-
题名基于神经常微分方程的射线检测焊接缺陷识别
- 1
-
-
作者
吴文勇
程红渝
张启灿
-
机构
四川大学
成都市特种设备检验检测研究院
-
出处
《焊接学报》
北大核心
2025年第5期72-80,共9页
-
基金
江西省2022年度重大科技研发专项“揭榜挂帅”(人工智能交互终端设备)项目(20224AAC01011)。
-
文摘
针对射线检测(radiographic testing,RT)过程中底片评定存在主观性强、工作强度大、劳动重复性高、效率低等问题,基于深度学习理论,提出一种基于神经记忆常微分方程(neural memory Ordinary Differential Equation,nmODE)的残差网络模型对焊缝缺陷进行客观、准确、智能分类.研究搜集裂纹、未熔合、未焊透、内凹、咬边、夹渣和气孔7类缺陷的RT底片图像组建数据集,以保证缺陷的多样性,并进行图像预处理和扩充;首先对典型人工神经网络ResNet18,ResNet34,ResNet50和ResNet101进行训练,选择准确率最高的ResNet34模型作为主干网络;然后基于nmODE非线性映射能力,提出网络模型nmODE-ResNet.结果表明,相比于ResNet34,nmODE-ResNet在不增加参数量前提下,焊缝RT底片缺陷7分类任务中识别准确率提高1.56%.人工评判对比试验表明,nmODE-ResNet总体识别准确率与检验师平均水平相当.
-
关键词
射线检测
焊接缺陷分类
残差网络
神经记忆常微分方程
-
Keywords
radiographic testing
welding defects classification
residual network
neural memory ordinary differential equation
-
分类号
TG441
[金属学及工艺—焊接]
-
-
题名融合nmODE的术后肺部并发症预测模型
- 2
-
-
作者
熊立鹏
徐修远
牛颢
陈楠
章毅
-
机构
四川大学计算机学院
四川大学华西医院
-
出处
《智能系统学报》
北大核心
2025年第1期198-205,共8页
-
文摘
为了准确预测病人肺部手术后并发症的发生,提出了一种融合神经记忆常微分方程(neural memory ordinary differential equation,nmODE)的并发症预测模型。首先,利用极限梯度提升(extreme gradient boosting,XGBoost)树结构对数据进行编码,并提取其特征重要性。然后,使用长短时记忆神经网络对数据的相关特征依赖性进行分析,并提取处理后的特征。最后,利用nmODE的记忆和学习能力,对提取的特征进行深入分析,并得出最终的预测结果。通过实验评估,在肺部术后并发症数据集中,证明了提出模型的效果优于现有模型,同时可以为预测肺部手术后并发症的发生提供更准确的结果。
-
关键词
疾病预测
异构表格数据
神经记忆常微分方程
极限梯度提升
长短时记忆神经网络
合成少数过采样技术
类别不平衡
病人预后
-
Keywords
disease prediction
heterogeneous tabular data
neural memory ordinary differential equation
extreme gradient boosting
long short-term memory
synthetic minority oversampling technique
class imbalance
patient prognosis
-
分类号
TP399
[自动化与计算机技术—计算机应用技术]
-
