基于残差网络的图像超分辨率算法改进研究

图像超分辨率重建算法的主要内容是使用低分辨率的图像信息生成高分辨率图像。近年来,随着深度学习和卷积神经网络的发展,出现了很多基于卷积神经网络与残差网络的超分辨率算法。为了解决这些算法参数数量过多、处理过程复杂、训练时间长等问题,结合现有残差网络模型和深度学习算法对其进行改进,包括调整网络结构,减少需要学习的参数,以及去除批归一化层,降低计算复杂度。改进后的网络模型能够取得更好的效果,生成图像的主观和客观评价有一定提高。     

基于多分支网络的图像分类算法

为提高卷积神经网络在图像分类中的泛化性,提出基于多分支深度神经网络结构。使用ResNet（残差网络）的跨层连接结构构造多分支网络,各分支网络共享中浅层特征提取,深层网络使用不同卷积核尺寸。分别使用独立损失函数产生多梯度对中浅层特征权值进行同步调整。与ResNet的单重网络进行对比实验,结果表明,在具有相同收敛性的前提下,各个分支网络的泛化性都得到一定提高,在多类别数据集中表现出更优性能。     

基于卷积神经网络的肺癌病理图像分类

确定肺癌类型对于病人后续治疗方案的选择至关重要,但肺癌诊断必须由专业病理医师在显微镜下观察活体组织切片确定,诊断过程耗时长,且病理医师之间很难取得较好的一致诊断。随着病理全切片扫描设备的普及,病理图像可在计算机上保存、观察、分析,使通过现代数字图像处理技术辅助诊断或提供决策支持成为可能。对于亿级像素的全切片病理图像（WSI）,通过在图像中提取小块、训练分类网络,并根据验证结果调整网络参数,可得到较好的分类准确率。测试时,聚合全图中小块分类结果得到最终类别。使用基于块的分类方法,卷积神经网络模型在WSI分类任务中取得了较好的效果,有望通过现代深度学习方法对肺癌提供辅助诊断及决策支持。     

基于卷积神经网络的光学遥感图像目标检测

针对光学遥感图像中的目标检测问题,提出了1种基于卷积神经网络模型的算法,对遥感目标检测任务进行端到端的训练和检测,根据输入的光学遥感图像,直接输出目标包围盒的回归结果和置信度。为训练和测试模型,建立了1个包含1万多个飞机、舰船目标以及广泛复杂背景的数据集。所提算法在其测试集上达到了超过90%的准确率和召回率,在GPU上的运行速度也接近实时,体现了算法准确、高效、鲁棒和易于训练的特点。     

基于可变形卷积神经网络的图像分类研究

卷积神经网络（Convolutional Neural Networks,CNNs）具有强大的特征自学习与抽象表达能力,在图像分类领域有着广泛应用。但是,各模块较为固定的几何结构完全限制了卷积神经网络对空间变换的建模,难以避免地受到数据空间多样性的影响。在卷积网络中引入自学习的空间变换结构,或是引入可变形的卷积,使卷积核形状可以发生变化,以适应不同的输入特征图,丰富了卷积网络的空间表达能力。对现有卷积神经网络进行了改进,结果表明其在公共图像库和自建图像库上都表现出了更好的分类效果。     

古籍汉字图像的可变形卷积网络检索模型

针对现有图像检索技术应用于古籍汉字图像时效果欠佳的问题,在传统卷积神经网络(convolutional neural networks, CNN)的基础上,引入可变形卷积构建适用于古籍汉字图像的CNN模型。首先,利用该模型对古籍汉字图像数据集进行特征提取;然后,利用主成分分析法对特征进行降维;最后,度量查询图像和候选图像的余弦相似度,排序并返回结果。所提出的检索方法在古籍汉字图像数据集上的平均精度均值达到70.42%,平均检索用时为3.15 s。实验结果表明,该模型能够有效地提取古籍汉字图像的特征,提高了检索方法的准确率,在古籍汉字图像检索领域具有一定优势。     

基于三维全卷积神经网络的高光谱图像分类

三维空间滤波能够同时利用光谱和空间信息提取图像中的光谱和空间特征,提高高光谱图像(hyperspectral image,HSI)的分类性能.本文提出了一种用于HSI分类的三维全卷积神经网络(3D Fully convolutional neural network,3D-FCNN)框架.该框架能够在不需要任何数据预处理及后处理的情况下有效地提取高光谱特征,实现对地物类型的分类.在Indian Pines高光谱数据集上进行的实验表明,与支持向量机、浅层神经网络及其他卷积神经网络算法相比,所提出的框架在总体分类能够有效提高高光谱图像的分类精度.     

结合单目标多窗口检测器和AlexNet的螺母检测

工业生产中螺母的漏装会导致严重的安全隐患,因此螺母的识别与检测有着重要意义。螺母可提取特征单一,使用传统方法检测时对光照、噪声等变化极为敏感,准确率较低。研究提出一种基于卷积神经网络的螺母检测算法,利用单目标多窗口检测器(single shot multibox detector,SSD)快速检测图像中可能的目标窗口,使用AlexNet对这些窗口进行分类以获得更高的分类精确度,使用基于面积比的非极大值抑制算法去除重复窗口得到最终检测结果。实验表明,该算法检测图像速度快且准确率高,可对螺母漏装进行高精度检测。     

基于卷积神经网络的图像分类研究

结合现有基于卷积神经网络的图像分类算法,以CIFAR-10作为数据集,探究如何快速搭建一个满足分类精度要求的卷积神经网络模型,以及如何有目的且高效地进行网络训练与参数调整。实验以简单的三层卷积神经网络为基础,从数据增强、网络结构与优化训练3个方面对模型进行改进。实验结果表明,通过叠加这些改进方法,可使模型的拟合能力与泛化能力逐渐增强,最终获得更高的图像分类准确率。     

基于深度学习网络的乳腺癌图片分类研究

利用深度学习网络对组织病理图片进行分类,以减少病理学家工作量,达到利用计算机辅助治疗的效果。提出利用在两种预训练好的框架下提取的特征进行训练,并研究了多级分类,该成果有利于癌症后期治疗,更加方便临床医学应用;利用迁移学习能够减少训练时间,并解决数据集不足的问题;通过数据增强的方法,可有效提高分类准确度。     

北营新1号高炉高风温生产实践

北营新1号高炉通过优化高炉煤气处理流程,配置旋切顶燃式热风炉,采用前置预热炉、热管换热器分别预热助燃空气和煤气,使用带横梁的炉箅子技术、管道保温技术以及优化烧炉技术等,为送风温度达到1250℃创造了条件。高炉在精料基础上,通过控制合理炉腹煤气量指数和理论燃烧温度,优化煤气流分布,规范高炉操作等措施,2013年全年平均风温1248℃,达到国内同型高炉领先水平。     

基于在线被动-主动学习的多特征融合图像分类

提出了基于在线被动-主动学习的多视觉特征自主加权组合算法。该算法在模型训练阶段预先依据视觉特征与图像类别之间的相互关系赋予恰当的权值,减少了多特征组合的计算复杂度。通过推导出在线被动-主动学习算法的闭式解,提出的算法在满足确保图像分类准确度的同时,提高了多特征组合的执行效率,降低了基于直方图交核学习算法的计算复杂度。与多核学习算法相比,基于在线被动-主动学习的多特征融合图像分类算法在保持图像分类准确度的情况下,所需的计算时间只有多核学习算法的10%左右。     

某厂高炉鼓风机风缸裂纹的原因分析及处理

某厂高炉鼓风机组是保障高炉正常生产的关键设备。在对机组大修时发现其风缸上存在多条裂纹。经分析,由于风缸猫爪和缸体各点温度不同,形成的膨胀量也不同,从而产生内应力,最终导致裂纹产生。另外缸体的铸造缺陷也易导致应力集中从而产生裂纹。     

BP神经网络PID控制在高炉TRT顶压控制系统中的仿真

为改善传统PID的控制缺陷,提出了BP神经网络PID控制算法应用于高炉TRT顶压控制系统中的设计构想,并针对影响高炉炉顶压力稳定的两个重要参数,运用Matlab软件进行仿真,结果表明,该优化控制算法对高炉顶压控制系统的控制效果明显优于传统PID。     

基于SVM分类的网络入侵检测研究

提出基于SVM的网络入侵检测模型,模型采用一对一的构造方法,用网络入侵数据做为模型的输入,入侵类别作为模型的输出,利用MATLAB平台进行仿真实验,并与其它方法进行比较.实验结果表明:SVM网络入侵检测模型的分类准确率高于Kohone模型,可以达到99.2%.     

武钢1#高炉炉顶均压系统的改进

高炉均压系统是武钢的关键工序管理点，也是停机控制点，武钢1^#高炉大修改造时，原设计的炉顶均压系统的方案中存在有不足之处。本文结合高炉生产实际对此提出了改进措施。通过改进，1^#主炉达到了无故障均压控制系统的水平。     

高炉大钟安装静平衡问题分析

文章采用静平衡分析的方法,给出了高炉大钟的平衡位置和平衡质量的计算方法,可以有效提高大钟的安装速度和质量.     

基于多目标全局约束的网络通信系统跨层资源分配

为了提高网络通信系统跨层资源分配的均衡性,提出基于多目标全局约束的网络通信系统跨层资源分配方法。构建了网络通信系统跨层资源的大数据挖掘模型,采用模糊特征检测方法进行资源特征挖掘,通过模糊关联规则分配方法进行资源特征分解和优化提取;采用层次化演化聚类方法进行资源自适应分块匹配,结合多目标全局约束方法,实现网络通信系统跨层资源分配。仿真结果表明:采用该方法进行网络通信系统跨层资源分配的均衡性较好。