针对岩石薄片图像超分辨率重建过程中因纹理复杂导致现有重建方法效果不理想的问题,提出面向岩石薄片图像的超分辨率网络模型(super-resolution denoising diffusion probability model of rock slice,rsDDPMSR).针对传统上采样方法往...针对岩石薄片图像超分辨率重建过程中因纹理复杂导致现有重建方法效果不理想的问题,提出面向岩石薄片图像的超分辨率网络模型(super-resolution denoising diffusion probability model of rock slice,rsDDPMSR).针对传统上采样方法往往会导致伪影和低分辨率图像先验信息利用不充分的问题提出分层特征增强网络(layered feature enhancement network,LFE-Net),利用双通路网络对平稳小波变换分解后的高频与低频分量进行分层特征增强.为引导扩散模型的生成方向并提供丰富先验信息,将经过LFE-Net增强后的低分辨率特征与目标高分辨率加噪图像特征通道拼接作为扩散模型的条件输入.在U-Net的基础上设计了双编码器多尺度噪声预测网络(ACA-U-Net)有效处理岩石薄片多尺度信息并在跳跃连接中引入时间感知的自适应交叉注意力机制适配扩散模型不同去噪阶段的特征分布变化增强模型对关键区域的关注程度,有效提升图像重建细节.实验结果表明,rsDDPMSR在2×、4×、8×放大倍数下,峰值信噪比(PSNR)和结构相似度(SSIM)相比于CAMixerSR、SDFlow、IDM和SR3等主流重建方法具有更优的重建效果.展开更多
针对齿轮故障诊断中采集到的振动信号常伴有噪声干扰且故障特征难以提取的问题,以傅里叶-贝塞尔级数展开(Fourier-Bessel series expansion,FBSE)为基础,提出了一种将FBSE和基于能量的尺度空间经验小波变换(energy scale space empirica...针对齿轮故障诊断中采集到的振动信号常伴有噪声干扰且故障特征难以提取的问题,以傅里叶-贝塞尔级数展开(Fourier-Bessel series expansion,FBSE)为基础,提出了一种将FBSE和基于能量的尺度空间经验小波变换(energy scale space empirical wavelet transform,ESEWT)相结合的齿轮振动信号降噪方法,即FBSE-ESEWT。首先,将采集到的齿轮振动信号利用FBSE技术获得其频谱,以替代传统的傅里叶谱,接着凭借能量尺度空间划分法对获取的FBSE频谱进行自适应分割和筛选,以精确定位有效频带的边界点。随后通过构建小波滤波器组得到信号分量并进行重构,以减小噪声和冗余信息干扰;然后,为捕捉到更全面的特征信息将处理后的信号进行广义S变换得到时频图,输入2D卷积神经网络进行故障诊断验证算法可行性。通过对Simulink仿真信号和实际采集信号进行实验,结果表明,相对于原始经验小波变换(EWT)、经验模态分解(EMD)等方法,FBSE-ESEWT具有更好的降噪效果,信噪比提高了13.96 dB,诊断准确率高达98.03%。展开更多
文摘针对岩石薄片图像超分辨率重建过程中因纹理复杂导致现有重建方法效果不理想的问题,提出面向岩石薄片图像的超分辨率网络模型(super-resolution denoising diffusion probability model of rock slice,rsDDPMSR).针对传统上采样方法往往会导致伪影和低分辨率图像先验信息利用不充分的问题提出分层特征增强网络(layered feature enhancement network,LFE-Net),利用双通路网络对平稳小波变换分解后的高频与低频分量进行分层特征增强.为引导扩散模型的生成方向并提供丰富先验信息,将经过LFE-Net增强后的低分辨率特征与目标高分辨率加噪图像特征通道拼接作为扩散模型的条件输入.在U-Net的基础上设计了双编码器多尺度噪声预测网络(ACA-U-Net)有效处理岩石薄片多尺度信息并在跳跃连接中引入时间感知的自适应交叉注意力机制适配扩散模型不同去噪阶段的特征分布变化增强模型对关键区域的关注程度,有效提升图像重建细节.实验结果表明,rsDDPMSR在2×、4×、8×放大倍数下,峰值信噪比(PSNR)和结构相似度(SSIM)相比于CAMixerSR、SDFlow、IDM和SR3等主流重建方法具有更优的重建效果.
文摘针对水下环境复杂性带来的多尺度目标检测挑战,提出了改进算法WPS-YOLOv8。设计了小波池化卷积模块(wavelet pooling convolution,WPConv),该模块通过小波池化技术降低通道压缩后特征图的分辨率,有效抑制了传统下采样过程中产生的频率混叠伪影,提升了特征提取质量和表达能力。提出了局部逐点分组重排卷积模块(partial pointwise group shuffle convolution,PGConv),该模块通过结合局部卷积与逐点卷积,能够在减少信息冗余的同时保持通道间的信息交互,弥补了深度可分离卷积的不足,增强了特征融合效果。提出了ShapeLoss损失函数,综合考虑影响不同尺度目标检测精度的因素,通过集成Shape-IoU和Shape-NWD两种损失测度,有效提升了对多尺度目标的总体检测精度。实验结果显示,相较于YOLOv8,WPS-YOLOv8在URPC2018和UTDAC2020水下数据集上的平均精度均值(mean average precision,mAP)分别提升了8.6和4.4个百分点,展现了其在水下多尺度目标检测中的出色表现。
文摘针对齿轮故障诊断中采集到的振动信号常伴有噪声干扰且故障特征难以提取的问题,以傅里叶-贝塞尔级数展开(Fourier-Bessel series expansion,FBSE)为基础,提出了一种将FBSE和基于能量的尺度空间经验小波变换(energy scale space empirical wavelet transform,ESEWT)相结合的齿轮振动信号降噪方法,即FBSE-ESEWT。首先,将采集到的齿轮振动信号利用FBSE技术获得其频谱,以替代传统的傅里叶谱,接着凭借能量尺度空间划分法对获取的FBSE频谱进行自适应分割和筛选,以精确定位有效频带的边界点。随后通过构建小波滤波器组得到信号分量并进行重构,以减小噪声和冗余信息干扰;然后,为捕捉到更全面的特征信息将处理后的信号进行广义S变换得到时频图,输入2D卷积神经网络进行故障诊断验证算法可行性。通过对Simulink仿真信号和实际采集信号进行实验,结果表明,相对于原始经验小波变换(EWT)、经验模态分解(EMD)等方法,FBSE-ESEWT具有更好的降噪效果,信噪比提高了13.96 dB,诊断准确率高达98.03%。
