摘要：针对传统黑木耳品质分类效率低,识别准确率不佳等问题,提出一种基于卷积神经网络和Transformer相结合的黑木耳图像品质分类方法。该研究以CoTNet模型为基础网络,设计了MICS-CoTNet黑木耳品质分类网络模型。首先,重新规划CoTNet模型主干特征提取模块的迭代次数,降低模型的计算冗余;其次,提出坐标归一化注意力机制以增强黑木耳图像局部关键特征权重,抑制主体特征干扰;最后,引入MobileNetV2模型中特征提取模块Inverted Block,并优化CoTNet模型核心模块CoT block,增强模型对黑木耳数据的特征提取能力。将MICS-CoTNet模型与EfficientNetV2、NfNet等12种模型进行对比,结果表明,综合模型准确性和轻量性等方面,MICS-CoTNet模型表现最佳。其中,MICS-CoTNet模型在干黑木耳数据中识别准确率可达98.45%,相较标准CoTNet提升5.22个百分点;在鲜黑木耳数据中识别准确率可达98.89%,相较标准CoTNet提升2.60个百分点。MICS-CoTNet模型占用内存为30.98M,相对于原CoTNet模型减少96.57M。将MICS-CoTNet模型部署到Jetson TX2 NX中,实时推理速度为18帧/s。该研究提出的MICS-CoTNet黑木耳品质分类模型识别准确率高,运算速度快,为黑木耳实时品质分级的实际应用提供了理论基础及技术支持。

摘要：为了能够更好地对长期运行中的油气管道进行风险分析及管理,可以对油气管道进行评估和预测事故后果等级。事后评估可采用层次分析法计算已发生事故后果指标权重,进而得到事故后果的评估结果;事前评估可利用贝叶斯概率统计法来分析和预测可能发生事故后果。最终都可根据模糊综合评判法计算事故后果等级。算例分析表明,该工程管道事故后果等级为高等,且两种评估方法可以得到相同的风险评估结果,这个结果可为油气管道的后续运行提供风险分析及管理监测的依据。