摘要：及时且准确捕获井壁出现的微小裂缝,对于井筒安全意义重大.轻量化检测模型是推动井壁裂缝自动检测的关键,打破现有方法聚焦于提取深层语义信息的局限,重视浅层特征表征的几何结构信息的应用,针对井壁裂缝提出轻量化检测模型E-YOLOv5s.首先融合普通卷积、深度可分离卷积和ECA注意力机制设计轻量化卷积模块ECAConv,再引入跳跃链接构建特征综合提取单元E-C3,得到骨干网络ECSP-Darknet53,它负责显著降低网络参数,同时增强对裂缝深层特征的提取能力.然后设计特征融合模块ECACSP,利用多组ECAConv和ECACSP模块组建细颈部特征融合模块E-Neck,旨在充分融合裂缝小目标的几何信息和表征裂缝开裂程度的语义信息,同时加快网络推理速度.实验表明,E-YOLOv5s在自制井壁数据集上的检测精度相较YOLOv5s提升了4.0%,同时模型参数量和GFLOPs分别降低了44.9%、43.7%.E-YOLOv5s有助于推动井壁裂缝自动检测的应用.

摘要：针对当前钢材表面缺陷检测效率低、检测精度差的问题,提出了一个模型,命名为ECC-YOLO,基于YOLOv7的钢材表面缺陷检测。首先,为了提高主干网络特征图信息表征能力,引入了特征增强模块ConvNeXt,通过融合深度可分离卷积、大核卷积,增强模型对细小裂缝的特征提取能力,其次设计了C2fFB模块,在增强目标特征信息的提取能力同时,显著降低了模型的计算量和参数复杂性。最后借助ECA注意力机制设计出MPCE模块,削弱复杂背景信息对钢表面缺陷检测的干扰,提升检测效率。最后,广泛的实验结果表明,ECC-YOLO在NEU-DET数据集上,该模型的mAP达到77.2%,相较于YOLOv7,ECC-YOLO的检测精度提高了10.1%,模型参数量减9.3%,该模型在钢表面缺陷检测中具有较好的综合性能。

摘要：为了获得采动条件下巷道围岩应力应变演化特征,通过复变函数换算结合工程实践经验,运用科学计算软件编程对巷道围岩受力模型进行求解,获得巷道围岩主应力和主应力集中系数分布规律。采用MATLAB对巷道受力模型进行模拟演算,获得工程开采参数与巷道围岩应力应变的关系规律,由此设计了一种采动影响下巷道围岩应力应变模拟仿真系统。该系统可对多种巷道断面进行计算和模拟,进而呈现出多种信息仿真演示,解决了以往软件适用巷道类型单一、应力求解不具体且结果呈现单一化缺点,可为回采巷道支护设计提供相应的理论依据,有利于矿山工程技术人员及实验室技术人员开展模拟仿真教学。

摘要：为了精准识别、定位架空输电线路中航拍绝缘子串的自爆缺陷,提出一种轻量化检测方法MDD-YOLOv3。首先将YOLOv3主干网络残差单元中的普通卷积替换为深度可分离卷积,设计主干网络D-Darknet53,在网络检测精度微降的情况下,大幅提升网络的检测速度。特征挖掘模块中,设计了Dense-SPP模块,Dense-SPP和它前后串联的卷积特征提取层能充分挖掘自爆缺陷的全局和局部特征,提高网络对自爆缺陷的特征表达能力。最后构建了四维度预测层,能充分提取自爆缺陷的位置、纹理和语义等信息,提高网络的小目标检测性能。仿真实验表明,MDD-YOLOv3对绝缘子的检测精确度达到96.1%,检测速度达到36帧/s,相比YOLOv3,检测精确度和速度分别提升了4.0%和28.6%。研究结果证明所提方法可以在复杂背景下快速且精准的识别和定位绝缘子缺陷。

摘要：针对Dropout的流动性和随机性可能引起欠拟合或过拟合的问题,提出跨信道计算注意力权重并掩盖注意力权重最大区域的正则化方法(MARDrop)。设计跨信道注意力权重提取机制,提取所有特征图的注意力权重,并筛选出注意力权重较大的部分作为特征判别单元;根据特征判别单元周围区域的注意力权重变化确定出注意力权重最大区域,并将其掩盖即对应区域置为0,其余区域均置为1;将取值为1的注意力权重区域还原为特征图,完成正则化处理。实验表明:MARDrop具有较强的灵活性,结合不同优化方法用于Model2模型后,在CIFAR-10上的分类精度比基础模型提高了19.55%;MARDrop具有较强的泛化能力,能灵活用于不同模型,用于VGG16和ResNet18模型后,在CIFAR-10上的分类错误率比基础模型分别降低了10.05%和9.96%,用于MoblieNetV3S和MoblieNetV3L后,在ImageNet-C9上的分类错误率比基础模型分别降低了14.67%和96.90%。MARDrop利用一维卷积跨信道交互计算注意力权重,能有效降低提取的复杂度;MARDrop通过准确掩盖造成过拟合的特征区域,降低了模型对少数特征的依赖性,进而增加了图像分类的准确率。

摘要：为了区分不同高阶交叉特征的重要程度并剔除冗余交叉特征,提高点击率的预估精度,提出了一种深度交叉注意力预估网络(deep cross attention prediction network,DAPN)模型。它将具有稀疏高维特征的输入信息表示为低维稠密向量后,分别送入因子分解机(factorization machine,FM)和深度交叉注意力层(deep cross attention,DCA)。FM通过一阶特征和二阶特征交叉挖掘训练数据中从未出现或者很少出现的低阶交叉特征。DCA层利用缩放点积注意力机制(dot-product attention,DP_Att)设计交叉注意力层,用于区分高阶交叉特征的重要度,并设计深度神经网络(deep neural network,DNN)实现对高阶交叉特征建模。仿真表明,DAPN在MovieLens-1m和Avazu等公开数据集上均具有良好的预估性能,它使用并行结构能同时有效地学习低阶和高阶交叉特征,提高预估精度。

摘要：为了解决矿井复杂环境下,缺陷特征提取不充分问题,融合特征增强和级联注意力机制提出一种快速智能的罐道缺陷识别算法RDM-YOLOv5,旨在解决人工巡检效率低的现状。首先,为了提高主干网络特征图信息表征能力,设计特征增强模块RLKM,它通过重参数化大内核卷积增强主干网络对目标特征的提取能力,并且有效降低模型参数量;然后,经过主干网络提取到高低层级特征后,由设计的级联注意力机制DCAM进一步挖掘缺陷目标的深层语义信息,显著增强小目标的特征信息;最后,为提升检测精度的同时保障检测网络的轻量化,在特征增强网络中引入轻量级卷积GSConv,在保持模型检测准确性的同时降低计算成本。实验结果表明,相较于YOLOv5s,RDM-YOLOv5的检测精度和速度分别提高3.7%、11.4%,模型参数量减少15.4%。它能基本满足实际应用中精准识别和快速定位罐道表面缺陷的需求。

摘要：为了实现输电线路的高精度、高速度巡检,设计了一种适用于移动终端设备的轻量化目标检测网络DE-YOLO。首先融合深度可分离卷积、逐点卷积和ECA注意力机制提出了特征提取模块NewC3,它负责显著降低网络参数、同时强化网络提取绝缘子有效信息的能力。再借助通道数成倍增长策略和通道注意力机制SE设计了轻量化模块DC-SE,它用于削弱复杂背景对绝缘子故障的干扰、互补提取绝缘子细微特征,进而增强浅层网络对目标特征信息的提取能力。实验表明,DE-YOLO网络在自制绝缘子数据集上的GFLOPs降低45%,运行参数降低42%,自爆缺陷检测精度高达93.2%。NewC3和DC-SE能保证DE-YOLO的轻量化,同时满足绝缘子自爆缺陷实时检测的要求。

摘要：为研究含水率、温度对砂岩力学特性的影响机理,以灰砂岩为研究对象进行不同温度(20、-20、-30℃)和不同含水率(0%,20%,100%)状态下的岩石单轴压缩(UCT)和动态冲击试验,并对压缩破坏后试件的破裂断口形貌进行SEM扫描分析。结果表明:在20℃,随着含水率的增加,试块的静态抗压和动态冲击强度在降低;-20℃和-30℃情况下试块的静态抗压和动态冲击强度会随着含水率的增加,呈现先增长后下降的趋势;而在同一含水率的情况下,随着温度的降低,试块的峰值应力逐渐增大,即抗压强度会逐渐增强;依据单轴压缩破坏后的试件,得到宏观破裂模式可分为拉张型破裂、剪切型破裂和滑移型破裂;通过SEM扫描试件,得到了微观破裂类型主要分为拉张和剪切滑移两种。研究结果可为低温环境下岩石力学工程设计、施工提供参考。

摘要：为了探索承压水下工作面自动开采模拟实验及覆岩运移应力监测,通过对承压含水层与采煤支护系统模拟设计的结合,设计了一种承压水下自动采煤相似模拟实验系统及方法,实现承压水下的相似模拟模型的自动开挖和压力监测,包含模拟承压含水层和采煤支护模拟系统。设计的模拟承压含水层,通过调节水箱高度和调压阀实现对承压含水层水压力的控制,以及水袋之间的水流量传感器,实现在采动过程中对含水层中受采动影响部分的水的流动及补给规律进行模拟及监控。设计的采煤支护模拟系统,实现在上覆岩层中存在含水层时,对承压水下煤层开采的近似模拟与覆岩运移应力监测,实现了自动开挖模型功能,提高了实验准确性,大大降低工作强度,使实验更加智能化。