采集设备对机制砂细粉制成的溶液进行图像采集, 保证外界光线不会对图像拍照造成影响, 之后进行图片裁剪、读取RGB值、转LCH颜色空间等预处理, 然后构建XGBoost网络模型, 通过贝叶斯原理进行参数的循环迭代, 之后进行模型优化, 使模型的r2_score更高, 最终实现对机制砂细粉含量的预测. 结果表明: 该模型预测的数据的r2_score可以达到0.967 762, 相比于传统的多元线性回归模型、BP神经网络、传统XGBoost网络预测的r2_score为0.896 144、0.914 598、0.950 670, 预测精度有明显提高. 在实际应用中, 该方法可以缩短机制砂细粉含量测量时间, 简化机制砂细粉含量测量步骤, 是一种新型的预测机制砂细粉含量的方法.     

机制砂空隙率软测量模型构建及试验研究

机制砂的空隙率是衡量混凝土性能的重要指标。空隙率的在线检测能够提升混凝土性能。现有的测量方法无法对机制砂空隙率进行在线检测。因此,提出一种通过动态图像法建立软测量模型,进而实现空隙率在线检测的方法。首先,采用基于动态图像法原理构建的机制砂形态测量平台来采集机制砂图像。然后,计算机制砂的关键形态参数,选择合适的软测量模型算法。最后,构建并比较不同软测量模型的预测性能。对比结果显示,随机森林模型的准确率最高,预测值和试验值最大误差为0.6%。相较于传统方法,该方法可在机制砂生产线中在线检测空隙率,有效提升混凝土性能。     

基于数据质量的Deep Web数据源排序

Deep Web技术使得大量隐藏在接口背后的有用信息更容易被用户查找到.然而,随着数据源的增多,如何从众多的数据源中快速地找到合适的结果这一问题变得越来越重要.通过传统的链接分析方法和相关性评估方法来对数据源进行排序,已经不能满足高精度的要求.提出一种通过抽样方法和数据质量评估来判断数据源的优劣性的算法.本文提出的抽样方法,改进了分层抽样和雪球抽样,使得在较少的样本点时,能够准确的反映整体特征.定义了能基本反映数据源的优劣程度的6个主要质量标准,并给出计算方法;通过质量标准,结合权重向量来量化数据源的质量.实验通过对数据源进行抽样分析,求解数据源得分的期望值,并根据该期望值对数据源进行了整体排序.结果表明,利用抽样对数据源的数据质量进行估计和评分,具有很好的准确性和可操作性.     

指纹模板量化特性研究

为把用实数表示的指纹特征模板应用到密钥生成和密钥隐藏等密码学实践中,在详细分析已有量化算法的基础上,研究了指纹模板的量化问题,讨论了不同的量化思路,提出了两种非均衡特征向量量化方法和一种复合特征向量量化方法。通过计算原始模板和3种量化情况下特征向量几何距(汉明距)的分布及错误接受率的错误拒绝率的变化情况,比较了两种量化方法和复合量化方法的优劣。实验结果表明,量化方法二优于量化方法一,而复合量化方法优于这两种方法。     

大学生德育量化管理系统的设计及研发

大学生德育是评价学生的一项重要指标,同时德育也作为对学生考评的一部分;德育评定包括内容繁多,部分工作仍停留手工作业状态,难以适应新形势下对学生管理工作的要求,同时为德育内容绝大部分没有采用量化机制,导致德育评价出现不透明、难管理等现状.德育量化管理系统以解决德育内容网络管理、科学量化为目标,搭建B/S模式平台,将代课教师、学生、班委、班主任、宿舍、院系等角色作为系统的参与者,实现了德育各项内容的网络录入及管理,并根据量化机制进行系统量化.     

一种新型的量化方法与基于小波变换的指纹图像压缩

针对矢量量化和标量量化各有优劣的现状，一种简单，有效的新型量佛方法被提出来了。本文把应用于基于小波变换的指纹压缩，改进了ＥＢＩ的ＷＳＱ算法，大大降低了量化计算复杂度。即获得较高的压缩比，又有较好的主客观质量，并与ＪＰＥＧ标准进行了对比。     

雷达图法在反导武器系统效能评估中的应用

研究武器系统效能评估是保证武器质量的重要手段.在反导武器系统论证和研制阶段,对各种研制方案的优劣进行评价和排序是效能评估.针对现有效能评估方法评价反导武器系统优劣时存在的评价结果不稳定,且适用范围有限等不足,提出应用雷达图法对反导武器系统的优劣进行评价.通过建立评价方案优劣的效能指标,并绘制雷达图以及进行特征提取,实现了定性观察与定量分析相结合,提高了评价结果的稳定性和可信度.最后通过一个效能仿真评估示例,给出了四种反导武器系统的优劣评价和排序结果.结果证明方法有效且适用范围广,并为工程实现提供参考.     

JPEG自适应量化参数选择算法

量化作为图像压缩中主要的失真来源之一,对量化过程进行优化可提升编码质量.为提高图像的压缩比和压缩质量,结合信息论中的注水理论及反注水模型,提出了利用自适应反注水量化参数构建的方法,采用新的量化表替代JPEG中的量化表,通过JPEG的编码算法对多幅不同的灰度图像进行了压缩仿真验证,同时与JPEG压缩作对比分析.实验结果表...     

基于量化布尔公式的条件规划编码方式

介绍条件规划问题及其相关的求解系统,着重分析以逻辑为基拙的编码方式。针对基于量化布尔公式的转换方法进行详细分析,给出3种不同形式的量化布尔公式编码。最后,对这3种编码进行比较,分析基于命题逻辑公式与量化布尔公式这两种不同转换方式的优劣,讨论基于量化布尔公式的规划方法未来的研究方向和发展趋势。     

深入理解ADO.NET的更新机制

描述了ADO.NET的更新机制,对不同的更新方式的优劣进行了论述,并提出对应用开发中的高级数据更新场景的解决方法.     

脊柱MR图像自动分割方法的研究

脊柱磁共振（magnetic resonance,MR）图像精确分割是脊柱配准、三维重建等技术的前提。传统脊柱MR图像分割方法过程繁琐,精度低。为克服传统方法弊端,提出了一种基于深度学习的脊柱MR图像自动分割方法。该方法构建对称通道卷积神经网络提取多尺度图像特征,通过残差连接解决训练中网络退化问题,同时用跳跃连接层连接中间层特征减少信息丢失。在搭建的网络模型中加入卷积块注意力机制关注空间和通道中的有效特征。实验结果表明,该模型在测试集上的平均DSC系数为0.861?9,相比FCN、U-Net、DeeplabV3+和UNet++网络模型分别提高了15.34%、7.08%、5.79%、3.1%。该模型可应用于临床实践中提升脊柱MR图像的分割精度。     

基于深度学习高分辨率遥感影像语义分割

高分辨率遥感影像含有丰富的地理信息. 目前基于传统神经网络的语义分割模型不能够对遥感影像中小物体进行更高维度的特征提取, 导致分割错误率较高. 本文提出一种基于编码与解码结构特征连接的方法, 对DeconvNet网络模型进行改进. 模型在编码时, 通过记录池化索引的位置并应用于上池化中, 能够保留空间结构信息; 在解码时, 利用编码与解码对应特征层连接的方式使模型有效地进行特征提取. 在模型训练时, 使用设计的预训练模型, 可以有效地扩充数据, 来解决模型的过拟合问题. 实验结果表明, 在对优化器、学习率和损失函数适当调整的基础上, 使用扩充后的数据集进行训练, 对遥感影像验证集的分割精确度达到95%左右, 相对于DeconvNet和UNet网络模型分割精确度有显著提升.     

基于MultiResUNet-SMIS的皮肤黑色素瘤图像分割

针对现有的皮肤黑色素瘤病灶分割精度不高的问题,结合现有卷积神经网络方法提出皮肤黑色素瘤图像分割方法 MultiResUNet-SMIS.首先,依据皮肤黑色素瘤成像特点,引入不同空洞率的空洞卷积替换普通卷积,在参数量相同的前提下扩大感受野,使网络模型能够适用于多尺度病灶分割任务;其次加入空间和通道注意力机制以重新分配特征权重,扩大感兴趣特征影响,抑制无关特征;最后融合Focal loss与Dice loss提出一种新的loss函数FD loss用于计算回归损失,解决前景背景像素不均衡问题,进一步提高网络模型的分割精度.实验结果表明,MultiResUNet-SMIS在ISIC-2018数据集上的Dice指数、IoU指数以及Acc准确率分别达到了89.47%、82.67%、96.13%,与原MultiResUNet以及UNet、UNet++、DeepLab V3+等主流方法相比, MultiResUNet-SMIS在皮肤黑色素瘤图像分割中具有更好的效果.     

基于U-Net的高分辨率遥感图像语义分割方法

图像分割是遥感解译的重要基础环节,高分辨率遥感图像中包含复杂的地物目标信息,传统分割方法应用受到极大限制,以深度卷积神经网络为代表的分割方法在诸多领域取得了突破进展。针对高分辨遥感图像分割问题,提出一种基于U-Net改进的深度卷积神经网络,实现了端到端的像素级语义分割。对原始数据集做了扩充,对每一类地物目标训练一个二分类模型,随后将各预测子图组合生成最终语义分割图像。采用了集成学习策略来提高分割精度,在“CCF卫星影像的AI分类与识别竞赛”数据集上取得了94%的训练准确率和90%的测试准确率。实验结果表明,该网络在拥有较高分割准确率的同时还具有良好的泛化能力,能够用于实际工程。     

L-UNet：轻量化云遮挡道路提取网络

目的 道路提取是常见的遥感应用之一。现有的基于深度卷积网络的道路提取方法往往未考虑云遮挡给道路提取带来的影响，且提取网络模型较大，不利于在移动端部署，同时缺乏用于云遮挡场景下的道路提取数据集。对此，本文提出一种轻量化的UNet网络（lightweight UNet，L-UNet），高效地实现云遮挡下的道路提取。方法 通过柏林噪声模拟云层以扩展现有道路提取数据集，进而训练L-UNet。使用移动翻转瓶颈卷积模块作为特征提取的主要结构，在深度可分离卷积的基础上加入扩展卷积和压缩激励模块，在减少参数量的同时大幅提升了分割效果。结果 在DeepGlobe道路提取扩展数据集的测试中，与D-LinkNet相比，L-UNet的交并比（intersection over union，IoU）提升了1.97%，而参数量仅为D-LinkNet的1/5。在真实云遮挡遥感图像道路提取测试中，L-UNet的性能仍然最优，与D-LinkNet和UNet相比，IoU值分别提高19.47%和31.87%。结论 L-UNet网络具有一定的云遮挡区域下道路标签生成能力，虽然在模拟云遮挡数据集下训练得到，但对于真实云遮挡仍具有较强的鲁棒性。L-UNet模型参数量很小，易于嵌入移动端。     

基于UNet++的煤岩显微图像组分分析

针对解决煤岩显微图像组分分析过程中,利用图像分割方法遇到的精度较低问题。论文提出了一种基于UNet++模型的图像分割方法。该方法首先将已标记的煤岩显微图像与基于Lovász-Softmax的分割损失相结合,实现对UNet++模型进行训练。再利用训练后的模型对煤岩显微图像按照组分类别进行分割标记。最后,对标记区域进行占比计算,完成煤岩显微图像组分的分析过程。实验结果表明,与K-means算法以及使用交叉熵训练的UNet++模型相比,论文所提算法更关注于各组分的纹理信息差异,且受图像中组分占比不均问题影响较小,对煤岩显微图像组分分割更准确。     

基于改进UNet网络的室内运动目标阴影分割

针对室内环境下智能监控视频对光照变化产生的阴影难以识别、分割困难等问题, 提出一种结合迁移学习方式和SENet通道注意力机制的UNet网络. 首先, 针对阴影特征模糊难以有效提取的问题, 在UNet模型的上采样部分, 添加SENet通道注意力机制, 在不增加网络参数的同时, 提高有效区域的特征权重; 并将预训练好的VGG16网络迁移到UNet模型中, 实现特征迁移和参数共享, 提高模型的泛化能力, 减少训练成本; 最后通过解码器得到分割结果. 实验结果表明, 改进的UNet算法相比于原UNet算法在对运动目标的分割精度上达到了96.09%, 对阴影的分割精度上达到92.24%, 平均交并比(MIOU)达到92.58%, 算法性能指标有显著提升.     

语义拉普拉斯金字塔多中心乳腺肿瘤分割网络

目的 乳腺肿瘤分割对乳腺癌的辅助诊疗起着关键作用,但现有研究大多集中在单中心数据的分割上,泛化能力不强,无法应对临床的复杂数据。因此,本文提出一种语义拉普拉斯金字塔网络（semantic Laplacian pyramids network,SLAPNet）,实现多中心数据下乳腺肿瘤的准确分割。方法 SLAPNet主要包含高斯金字塔和语义金字塔两个结构,前者负责得到多尺度的图像输入,后者负责提取多尺度的语义特征并使语义特征能在不同尺度间传播。结果 网络使用Dice相似系数（Dice similarity coefficient,DSC）作为优化目标。为了验证模型性能,采用多中心数据进行测试,与AttentionUNet、PSPNet （pyramid scene parsing network）、UNet 3+、MSDNet （multiscale dual attention network）、PyConvUNet （pyramid convolutional network）等深度学习模型进行对比,并利用DSC和Jaccard系数（Jaccard coefficient,JC）等指标进行定量分析。使用内部数据集测试时,本文模型乳腺肿瘤分割的DSC为0.826;使用公开数据集测试时,DSC为0.774,比PyConvUNet提高了约1.3%,比PSPNet和UNet3+提高了约1.5%。结论 本文提出的语义拉普拉斯金字塔网络,通过结合多尺度和多级别的语义特征,可以在多中心数据上准确实现乳腺癌肿瘤的自动分割。     

高分辨卫星图像卷积神经网络分类模型

目的 卫星图像往往目标、背景复杂而且带有噪声,因此使用人工选取的特征进行卫星图像的分类就变得十分困难。提出一种新的使用卷积神经网络进行卫星图像分类的方案。使用卷积神经网络可以提取卫星图像的高层特征,进而提高卫星图像分类的识别率。方法 首先,提出一个包含六类图像的新的卫星图像数据集来解决卷积神经网络的有标签训练样本不足的问题。其次,使用了一种直接训练卷积神经网络模型和3种预训练卷积神经网络模型来进行卫星图像分类。直接训练模型直接在文章提出的数据集上进行训练,预训练模型先在ILSVRC（the ImageNet large scale visual recognition challenge）-2012数据集上进行预训练,然后在提出的卫星图像数据集上进行微调训练。完成微调的模型用于卫星图像分类。结果 提出的微调预训练卷积神经网络深层模型具有最高的分类正确率。在提出的数据集上,深层卷积神经网络模型达到了99.50%的识别率。在数据集UC Merced Land Use上,深层卷积神经网络模型达到了96.44%的识别率。结论 本文提出的数据集具有一般性和代表性,使用的深层卷积神经网络模型具有很强的特征提取能力和分类能力,且是一种端到端的分类模型,不需要堆叠其他模型或分类器。在高分辨卫星图像的分类上,本文模型和对比模型相比取得了更有说服力的结果。     

室内服务机器人的实时场景分割算法

室内场景下的实时场景分割是开发室内服务机器人的一项关键技术,目前关于语义分割的研究已经取得了重大进展,但是多数方法都倾向于设计复杂的网络结构或者高计算成本的模型来提高精度指标,而忽略了实际的部署成本。针对移动机器人算力成本有限的问题,设计一种轻量化的瓶颈结构,并以此为基本元素构建轻量化场景分割网络。该网络通过与特征提取网络级联获得更深层次的语义特征,并且融合浅层特征与深层语义特征获得更丰富的图像特征,其结合深度可分离卷积与多尺度膨胀卷积提取多尺度图像特征,减少了模型的参数量与计算量,同时利用通道注意力机制提升特征加权时的网络分割精度。以512像素×512像素的图像作为输入进行实验,结果表明,该算法在NYUDv2室内场景分割数据集和CamVid数据集上的MIoU分别达到72.7%和59.9%,模型计算力为4.2 GFLOPs,但参数量仅为8.3 Mb,在移动机器人NVIDIA Jetson XavierNX嵌入式平台帧率可达到42 frame/s,其实时性优于DeepLabV3+、PSPNet、SegNet和UNet算法。