基于深度学习的电石炉生产场景目标检测方法研究
这是一篇关于数据增强,数据集,YOLOv5,注意力机制,着装检测系统的论文, 主要内容为化工行业安全问题关乎人民安全,社会稳定,经济发展,是各地政府关注的重点。保护现场工作人员的人身安全同样是化工企业工作的重中之重。防护服安全帽的穿戴可以有效保护电石生产车间工作人员的生命安全,具有重要的现实意义。电石生产车间目前采用人工检测或传统的目标检测方法对人员进行安全检测。针对电石生产车间中网络摄像头的安装位置导致目标对象变小,网络过拟合以及原网络特征提取能力不足的问题,开展如下工作:1、针对电石生产车间的情况对数据集进行数据预处理操作,通过数据预处理操作提高网络在复杂场景中的检测性能。探讨了多种数据增强方法对目标检测算法的指标的影响,选择效果最好的数据增强方法提高数据集的丰富度,提高网络的泛化性,提升网络的检测效果。在实验中通过模拟数据集漏标和扩大标注框,根据实验结果分析得出数据集质量对模型精度的影响。2、针对电石生产车间工作人员的安全帽防护服检测问题,提出了一种基于YOLOv5算法的双重注意力网络。将高效通道注意力模块和金字塔切分注意力模块分别集成到YOLOv5网络的空间金字塔池模块和Bottleneck模块中,使得网络获得了更多的全局上下文信息,弥补了普通卷积的不足,并且增强了网络提取特征和学习多尺度信息的能力。利用安全帽佩戴检测数据集和本文制备的数据集验证改进方法的有效性。与原始YOLOv5算法相比,改进后的方法在不同阈值下的平均精度提高了2.7%。大量对比实验进一步证实了本文改进方法的有效性。3、设计实现了着装检测系统。基于前后端分离的开发模式,将网络算法检测到的报警信息实时传递至后端保存在数据库中,利用VUE框架实现前后端交互,获取报警信息,实时渲染在网站页面上,有助于化工企业的安全管理,减少事故的发生。
基于改进YOLOv4的目标检测方法研究与应用
这是一篇关于注意力机制,K-means++聚类,数据增强,迁移学习,多尺度训练的论文, 主要内容为印刷电路板(Printed Circuit Board,PCB)是组成电子产品的重要部分,其质量检测成为满足电子产品能否长期正常运作的前提。虽然深度学习目标检测方法在PCB表面缺陷检测领域中取得了极大的发展,但是依旧存在标签样本数据缺乏、特征学习能力有限、深度网络训练困难以及检测精度和速度不均衡等问题。因此,本文在分析YOLOv4目标检测方法的基础之上,提出了一种基于改进YOLOv4的PCB表面缺陷检测方案设计。论文主要工作如下:1.分析现有PCB表面缺陷检测方法国内外研究现状及存在的问题,提出了一种基于改进YOLOv4的PCB表面缺陷检测模型。同时,采用多阶段残差混合注意力模块(Multistage Residual Hybrid Attention Module,MRHAM)来改善特征学习以增强浅层网络的特征表达能力,使得感受野更加关注于缺陷目标特征而忽略无关特征;采用K-means++聚类算法对PCB表面缺陷数据集进行聚类分析确定锚框的值;采用在线和离线数据增强、迁移学习和多尺度训练方法,增强模型对不同输入图像尺度的适应性以及提高模型的稳定性和泛化能力。2.设计了一种基于改进YOLOv4模型的PCB表面缺陷检测软件,该软件主要包括数据库设计、数据获取、数据预处理、检测模型改进与优化实现和可视化界面设计等。数据库用于存储用户、车间和检测结果等数据信息。数据预处理功能分为数据筛选、数据标注等操作,获得检测模型能够直接使用的数据集格式。检测模型改进与优化实现是整个软件的核心,本文采用了两种深度学习框架建模,并且对模型在PCB表面缺陷检测中的不足提出模型改进与优化方法。最后,本文采用后端服务器Flask框架调用深度学习Py Torch框架的API接口输出的检测结果详细信息,通过前端Vue框架实现Web端四个车间在线实时检测结果可视化展示。3.搭建系统测试环境,对数据获取、数据预处理、检测模型改进与优化实现和可视化界面设计四大软件功能模块进行功能测试;分析改进YOLOv4模型和其他传统以及深度学习目标检测模型SSD、Retina Net、Faster R-CNN、YOLOv3和YOLOv4检测性能对比。实验结果表明改进YOLOv4模型对比其他传统以及深度学习目标检测模型,在检测精度与检测速度方面均有提高,其平均精度均值(m AP)的值达到99.71%,检测速度(FPS)的值达到68 f.s-1,表明改进的YOLOv4模型在PCB表面缺陷检测应用中达到了预期的目的。
基于深度学习的传染病检测与预测机制的研究与系统构建
这是一篇关于传染病,深度学习,数据增强,数据挖掘,长短期记忆神经网络的论文, 主要内容为传染病是全球公共卫生领域的一大挑战,传染病的爆发和蔓延不仅威胁人类健康,也对社会发展造成巨大影响。传染病检测与预测作为预防和控制传染病的重要手段,成为公共卫生和医学领域的研究热点。在当前的传染病研究中,研究者往往采用公共卫生机构或疾控中心提供的大规模数据集进行研究。而传染病的检测与预测不仅要求结果的准确性,同时也极其强调结果的及时性。因为如果检测与预测措施不够及时和有效,就可能会导致传染病失控和人员伤亡。本文在保证了传染病的检测与预测结果的准确性的同时,提升了结果的及时性。在此基础上,本文提出了一种基于图像数据增强的传染病检测方法和一种基于深度学习和时序特征的传染病预测模型,并设计了传染病检测与预测系统。本文的具体研究工作主要包括以下三方面:(1)本文提出了一种新的图像数据增强方法MLMix,通过结合单样本数据增强和多样本数据增强来提高图像的鲁棒性和分类效果。本文还通过多重随机函数调用多种不同的数据增强方法生成不同的图像,进一步提高图像的鲁棒性。实验结果表明,在使用MLMix方法后,Resnet50模型的性能表现得到了显著的提升。具体来说,Recall提升了5.14%、Precision提升了2.4%、F1-score提升了6.3%、Accuracy提升了6.8%和AUC提升了5.19%。(2)本文提出了一种新的网络模型Ls-NET。同时,结合了DLSTM和Transformer模型,对季节性、月份、年份以及其他时间序列变化进行长期学习。此外,Ls-NET还使用了一种自定义Flag机制对预测结果进行打分,并根据不同的分值进行修正,具有很好的适用性。实验结果表明,采用Ls-NET模型可以显著提高多个国家传染病感染人数的预测准确性。其中在意大利的预测相对误差仅为0.17%。(3)本文通过Vue框架和Django框架实现了前后端的结合,设计了一个可视化的传染病检测与预测系统。该系统主要包含两个模块,分别是传染病的检测模块和传染病的预测模块,分别基于MLMix方法和Ls-NET模型,对传染病肺部CT图像和感染人数进行分类和预测。后续又添加了传染病新闻模块,用户可以根据该模块查阅和提交传染病相关新闻,以便做好防疫准备,最终系统以可视化的方式呈现结果。
基于深度学习的中医药命名实体识别研究
这是一篇关于中医药命名实体识别,SeqGAN,数据增强,FastBERT,Transfomer的论文, 主要内容为中医药学文本中涵盖大量具有医学价值的信息,准确快速的抽取文本中重要数据信息,可以为临床诊疗、患者自诊等提供数据支持,进而为中医药规范诊疗提升诊疗水平奠定基础。命名实体识别作为一种实体信息抽取技术,可实现对大量存储于文本中非结构化的数据结构化转换,对于目标对象的实体数据信息的抽取及知识图谱的构建都具有重要作用。而在中医药领域的命名实体识别任务中已标注数据缺少、文本数据特征不能被充分利用是命名实体识别精度不高的重要原因。针对此类问题,本文采用深度学习的方法对中医药命名实体识别进行研究,主要研究内容如下:(1)提出一种基于改进的生成对抗网络数据增强算法。传统数据增强算法以SeqGAN为核心,而以LSTM为生成器的SeqGAN存在限制算法并行化、训练速度慢的问题。为此,本文以Transformer模型来替换LSTM模型以抛弃原有的循环结构,允许算法更多并行化的同时增强数据之间的联系,进而提升生成数据的质量。其次,传统的数据增强命名实体识别方法中的Lattice LSTM模型,缺乏对词汇信息的有效利用及中文汉字特征的捕获能力。为此,本文以MECT模型来替换Lattice LSTM模型,通过结合多种特征来提升命名实体识别精度。本文采用的是中药说明书数据集,经实验对比发现,该算法能进一步提升中医药命名实体识别精度。(2)提出一种基于改进Transformer的SFM中医药命名实体识别框架。SFM即SeqGAN*-FastBERT-MECT,将改进后的SeqGAN得到的生成数据与原有的真实数据一同通过FastBERT预训练模型来提取相应的特征向量,再由MECT模型对序列化数据的词汇信息特征及汉字特征进行获取,最后通过CRF来完成序列解码标注,识别相应的实体。而SeqGAN*、FastBERT及MECT都含有Transformer模型,为进一步优化SFM中医药命名实体识别框架,本文在Transformer中引入残差式注意力机制,以提升模型整体性能。实验结果表明,该方法对中医药命名实体识别精度的提高具有一定的作用。
基于深度学习的垂直领域知识图谱构建方法研究与实现
这是一篇关于领域知识图谱,知识抽取,数据增强,序列标注,概率图模型的论文, 主要内容为随着人工智能的发展,智能的信息服务持续升级,在各种智能信息服务领域均能看到知识图谱的应用,如智能问答、个性化推送、信息检索等。知识图谱帮助计算机学习人的语言交流方式,使计算机像人类一样“思考”,使得各种信息服务反馈给用户更加智能的答案。可以说知识图谱是传统行业和人工智能进行融合的方向,也是人工智能从研究走向落地应用的过程中必不可少的环节。垂直领域知识图谱是针对某个行业,根据该领域的数据来构建的知识图谱,相比于通用知识图谱,更强调知识的深度。虽然在通用领域,学术界和工业界都已经有大规模的标注数据可供知识图谱构建模型进行训练,并且实体和关系抽取技术已经取得了长足进步。但在垂直领域的场景下,存在着标注语料数据量不足,人工标注耗费钱力和精力等难题,并且随着业务的变更,实体和关系的类型会不断地更新,已有的标注数据无法应用在新的实体和关系类型上,这些难题使得在垂直领域构建知识图谱变得非常困难。为了解决垂直领域知识图谱构建困难和低效的问题,本文主要研究如何进行行业知识的抽取,并自动高效准确地构建垂直领域知识图谱。首先,为了构建用于进行知识抽取模型训练的增强数据集,本文提出基于词典和实例交叉的增强数据生成算法。其次,针对行业产品文档中的半结构化数据和非结构化数据,分别设计并实现了基于序列标注和子模式生成的表格知识抽取算法Bi-LSTM-CRF-SSG和基于BERT和概率图模型的联合实体关系抽取模型BERT-PGM。实验结果表明,经过后续容错处理,在测试数据集上,半结构化数据抽取算法能达到99.13%的抽取准确率,非结构化数据抽取算法能达到95.7%的抽取准确率。最后,本文实现了一个垂直领域知识图谱自动构建系统,并从功能和性能两个方面进行了系统测试,测试结果表明系统的功能和性能均满足用户需求。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设小屋 ，原文地址：https://bishedaima.com/lunwen/47751.html
