深度卷积神经网络语义分割综述

得益于深度卷积神经网络在特征提取和语义理解的强大能力,基于深度神经网络的语义分割技术逐渐成为计算机视觉研究的热点课题.在无人驾驶、医学图像,甚至是虚拟交互、增强现实等领域都需要精确高效的语义分割技术.语义分割从图像像素级理解出发,为每个像素分配单独的类别标签.针对基于深度神经网络的语义分割技术,根据技术特性的差异,从编码-解码架构、多尺度目标融合、卷积优化、注意力机制、传统-深度结合、策略融合方面展开,对现有模型的优缺点进行梳理和分析,并当前主流语义分割方法在公共数据集实验结果进行对比,总结了该领域当前面临的挑战以及对未来研究方向的展望.     

改进YOLOv4的混凝土建筑裂缝检测算法

针对当前混凝土建筑裂缝走向不规则、细小裂缝特征难以提取的问题,提出一种基于YOLOv4改进的混凝土建筑裂缝检测算法.该算法以YOLOv4框架为基础,在其特征提取网络部分引入感受野更宽的RFB模块捕获特征图;并基于PANet多尺度路径融合结构,提出新的多尺度特征融合方式SL-PANet.该方式首先增加浅层网络特征信息,提高模型对细小裂缝识别的精度,其次采用DUpsampling上采样模块充分还原图像的特征信息,并在上采样和下采样过程中融入CBAM注意力机制模块,突出裂缝的特征信息,去除背景冗余信息的干扰,以此增强裂缝特征的表达能力.该算法同时利用AdamW优化器加快网络训练的收敛.实验结果表明：文章改进的算法检测精度高达94.47%,较原YOLOv4算法提高6.44%,能够满足当前混凝土建筑裂缝检测需求.     

特征属性描述下设备的新故障零样本识别

自动化升级背景下,设备间耦合性不断提高,故障表现形式繁杂多样.单一故障不及时处理极易造成影响范围的扩大,使得事故进一步升级.为保证设备的正常运转,对传统的基于案例分析生成的故障诊断方法提出了新的要求,具体包括：低成本、长期监测、少样本或零样本故障识别.针对这些新需求,本文提出将图像处理领域中使用的零样本分类识别思想引入故障诊断领域.通过研究现有故障样本的特征参量,对其进行寻优确定用于状态监测的特征,采用模糊神经网络构成特征属性描述器,将特征描述为设备属性,再由ART网络以属性描述为基础,对设备进行长期监测的同时增量学习.即以少量设备样本或相似样本的分析为基础构建监测与学习机制,识别原有故障的同时学习并记录新类故障.为说明本方法的可行性与有效性,文章利用电机故障数据集以少量样本为先验知识构建系统,混合未知故障样本进行系统测试.实验结果表明,零样本分类思想的应用有望解决当前技术背景下设备故障诊断的新挑战.     

基于统计检验的光电耦合器寿命预测模型研究

基于统计学思想,提出了寿命预测过程的逆向检验方法,通过Shapiro-Wilk检验验证试验数据的分布特性,通过方差齐性分析检验实验过程老化机理一致性,通过显著性检验对回归方程的显著性进行检验。文章将该方法应用于光电耦合器的寿命预测过程,通过提出的逆向检验方法验证后,所得预测结果与生产厂家提供的参考寿命接近。实验结果表明该方法能够有效地检验试验数据和评估模型的适用性,进一步提高光耦寿命预测的准确性,同时该方法对其他器件的寿命预测也具有一定的借鉴价值。