扭转连接件压胀复合内高压成形工艺优化及试验研究

为获取高疲劳寿命、高生产效率的汽车底盘扭转连接件，针对零件轴线长、截面变化剧烈等问题，制定了压胀复合内高压成形工艺，并采用数值模拟分析了预弯高度、管坯直径和内压力对零件成形质量的影响。通过Box-Behnken Design设计构建了响应面模型，并进行了扭转连接件的压胀复合内高压成形试验。结果表明，模拟结果和试验结果基本吻合，均在预弯高度为24 mm、管坯直径为Φ44.95 mm、内压力为66.14 MPa时成形出合格零件，零件壁厚分布均匀，特征截面质量较好，验证了工艺的可行性和数值模型多目标优化的可靠性。     

ResNet及其在医学图像处理领域的应用:研究进展与挑战

残差神经网络(ResNet)是深度学习领域的研究热点,广泛应用于医学图像处理领域.该文对残差神经网络从以下几个方面进行综述:首先,阐述残差神经网络的基本原理和模型结构;然后,从残差单元、残差连接和网络整体结构3方面总结了残差神经网络的改进机制;其次,从与DenseNet,U-Net,Inception结构和注意力机制结...     

基于密集双流聚焦网络的肺炎辅助诊断模型

X光片对肺炎疾病的诊断具有重要作用,但其成像时易受噪声污染,导致肺炎疾病的影像学特征不明显和病灶特征提取不充分。针对上述问题,提出密集双流聚焦网络DDSF-Net的肺炎辅助诊断模型。首先设计残差多尺度块,利用多尺度策略提高网络对医学影像中不同尺寸肺炎病灶的适应性,采用残差连接提高网络参数的传递效率;然后设计双流密集块,采用全局信息流和局部信息流并行结构的密集单元,其中Transformer对全局上下文语义信息进行学习,卷积层进行局部特征提取,利用密集连接方式实现两种信息流的深浅层特征融合;最后,设计具有中心注意操作和邻近插值操作的聚焦块,利用裁剪医学影像尺寸来过滤背景噪声信息,利用插值对医学图像进行放大,增强病灶的细节特征。在肺炎X光片数据集中与典型模型进行对比,本文模型的准确率、精确率、召回率、F1,AUC值和训练时间分别为98.12%,98.83%,99.29%,98.71%,97.71%和15 729 s,准确率和AUC值较密集网络分别提升了4.89%和4.69%。DDSFNet能够有效缓解肺炎影像学特征不明显和病灶特征提取不充分的问题,通过热力图和三份公共数据集进一步验证了本文...     

真空发生器的全流程CAD/CAE系统开发与应用

针对传统真空发生器研究存在的CAD/CAE数据转换精度损失和重复建模的问题,利用ANSYS Workbench平台开发面向真空发生器的全流程CAD/CAE系统,建立结构设计和仿真分析相关联的参数化模型,降低了模型的精度损失,避免了三维模型优化变更造成的重复建模问题,分析了真空发生器拉瓦尔喷管喉部直径、出口直径、扩张管直径、扩张段长度等结构参数对真空度的影响。结果表明:全流程CAD/CAE系统可实现“建模-仿真-修改-优化”的闭式循环,提高了仿真及优化的效率及可靠性。     

基于AMESim的微型精密比例阀迟滞性优化分析

针对微型比例阀流量控制精度低的问题,在结构设计上采用阻尼弹簧组件,分析比例阀系统的工作原理,利用AMESim建立了系统仿真模型,分析了线圈匝数、弹簧刚度、弹簧预紧力等参数对微型比例阀流量迟滞特性的影响.利用序列二次规划(NLPQL)优化算法,以线圈匝数为主变量,目标输出流量及最低迟滞性为优化目标,确定3组较优理论参数,...     

跨模态注意力YOLOv5的PET/CT肺部肿瘤检测

目的 肺部肿瘤早期症状不典型易导致错过最佳治疗时间,有效准确的肺部肿瘤检测技术在计算机辅助诊断中变得日益重要,但在肺部肿瘤PET/CT（positron emission computed tomography/computed tomography）多模态影像中,肿瘤与周围组织粘连导致边缘模糊和对比度低,且存在病灶区域小、大小分布不均衡等问题。针对上述问题,提出一种跨模态注意力YOLOv5（cross-modal attention you only look once v5,CA-YOLOv5）的肺部肿瘤检测模型。方法 首先,在主干网络中设计双分支并行的自学习注意力,利用实例归一化学习比例系数,同时利用特征值与平均值之间差值计算每个特征所包含信息量,增强肿瘤特征和提高对比度;其次,为充分学习多模态影像的多模态优势信息,设计跨模态注意力对多模态特征进行交互式学习,其中Transformer用于建模深浅层特征的远距离相互依赖关系,学习功能和解剖信息以提高肺部肿瘤识别能力;最后,针对病灶区域小、大小分布不均衡的问题,设计动态特征增强模块,利用不同感受野的多分支分组扩张卷积和分组可变形卷积,使网络充分高效挖掘肺部肿瘤特征的多尺度语义信息。结果 在肺部肿瘤PET/CT数据集上与其他10种方法进行性能对比,CA-YOLOv5获得了97.37%精度、94.01%召回率、96.36%mAP（mean average precision）和95.67%F1的最佳性能,并且在同设备上训练耗时最短。在LUNA16（lung nodule analysis 16）数据集中本文同样获得了97.52%精度和97.45%mAP的最佳性能。结论 本文基于多模态互补特征提出跨模态注意力YOLOv5检测模型,利用注意力机制和多尺度语义信息,实现了肺部肿瘤检测模型在多模态影像上的有效识别,使模型识别更加准确和更具鲁棒性。     

利用跨模态轻量级YOLOv5模型的PET/CT肺部肿瘤检测

多模态医学图像可在同一病灶处提供更多语义信息,针对跨模态语义相关性未充分考虑和模型复杂度过高的问题,该文提出基于跨模态轻量级YOLOv5(CL-YOLOv5)的肺部肿瘤检测模型。首先,提出学习正电子发射型断层显像(PET)、计算机断层扫描(CT)和PET/CT不同模态语义信息的3分支网络;然后,设计跨模态交互式增强块充分学习多模态语义相关性,余弦重加权计算Transformer高效学习全局特征关系,交互式增强网络提取病灶的能力;最后,提出双分支轻量块,激活函数簇(ACON)瓶颈结构降低参数同时增加网络深度和鲁棒性,另一分支为密集连接的递进重参卷积,特征传递达到最大化,递进空间交互高效地学习多模态特征。在肺部肿瘤PET/CT多模态数据集中,该文模型获得94.76%mAP最优性能和3 238 s最高效率,以及0.81 M参数量,较YOLOv5s和EfficientDet-d0降低7.7倍和5.3倍,多模态对比实验中总体上优于现有的先进方法,消融实验和热力图可视化进一步验证。     

REC-ResNet：面向COVID-19辅助诊断的特征增强模型

基于残差神经网络的新冠肺炎（Corona Virus Disease 2019, COVID-19）辅助诊断是最近的研究热点，但是COVID-19胸部X-Ray图像病变区域多样化，其大小、形状、位置因患者而异，且与周围组织的边界模糊，对比度较低，导致难以充分提取病变区域的有效特征。本文针对上述问题，提出一种COVID-19辅助诊断模型REC-ResNet，该模型以ResNet50为主干网络，引入三种特征增强策略，用来提高模型的特征提取能力。首先，采用残差自适应特征融合模块以自适应加权的方式有效地融合模型每个Stage中来自不同残差块的分层特征，该模块不仅建模不同通道之间的相关性，还学习自适应地估计不同层次信息的相对重要性；然后，在模型主干中引入高效特征增强Transformer模块，采用特征增强多头自注意力提取胸部X-Ray图像中的全局信息以增强模型的表达能力，有效地弥补了CNN捕获全局特征表示能力较弱的不足；其次，为了获得更丰富的上下文信息，提出跨层注意力增强模块，分别采用通道注意力和空间注意力对深层和浅层特征进行增强，并在充分考虑长距离特征依赖的情况下有效地融合高级语义信息和低级空...