多尺度时频空三域特征联合下的储层岩性识别方法

针对储层岩性种类繁多、交替频繁、组成复杂，传统方法识别精度低、效率慢的问题，本文提出一种多尺度时频空三域特征联合下的储层岩性识别方法。该方法在原始测井特征的基础上引入了互补集合经验模态分解(CEEMD)的多尺度频域分量，从而提高测井曲线的纵向分辨率。此外，构建了注意力机制优化的多尺度卷积双向门控循环神经网络(CNN-BiGRU-AT)模型，对加入了多尺度频域分量的测井数据进行时空特征提取，从而实现了对测井数据时、频、空三域特征的联合学习，最后以注意力机制优化了模型输出，减少了错误信息的传播。为了验证方法可靠性，本文选取了资料较为完整的5口井数据进行实验分析。结果表明，在不同数据组合的对比实验中，加入多尺度频域分量在训练集和验证集识别准确率分别提高了9.50%和8.66%。在与不同模型对比实验中，本文方法在样本识别准确率达到了94.11%,与支持向量机(SVM)、BP神经网络、卷积神经网络(CNN)、双向门控循环神经网络(BiGRU)和CNN-BiGRU融合模型相比，本文方法识别准确率分别提高了16.21%、14.54%、11.69%、5.05%、3.38%。     

改进双重注意力机制结合ResNet50的遥感图像分类

针对遥感图像类内差异性大、类间相似性高引起遥感图像分类不准确问题，该文提出了一种基于残差网络50(ResNet50)结合改进双重注意力机制方法。该方法先对双重注意力机制进行改进；然后对ResNet50结构进行调整；再将改进的双重注意力机制结合调整后的ResNet50在常用基准航空影像数据上进行实验，并与ResNet50进行对比实验。最后，通过ResNet50、ResNet50+Attention、调整ResNet50+Attention、该文模型进行消融实验，验证该文提出方法的有效性。实验结果表明，该文提出的方法与ResNet50相比，在分类精度上和召回率上分别提高了3.83%和4.02%。     

结合多路径的高分辨率遥感影像建筑物提取SER-UNet算法

针对深层卷积较难兼顾全局特征与局部特征从而导致提取建筑物边缘不准确和微小建筑物丢失的问题，以注意力机制和跳跃连接为基础提出SER-UNet算法。SER-UNet算法在编码器阶段耦合SE-ResNet和最大池化层，在解码器阶段关联SE-ResNet与反卷积层，通过跳跃连接将编码器提取的浅层特征和解码器提取的深层特征进行融合后输出特征图。验证SER-UNet算法的有效性，在MAP-Net网络并行多路径特征提取阶段使用SER-UNet算法替换原网络中的特征提取结构，分别在WHU数据集和Inria数据集上进行评估，IoU与精度分别达91.46%、82.61%和95.67%、92.75%,对比UNet、PSPNet、ResNet101、MAP-Net网络，IoU分别提高0.49%、0.14%、1.89%、1.57%,精度分别提高0.14%、1.06%、2.42%、1.09%。分析SER-UNet算法的泛化能力，将级联SER-UNet的MAP-Net网络在AerialImage数据集上进行提取验证，IoU与精度分别达85.32%和94.13%。结果表明，结合SER-UNet算法的MAP-Net并行...     

Transformer网络在大地电磁反演成像中的应用

传统大地电磁反演通常是基于确定性梯度的迭代求解,不仅需要大量时间计算雅可比矩阵,还依赖于初始模型的输入和正则化因子等参数的设置。近年来学者们不断引入机器学习方法以试图改善大地电磁反演,该方法不需要计算雅可比矩阵,不用输入初始模型,训练好的网络仅需几毫秒就可实现反演成像。这里利用Google团队提出的Transformer神经网络经典框架搭建大地电磁数据和模型之间的映射网络,以9240组正演数据为样本,对Transformer网络参数进行训练。采用南非开源大地电磁数据,实现了由视电阻率图像到电阻率模型的反演成像。研究表明:①经训练后的Transformer网络可以较准确的反映出异常体位置和大小;②网络实现了简单的矩阵并行化运算,大幅度提高训练的效率,且成像效率高于传统的反演。     

3D打印技术在精密检测工程中的应用

3D打印正逐渐进入大众市场,让人们有能力设计、选择、定制和生产个性化产品。利用3D打印技术的优势,结合冬奥会雪车雪橇赛道精密检测工程的特点,设计并打印出一种便于观测、固定、携带的钢结构夹具定位模块,3D打印的模块可以精确定位在待检测点上。通过工程的实际应用可以得出:三维软件设计并打印的定位模块可以大幅提高观测精度和工作效率。     

基于CA-YOLOv5s的水下目标识别方法研究

水下目标物的准确识别是保障通航安全的一项重要工作,针对现有算法对水下多类别目标存在识别精度不高的问题,本文在 YOLOv5s （You Only Look Once v5s） 的基础上提出对其进行改进。首先,为平衡样本间的数量,通过利用几何变化操作模拟现实发生的情况对数量较少的样本进行扩充;其次,将 YOLOv5s 中传统损失函数 CIoU 惩罚项中的反正切函数改为Sigmoid 函数,加快目标识别模型的收敛速度;最后,融合坐标注意力机制（Coordinate Attention,CA）,融合后的模型能衡量每个通道信息的重要性,在关注目标位置信息的同时也不增加过多的计算量。试验结果表明：本文所提出的改进的 YOLOv5s 较改进前在准确率上提升了4.97%,在召回率上提高了 6.20%,在类平均精度上提升了 4.98%,证明本文改进的方法在工程应用上的价值。     

基于改进DeeplabV3+的钢筋尺寸检测算法

钢筋混凝土工程的建造规模与要求日益提升，传统的钢筋检验方法无法在效率和数量上满足工程检查的需求，且施工现场钢筋背景环境复杂多变，单一的图像识别算法无法利用到钢筋的特征信息，在精度上不能满足建筑智能监理的验收标准。为了解决这方面的问题，提出一种改进的DeeplabV3+模型对钢筋识别。研究表明：通过减小空洞卷积膨胀率以及空洞卷积密度，降低模型感受野，提高了细部边缘特征信息的提取率；通过加入注意力机制实现模型对钢筋特征信息的敏感程度。之后利用图像处理技术对识别图进行检测，获得钢筋各项尺寸。在施工现场收集钢筋图像并整理成数据集，并在此数据集上进行算法检验。实验结果表明，改进的DeeplabV3+模型和原模型相比，在平均交并比、像素精确率、召回率上分别提升了5.14%、0.27%、5.19%,钢筋直径和间距的尺寸检测精度也达到了工程验收的标准。     

注意力引导特征融合与联合学习的遥感影像场景分类

为充分利用遥感影像的多尺度特征，解决遥感影像尺度差异、类间相似和类内差异等现象给高精度场景分类造成的困难，本文提出了一种注意力引导特征融合和联合学习的遥感影像场景分类方法。首先，利用深层卷积神经网络提取影像不同层次的特征图；然后，利用设计的残差注意力机制增强不同层次特征图的语义信息、抑制冗余噪声信息；最后，使用全局均值池化获取不同层次特征图的全局信息以构建特征向量，并将不同层次的特征向量融合，3个不同层次的特征向量及融合后的特征向量分别采用独立的全连接层进行分类。利用联合损失训练网络参数，采取多分类器决策级融合的方式提高预测的稳健性。在UC Merced、AID和NWPU-RESISC45数据集上的试验结果表明，本文方法显著改善了对相似场景及类内差异显著场景的辨识能力，与使用多尺度特征的同类型场景分类方法相比，总体分类精度分别提高0.84%、4.04%和4.43%。