简介：摘要：针对单通道振动信号输入不能全面表达结构损伤特征信息问题，提出基于多通道一维卷积神经网络的结构损伤识别方法，融合多传感器振动信号信息，直接从原始振动信号中自主提取学习结构损伤特征，实现对结构损伤模式的识别。通过简支梁数值模拟对所提方法进行验证，结果表明：所建立的多通道一维卷积神经网络模型（1D-CNN）能够准确地识别结构的损伤位置和损伤程度，且具有一定的抗噪能力。

简介：摘要：卷积神经网络在医学图像的应用越来越广泛，但在医学图像重建效果上需要我们进一步提高。由此我们提出一种全新的图像重建网络Y-Net，该网络基于经典的U-Net网络进行改进，考虑到磁共振图像序列的时间相关性，增强相邻图像的信息以获得关键信息更准确丰富的重建效果。通过增强相邻信息以获取更加丰富的图像信息。实验证明所提出的方法具有一定改进效果。

简介：摘要：本项目提出了一种基于卷积神经网络的端到端MOOCs学习者辍学预测模型。卷积神经网络的广泛应用证明了其强大的特征提取能力，本课题尝试将卷积神经网络用以对MOOCs学习者的学习行为数据进行有效特征的提取，并将特征提取和分类整合到一个框架中，通过它们的协同学习来提高模型的预测能力。

简介：摘要目的研究一种基于深层卷积神经网络(DCNN)全自动近视性黄斑病变(MMD)筛查及其严重程度评估系统。方法收集安徽省第二人民医院6 068张眼底图像构建训练集，并选取公开的眼底图像数据集构建测试集。对眼底图像进行预处理及扩增、MMD病变等级标注、数据清洗。构建全自动MMD筛查系统，该系统由两级网络结构组成，第一级网络结构用于识别MMD是否存在，第二级网络结构用于判断MMD病变的严重等级。比较VGG-16、ResNet50、Inception-v3和Densenet这4种常用的DCNN方法在MMD筛查及严重程度识别任务中的准确率、特异性、敏感度、精确率、F1值、曲线下面积(AUC)、Kappa系数性能。结果Densenet网络模型在MMD筛查任务中表现最优，其敏感度、特异性、精确率、F1值和AUC分别为0.898、0.918、0.919、0.908和0.962。Inception-v3网络模型在MMD严重程度识别任务中表现最优，其敏感度、特异性、精确率、F1值和AUC分别为0.839、0.952、0.952、0.892和0.965。可视化结果显示，本研究所采用的网络结构模型可自动学习MMD严重等级判断的临床特征，准确识别弥漫性和局灶性脉络膜萎缩区域。结论基于DCNN的眼底图像MMD筛查方法可自动化提取MMD的有效特征，并准确进行MMD筛查及其严重等级判断，可有效辅助临床。

简介：摘要目的通过深度卷积神经网络(convolutional neural network，CNN)技术实现胃病变内镜图像的快速、准确人工智能辅助诊断。方法收集2012—2018年北京大学人民医院1 121例胃病变的普通白光内镜图像和病理结果。胃病变图像包括消化性溃疡、早期胃癌及高级别上皮内瘤变、进展期胃癌、胃黏膜下肿瘤共4类，另外还包括无病变正常胃黏膜图像。共17 217张图像作为训练集，使用CNN ResNet-34模型训练分类任务，使用全CNN DeepLabv3模型训练像素分割任务。经过训练后的CNN通过一个测试集评估诊断效能，测试集包括237例胃病变，共1 091张普通内镜图像。计算CNN诊断的准确率、敏感度、特异度、阳性预测值、阴性预测值。结果CNN对于早期胃癌及高级别上皮内瘤变的诊断准确率为78.6%(33/42)，敏感度为84.4%(27/32)，特异度为60.0%(6/10)，阳性预测值87.1%(27/31)，阴性预测值54.5%(6/11)；对于消化性溃疡的诊断准确率为90.4%(47/52)，敏感度为92.7%(38/41)，特异度为81.8%(9/11)；对于进展期胃癌的诊断准确率为88.1%(52/59)，敏感度为91.8%(45/49)，特异度为70.0%(7/10)；对于胃黏膜下肿瘤的诊断准确率为86.0%(43/50)，敏感度为89.7%(35/39)，特异度为72.7%(8/11)。所有测试集图像识别时间为42 s。结论CNN可以作为早期胃癌及其他胃病变内镜图像的快速辅助识别方法，识别速度快，准确率高。

简介：摘要：滚动轴承健康状态会影响到整个机械系统，因此需要对其进行故障诊断。提出一种基于最大相关峭度解卷积的滚动轴承故障诊断方法，首先通过相关峭度来衡量周期性和脉冲性，区分故障信号与噪声，其次以相关峭度最大为目标函数对测量进行进行解卷积提升周期性脉冲，再通过Hilbert包络解调得到包络信号，最后通过包络信号频谱判断滚动轴承故障情况。

简介：在深度学习理论模型的基础上,提出了基于卷积神经网络的云检测方法。以GF-2号卫星影像为数据源,选取广西壮族自治区贵港市为实验区,提取了不同下垫面的云,验证了该方法的有效性。

简介：目的：针对脑肿瘤形状、位置及大小等多变性,提出一种适合磁共振成像（MRI）脑肿瘤分割的卷积神经网络模型的改进方法。方法：将卷积神经网络应用到脑肿瘤分割上,并针对脑肿瘤的特点,提出多尺度卷积神经网络模型（MSCNN）,通过多尺度的输入与多尺度下的采样,克服脑肿瘤的个体差异,同时适应脑肿瘤不同图像层之间的大小位置差异,弱化肿瘤边缘与正常组织灰度相近的影响。结果：通过对30例患者的多模态磁共振图像进行分割,得到平均Dice系数为83.11%;平均灵敏度系数为89.48%;平均阳性预测值（PPV）系数为78.91%。结论：MRI脑肿瘤分割的改进方法可使分割精度得到明显提高,多尺度卷积神经网络能自适应脑肿瘤的差异性,并准确有效地分割脑肿瘤。

简介：安捷伦科技于2009年2月24-26日在上海安捷伦科技分析仪器研制中心举办了"安捷伦微板流控技术及解卷积软件技术研讨会"。为期三天的研讨会,吸引了来自全国各地石油、石化、食品、环境、商检、

简介：摘要近年来，我国的电力系统有了很大进展。针对传统电力电缆绝缘损伤检测方法存在检测流程复杂和无法大规模整体检测的缺点，本文结合图像无损接触方式和深度学习方法，提出了一种基于深度学习的电力电缆图像破损批量检测方法。该方法创新性地建立了基于残差和深度可分离模块的轻深度卷积神经网络模型，和以往的卷积神经网络模型相比，网络极好地平衡了系统的识别时间和识别精度，能实现高效、无损、快速的大规模电缆外表面多样化异常检测。和传统学习方法和已有深度卷积神经网络模型的实验结果对比表明，本文方法具有良好的实时性、鲁棒性和识别率，识别正确率达到99.47%。

简介：摘要：在“碳达峰、碳中和”的目标下，电网结构逐步呈现出复杂多变的新形态特征，电力系统面临更多暂态稳定风险。快速、准确的电力系统暂态稳定评估对电力系统的安全稳定运行至关重要。近年来，深度学习的巨大发展推动了模式识别与数据挖掘相关的研究，在暂态稳定评估中也得到了应用。基于此，对基于时空图卷积网络的电力系统暂态稳定评估进行研究，以供参考。

简介：

简介：摘要：人们在进行信息传递活动时需依靠图像这一介质，然而图像的信息采集环节与传递环节有很高几率出现失真情况，让图像内容存在不完整、不具体、不清晰和不真实问题。近年来，卷积神经网络的图像识别技术获得广阔应用空间，有利于图像清晰度的识别工作开展。本文分析了深度学习基础上的卷积神经网络图像清晰度识别，以望借鉴。

简介：摘要：人们在进行信息传递活动时需依靠图像这一介质，然而图像的信息采集环节与传递环节有很高几率出现失真情况，让图像内容存在不完整、不具体、不清晰和不真实问题。近年来，卷积神经网络的图像识别技术获得广阔应用空间，有利于图像清晰度的识别工作开展。本文分析了深度学习基础上的卷积神经网络图像清晰度识别，以望借鉴。

简介：摘要：CIFAR-10数据集是由10个类中的60000幅的32*32幅彩色图像构成的，其包含了十种不同的涉及动物，交通工具等图片，可以通过训练其数据集来对其相似类别的图片进行识别，CIFAR-10强调了网络结构训练和评估的规范组织方式。并且能提供了构建更大和更精细的模型的模板。本文通过根据训练数据集来识别不同类别的图片，来进行对CIFAR-10数据集的研究。

简介：摘要：为有效进行化纤纸管外观自动化检测，本文提出并研发了一套基于PVANet轻量化卷积神经网络模型的化纤纸管外观缺陷智能检测系统。PVNET最大亮点在于对Faster RCNN网络结构特征提取部分做了重新设计，采用了包括串联C.ReLU、Inception和HyperNet等构建模块，使网络轻薄，在确保准确性的前提下兼顾实时目标检测性能。经测试，基于本文方案研发的智能检测识别率高达98.8%，完全满足化纤纸管产线自动化检测需求。

简介：摘要：航空发动机作为飞机的关键部件，结构复杂且工作环境恶劣(高温、高压、高速、高强度、变负荷等),其核心传动件(如轴承)易出现故障失效,因此，研究航空发动机核心传动件的状态监测与故障诊断，对及时发现故障隐患、保证飞行安全、降低运维成本具有重要意义。振动信号分析是轴承故障检测的一种有效方法。振动信号包含丰富的轴承故障信息，但受复杂装备中多个振动源、复杂传递路径、强噪声干扰的影响，故障特征信号十分微弱，因此如何从振动信号中获取故障信息是故障诊断的关键。为有效提取故障特征，出现了诸多方法，如小波变换方法、经验模态分解、局部均值分解、变分模态分解等。小波变换适用于分析非平稳信号或奇异性突变信号，但小波基的选择依赖于经验，自适应性差。经验模态分解、变分模态分解等解调方法能自适应分离出周期性故障冲击，但易出现模态混叠、端点效应、过(欠)包络或分解个数不易确定等问题。

简介：

简介：摘要：随着现代工程技术的不断发展，越来越多的高档建筑和结构工程采用了螺栓连接方式。而螺栓球节点是一种重要的结构连接方式，其安全性对于整个结构的稳定性至关重要。然而，由于长期使用和外界因素的影响，螺栓球节点存在着许多健康隐患，如腐蚀、疲劳、裂纹等问题，这些问题可能会导致螺栓球节点的失效，从而危及整个结构的安全。

简介：摘 要：喉癌是种复发率较高的癌症，对于喉癌的早期CT识别是重要的检查手段，而最终的确诊还是得靠病理结果。CT是一种断层扫描技术，将患者检查部位断层扫描生成n张CT图片，每张CT图片都是2D图片，利用2D卷积只能识别其中一个层面的特征，不能完全利用检查部位所有特征进行检测识别。相比较之下，3D卷积神经网络能更全面的利用所有特征。