首页期刊导航|重庆工商大学学报（自然科学版）
期刊信息/Journal information
重庆工商大学学报（自然科学版）
重庆工商大学学报（自然科学版）

刘启能

月刊

1672-058X

yzzk@chinajournal.net.cn

023-62769495

400067

重庆市南岸区学府大道21号

重庆工商大学学报（自然科学版）/Journal Journal of Chongqing Technology and Business(Natural Sciences Edition)
查看更多>>本刊坚持“立足重庆、面向全国，以重点、特色学科为龙头，充分发挥本校学科优势”的特色化发展道路。始终坚持正确的舆论导向 始终坚持“科学技术工作必须面向经济建设”的办刊方针 始终坚持以繁荣科学文化技术、促进学校对外学术交流，反映我校科研、教学成果，发现和培养创新人才为己任。
正式出版
收录年代

    融合时间驻留信息的图神经网络会话推荐

    孙克雷孙孜博
    1-8页
    查看更多>>摘要：目的 现有的基于图神经网络(GNN)的推荐方法忽略了会话中有价值用户在项目上的时间驻留信息，无法解决用户无意识点击带来的影响，同时忽略图神经网络中隐藏因素的表达能力，针对以上问题，提出一种融合时间驻留信息的图神经网络会话推荐模型(Graph Neural Network Session-based Recommendation Based on Fusion of Time Resident Information，TRGNN)。方法 首先，对用户在各个项目上的驻留时间信息进行处理，通过时间图神经网络得到时间特征;其次，应用多头注意力机制增强因素的表达能力更好地提取项目特征，TRGNN将时间特征与项目特征进行融合得到最终特征，通过注意力网络得到全局上下文和局部上下文;最后，通过预测层得到最终推荐结果。结果 在Diginetica和Yoochoose两个真实数据集上进行对比实验，实验结果表明:相较于最优基线模型，本模型在Mrr@20评价指标下分别提升了 1。57％和3。30％，在Recall@20指标下分别提升了 1。10％和0。66％。结论 本模型实现了更好的推荐效果，能更好地挖掘隐藏信息，充分应用时间特征和项目隐藏特征来提高推荐准确率，降低用户误触对推荐准确率的影响。

    推荐系统会话推荐驻留时间网络注意力机制图神经网络

      原文链接:
    • 万方数据

    结构与纹理双生成的二阶段网络图像修复

    石计亮张乾
    9-19页
    查看更多>>摘要：目的 针对现有图像修复方法不能很好地实现结构和纹理信息之间的双向交互，在修复缺失面积较大或纹理复杂的图像时存在纹理模糊、结构失真等问题。方法 提出了一种基于双向坐标注意融合模块和傅里叶特征聚合模块的二阶段网络图像修复方法。首先，使用结构编-解码器和纹理编-解码器对受损图像进行结构重建和纹理合成，产生初步的修复结果;然后，将粗修复结果输入到细化修复网络，利用双向坐标注意融合模块和傅里叶特征聚合模块对图像内部纹理细节进行修复;为增强全局一致性，设计了双向坐标注意融合模块来实现结构和纹理信息之间的双向交互，并设计了傅里叶特征聚合模块，用于捕获全局上下文信息，增强图像局部特征之间的相关性，以获得精细的修复结果;此外，还利用双流判别器来估计结构和纹理的特征统计量，以区分原始图像和生成图像。结果 在CelebA-HQ数据集上进行实验，与4种图像修复方法进行比较，定性结果表明方法生成的人脸图像更加清晰自然;定量结果表明方法在峰值信噪比、结构相似性指数和弗雷歇距离上均优于对比算法;对模型中各模块的消融实验结果也验证了所提出创新点的有效性。结论 因此，所提出的方法能够有效地修复受损的人脸图像，特别是在大面积遮挡下也能生成具有结构合理、纹理清晰的图像。

    图像修复二阶段网络生成对抗网络深度学习

      原文链接:
    • 万方数据

    基于改进DETR的绝缘子缺陷检测算法

    欧阳名三李杰
    20-27页
    查看更多>>摘要：目的 绝缘子缺陷的定期检测与维修对保障输电线路的安全有至关重要的作用，为了解决绝缘子缺陷检测方法存在检测精度不高、泛用性不强等问题，提出了一种基于改进DETR(Detection Transformer)的绝缘子缺陷检测算法。方法 设计改进编码器，使用4个Transformer stage来捕捉图像中不同尺度和关系的特征信息。同时，还利用了 ResNet50的中间输出特征来补充分层Transformer的输出特征，从而提升目标检测算法的性能。设计改进解码器，采用了三层串联的结构，以确保解码器能够在不同阶段接收并学习不同尺度的特征图，同时特征融合增强模块和查询更新模块使解码器能够更有效地学习图像的特征信息且降低匹配具有相似语义特征区域的难度，进一步提高网络检测的准确率。结果 通过对输电线路绝缘子缺陷航拍图像进行了仿真实验研究，在不同阈值下改进方法识别精度分别达到了 99。5％、80。4％，较原算法分别提升了 3。4％、6。1％，对部分遮挡目标有较好的检测效果，同时与其他算法相比具有更优的检测精度和泛化能力。结论 改进DETR具有更高的检测性能，实现对绝缘子缺陷的准确检测，为下一步对于其他输电线路目标，如防震锤、间隔棒等检测提供了保证。

    绝缘子缺陷改进DETR空洞卷积DIOU

      原文链接:
    • 万方数据

    基于YOLOv8同步动态检测与局部语义视觉SLAM

    杨海波曹雏清
    28-34页
    查看更多>>摘要：目的 视觉SLAM作为自动驾驶和移动机器人的核心技术之一，传统算法无法应对高度动态的环境，也缺乏地图的语义信息，解决动态物体对SLAM系统的影响是研究的主要目标，也是当前热点问题之一。方法 提出一个新的基于YOLOv8同步动态检测与局部语义分割的方法，来实现动态环境下的位姿估计与局部语义建图。首先，通过应用YOLOv8对输入图像进行同步动态检测和语义分割，使用目标检测结果的目标框对动态特征点进行剔除，再运用静态特征点进行姿态估计，然后在系统的语义建图线程中，对语义分割后的图像加入扩张掩模，最后使用点云库进行语义地图的构建，从而产生能够应用于实际场景的语义地图。结果 在TUM数据集中进行了比较试验，数据显示:这种方法相对于传统方法能提高98。1％的位姿准确率，并且在实时性测试中，本文算法的速度也优于同类算法，而且可以在同一时间创建出局部语义地图。结论 基于YOLOv8同步动态检测与局部语义的方法来处理常规场景下的动态物体对SLAM系统的影响十分有效，且实时性高，但对于一些特殊场景如摄像机大幅旋转等，由于目标检测的失效而导致动态特征剔除失败，从而系统精度降低。

    视觉SLAM语义分割目标检测语义地图

      原文链接:
    • 万方数据

    基于特征对齐和特征融合的半监督目标检测算法

    汤文兵李菲
    35-41页
    查看更多>>摘要：目的 针对半监督目标检测导致数据特征表示不充分，数据样本类不均衡等问题，提出一种基于特征对齐和特征融合的半监督目标检测方法。方法 在常见的半监督目标检测框架中，伪标签是完全根据分类分数生成的，然而，高置信度预测并不总是保证准确的bbox定位。为了解决定位不准确问题和特征表示不充分问题，受Consistent Teacher中的FAM-3D算法启发，考虑分类和定位的最优特征可能在不同尺度上，引入T-head特征对齐头算法，在Unbiased Teacher V2中成功地将分类和定位分支进行对齐，并且引入ASFF，通过空间过滤冲突信息的方法来抑制不一致性，从而提高了特征的尺度不变性，实现特征在空间上的融合;通过学习不同特征图之间的联系来解决特征金字塔内部的不一致性问题。结果 根据实验结果，改进的算法在COCO数据集、VOC数据集上都有一定的比例提升。结论 改进的算法可以有效减轻数据表示不充分和数据样本类不均衡问题，同时也提高了算法的精度。

    目标检测半监督学习特征对齐特征金字塔ASFF

      原文链接:
    • 万方数据

    基于YOLOv5的安全帽检测方法研究

    张帅帅
    42-47页
    查看更多>>摘要：目的 针对工业场所背景复杂导致安全帽的检测精度低、效果不佳等问题，提出了一种基于YOLOv5的智能检测安全帽的方法。方法 首先在原模型YOLOv5的骨干网络中增加注意力机制，增强对不同尺寸目标特征的提取，使得网络将注意力聚焦在含有安全帽的区域，增强了网络对安全帽信息的提取，以此有效提取安全帽的特征信息;在预测层使用EIoU损失函数，考虑宽和置信度的差异、高和置信度的差异，把纵横比拆开，以此改善样本不平衡问题，提升收敛速度的同时提高了回归精度。结果 根据实验结果，改进的算法平均精度达到了 94。7％。相比于YOLOv5算法平均检测精度提高了 2。2％，相比于YOLOv3算法平均检测精度提高了 12。6％，可以有效地检测安全帽。结论 在同样的背景环境下，改进的算法可以有效地检测出远距离的小目标，对于复杂背景信息的图片，也可以准确地检测出目标。改进的算法有效地改善了原算法中小目标漏检和误检情况，也提高了检测精度。

    安全帽注意力机制深度学习损失函数

      原文链接:
    • 万方数据

    基于改进YOLOv5的护目镜佩戴检测算法

    聂壮壮汪军黄翔翔
    48-56页
    查看更多>>摘要：目的 解决目前危化实验室、工厂等危险环境下护目镜佩戴情况检测存在的人工检查效率低下、无法有效保障人员眼部安全等问题。方法 首先构建出护目镜佩戴检测数据集，其中包含4个真实场景图片与部分网络爬取数据集，并通过数据增强等手段将原始的3 383张扩充至5 462张图片，构成最终数据集，使各个样本数量达到均衡，有效预防了因样本不均衡导致的模型精度低的问题;接着提出改进型YOLOv5目标检测算法来实现对护目镜佩戴情况的自动检测，算法在YOLOv5中添加SPD小目标检测模块，该模块完全消除了传统卷积模块中导致信息丢失的步长卷积和池化操作，使网络保留更多信息，引入坐标注意力机制解决了因添加SPD带来的相邻位置关系无法有效提取的问题;同时，将原本的损失函数替换为SIoU损失函数，有效解决了真实框与目标框相互包含情况下的IoU计算问题，减少了计算自由度，降低了模型计算量，提升了模型准确率。结果 在护目镜配戴检测数据集上的实验结果表明:改进型的YOLOv5模型在护目镜佩戴检测数据集上的平均精度为72。7％，相较于原始YOLOv5模型平均精度提高了 5。6％。结论 该模型实现了对复杂环境下护目镜佩戴情况的基本检测。

    护目镜佩戴检测数据增强目标检测SPD坐标注意力机制

      原文链接:
    • 万方数据

    融合轻量化和注意力机制的语义分割算法

    袁嫚嫚陆灏
    57-63页
    查看更多>>摘要：目的 考虑现有的图像语义分割网络存在分割精度低、参数量大等问题，提出一种融合轻量化和注意力机制的语义分割算法。方法 该算法在DeeplabV3+网络模型结构的基础上，使用MobileNetV2网络替换原始网络模型结构的Xception主干网络，构建轻量化语义分割网络结构，以此减少模型参数量和计算量，提高分割速度。同时，为了有效获取关注语义信息的正确特征，在编码阶段加入注意力模块机制，使网络模型在学习过程中只关注它所需要关注的点，提高图像分割精度，达到良好的分割效果。最后，在网络模型训练过程中引入BCE loss(Binary Cross Entropy loss)和Dice loss损失函数相结合，加快网络的快速收敛，对模型更好的优化，以此提高模型的分割精度。结果 通过在数据集PASCAL VOC2012实验验证表明，该算法的分割精度提高了 2。82个百分点，参数量降低了14。46 M。同时，数据集Cityscapes的实验结果也验证了该算法的优越性。结论 优化后的DeeplabV3+网络模型提高网络模型性能。

    语义分割DeeplabV3+轻量化网络通道注意力机制损失函数

      原文链接:
    • 万方数据

    应用于交通标志的单步多目标检测方法研究

    杜云龙强俊王洪铭肖光磊...
    64-71页
    查看更多>>摘要：目的 针对自然场景下交通标志检测存在的小目标精度低和目标特征信息不足等问题，提出一种使用残差网络(Residual Network，ResNet)和注意力机制(Attention Mechanism)的单步多目标检测算法 SSD(Single Shot MultiBox Detector)，经过残差网络和注意力机制提取的特征向量输送到一个轻量、高效的特征融合模块中，最后将输出的feature map送到检测器中进行检测，从而提升交通标志检测的正确率。方法 首先，利用残差模块将特征进行1×1降维再3×3升维，然后将恒等映射和残差部分生成的特征图进行逐像素相加;其次，将CBAM(Convolutional Block Attention Module)引入到残差模块Conv4_x输出的特征图上，然后与残差模块Conv2_x，Conv3_x输出的特征图一起输入到高效的特征融合模块中进行特征融合，最后将融合后的特征图送入模型中检测以实现对交通标志的识别。结果 通过仿真实验验证，改进后的单步多目标检测算法SSD在中国交通标志检测数据集上进行检测的平均精度为90。55％，能够有效地提取小目标特征的信息。相较于主流算法CenterNet、YOLOv3、YOLOv4、Faster R-CNN、SSD分别提高了 2。57％、3。4％、2。79％、3。8％、4。93％。结论 优化后的目标检测方法相较于其他检测方法提取到了更多的特征信息，达到了更高的检测精度，在交通标志检测中具有良好的实用性和有效性。

    交通标志检测SSD算法残差网络特征融合CBAM

      原文链接:
    • 万方数据

    基于自注意力机制与1D-CNN的变压器故障诊断方法

    刘国柱
    72-78页
    查看更多>>摘要：目的 变压器是电力系统中重要的设备，其发生故障时能够被有效地判别出故障类别，使得电力检修效率提升，这对电网的安全运行具有重要意义。针对电网电力检修中出现的变压器故障判别精度不足这一问题，提出了基于自注意力机制与1D-CNN的变压器故障诊断方法。常规卷积在处理DGA气体样本数据时容易损失特征信息，导致故障诊断的准确率偏低，论文将自注意力机制与1D-CNN结合，有效改善了上述问题，提高了变压器故障诊断的准确率和可靠性。方法 为减少卷积网络提取到的特征提取信息在模型层间传播时造成的损失，论文在1D-CNN的基础上使用LeakyReLU函数替代原模型中的ReLU激活函数，相比于ReLU激活方式下很多神经元都没有被激活，LeakyReLU可以降低模型的稀疏性，使得网络特征信息多样性增加。自注意力机制可实现对变压器油中溶解气体数据的特征信息加权处理，实现了有效特征信息增强作用，采用动态衰减学习率策略对优化器进行优化。结果 所提的方法损失率可降低至0。078，相比于无动态衰减学习率和ReLU激活方式，损失率分别降低了 44。7％和38。6％;诊断准确率可达到93。79％，较1D-CNN和GOA-BP方法诊断准确率提高了 0。36％和2。12％。结论 算例仿真验证了所提方法的有效性和优越性，表明基于自注意力机制与1D-CNN的变压器故障诊断方法能有效提高诊断的准确率，降低模型的损失率。

    变压器故障诊断自注意力机制卷积神经网络

      原文链接:
    • 万方数据