激光诱导残余应力的试验

对激光诱导残余应力的机理进行了分析研究.用波长1.06μm、脉宽23 ns、功率密度108~109W/cm2的脉冲激光冲击外形尺寸为30 mm×30 mm×5.5 mm的LY12CZ试样,研究了激光能量密度和冲击次数对残余应力分布的影响,并将激光诱导的残余应力与传统的机械喷丸形成的残余应力进行比较.结果表明:残余压应力随着激光能量密度的加大而加大,残余压应力层的深度随着冲击次数的增加而增加,激光诱导的残余压应力层的深度是传统机械喷丸形成的3~4倍.     

基于ConvLSTM的气象雷达回波外推

针对传统雷达回波外推方法存在数据利用率低、预报精度不高等局限,利用定标后的青海大学校内X波段天气雷达监测数据,建立ConvLSTM深度学习模型进行回波外推,并与传统光流法的外推结果进行对比.结果表明:(1)在不同的输入时长和外推时间中,ConvLSTM的精度都明显优于光流法,在第1.5小时内的平均预测误差比光流法低69...     

基于耳蜗图多示例分析的音频场景分类模型

音频场景分类(Acoustic Scene Classification, ASC)是计算听觉场景领域最具挑战的任务之一。传统的ASC模型大多采用基于线性频率分析的手工特征加基于深度学习的分类模型方法。然而,一方面,由于基于线性频率分析的特征提取方法无法模拟人耳基底膜的非线性频率选择特性,从而造成特征分辨率低下的问题;另一方面,现有的分类模型无法解决由于音源复杂且音频事件高度重叠所造成的分类准确率低下的问题。为了解决以上问题,提出了基于耳蜗图多示例分析的音频场景分类模型,一方面采用中心频率按照等效带宽均匀分布的余弦滤波器组对信号频谱进行滤波以模拟人耳听觉感知特性;另一方面,通过引入多示例学习刻画整个数据结构的特点以提高分类准确率。此外,为了抵抗音频事件的频移影响,在多示例学习分类模型的分类预测整合器中采用平均池化方法。在DCASE 2018和DCASE 2019竞赛所提供的Task1a数据集上的实验结果表明,本文提出的模型比DCASE 2018竞赛所提供的基线系统以及传统的基于Log Mel特征提取和多示例学习的模型实现了更高的分类准确率,同时也验证了平均池化要优于最大池化。     

“四个面向”战略下高校产学研深度融合的实践路向

“十四五”时期,加快推动产学研深度融合已成为完善科技创新体制机制系列部署中的关键环节,是深化企业、高校、科研院所协同创新,推动国家经济科技战略实现的重要举措。“四个面向”战略下的产学研深度融合将进一步增强高校科技创新驱动力、增强高校科技成果转化吸引力、增强产学研用协同创新支撑力、增强产学研用服务社会贡献力。当前高校产学研在主体职责边界、合作体制机制、法律政策体系、支撑载体资源等方面仍面临诸多问题。新时期,应以“四个面向”战略为指引,革新组织方式、再造评价体系、构建整合机制、优化制度环境,加快推进创新驱动发展战略和科技强国的建设。     

基于改进GoogLeNet的锌渣识别算法

针对目前热镀锌工艺中捞渣机器人工作效率低、缺乏选择性等问题,提出一种基于深度学习的锌渣识别算法,以提高捞渣生产线无人化水平.首先,在GoogLeNet网络基础上进行改进,并搭建了适用于实际生产环境的锌渣识别模型;其次,利用经验丰富的工作人员所标注的薄渣和厚渣这两类锌渣图片来建立数据库,完成锌渣分类模型的训练;最后,将工...     

基于深度学习的小样本墙壁缺陷目标检测及分类

近年来,无须人工干预的深度学习已成为缺陷图像检测与分类的一种主流方法。文章针对室内墙壁缺陷缺检测中数据集大多是小样本的问题,提出了相关的深度学习研究方法。首先,自制墙壁表面缺陷数据集（Wall surface defect dataset,WSDD）并对其进行数据标注,进而使用Faster RCNN和YOLOv5进行目标检测,两个模型的评价指标（Mean Average Precision,MAP）均高于0.517,表明本文采集的WSDD有效。然后,采用几种传统的数据增强方法（尺度调整、旋转和翻转）及图像拼接和图像融合的方法来扩充原始数据集的数量。最后,将增强前后的数据集分别用四种经典的深度卷积神经网络（ResNet34、ResNet50、DenseNet121、VGG16）模型进行测试,结果显示经过数据增强后,四种模型的识别精度明显高于增强前,分别为98.86%、99.47%、99.06%和90.25%,证明本文所采用的数据增强和深度学习方法缓解了数据集小样本的问题。     

融合时空切片和双注意力机制的视频摘要方法

为解决现有视频摘要方法的视频帧特征信息提取不充分、摘要结果过分依赖单一特征的问题,提出了一种融合时空切片和双注意力机制的视频摘要方法。在原视频的精准分段阶段,提出了基于时空切片的核时序分割算法(STS-KTS),将视频场景信息反映为时空切片纹理信息,采用水平映射法将预处理后的时空切片投影为一维数组,作为KTS的输入特征;以双注意力机制和分组卷积为基本组件,结合BiLSTM构建时空特征提取网络,以快速提取丰富的时空特征信息,从而配合纹理特征信息消除现有摘要模型对单一特征的过分依赖;采用帧参数预测模块获取最佳的视频帧贡献度分数、中心度分数以及帧序列位置;将帧分数转化为镜头分数,以选取内容丰富的片段,进而生成动态视频摘要。在SumMe和TVSum数据集上的实验表明：所提方法能提高生成摘要的准确性,比现有方法性能更高,尤其在SumMe数据集上的生成摘要准确性相比于现有方法提升了0.58%。     

基于深度学习的MIMO系统联合信号检测与信道译码

为进一步提高多输入多输出(multiple-input multiple-output,MIMO)系统性能,研究了深度学习方法来联合解决MIMO系统信号检测与信道译码问题.通过将深度神经网络、自动编码器神经网络与传统MIMO通信系统的物理层架构进行有机融合,构建了基于神经网络的MIMO系统模型,可获取系统发射端的信息比...     

基于FC-DenseNets-BC神经网络的光学水印重建方法

提出了一种基于深度学习的光学水印重建方法,通过双随机相位加密的方法实现水印的加密,并将加密图像嵌入到宿主图像中,然后利用原水印图像与含水印宿主图像之间的物理关系,训练改进的神经网络FC-DenseNets-BC,得到可以重建原水印图像的网络模型.在传统光学水印技术中,含水印宿主图像质量和解密水印图像质量依赖于嵌入强度的...     

基于改进型SPGD算法的涡旋光波前畸变校正

涡旋光束经过大气湍流时,其波前会发生畸变,因此需要对畸变的波前进行校正.无波前传感器的波前畸变校正系统基于随机并行梯度下降算法,可以实现对波前畸变的校正,但算法的收敛速度及稳定性受随机扰动电压的影响.结合深度学习理论中改进的梯度下降算法,对随机并行梯度下降算法中随机扰动电压的迭代方式进行调整,并分析不同湍流强度下改进型...