当前位置: 首页 · 红宝石国际平台地址 · 正文

我院2022年研究生学术论文报告会第九讲

2022年5月27号下午14:00,红宝石hbs0022研究生学术论文报告会第八讲在东校区13教C318如期举行。学术报告经过院长崔艳荣教授、副院长宋文广教授、副书记颜学俊老师的合理安排,学工办付盈副教授、教学办黄静老师的精心组织。学术论文报告会由硕士生导师陈国瑞老师、代江华老师、叶青老师莅临指导,报告人分别为红宝石hbs0022研究生黄春秀,刘天赐,章柏琰,皮胜楠,朱钦,干家欣。

红宝石hbs00226位研究生依次登台演讲,分别围绕各自的研究方向,为同学们分享了6个课题:基于深度残差收缩网络的故障诊断,基于深度学习的机械故障诊断,基于faster r-cnn的钢材压坑检测,基于卷积神经网络的Retinex低照度图像增强,视频拷贝检测,聚类算法。

黄春秀同学由于疫情原因采取了线上报告的方式,报告的主要内容是:提出了两种新的深度学习方法,即通道间共享阈值的深度残差收缩网络 (RSBU-CS)和通道间不同阈值的深度残差收缩网络 (RSBU-CW)。这两种方法将软阈值化作为可训练的收缩函数嵌入到深层子网络结构中,有效提高对强噪振动信号的特征学习能力,并且取得较高的故障诊断准确率,可适用于众多领域处理各种含噪信号的模式识别任务。

刘天赐同学报告的主要内容为通过深度学习方法,避免人工提取特征的不便,实现端到端的轴承故障诊断。

章柏琰同学报告的主要内容为基于时空域CNN特征的视频拷贝检测方法,从稀疏采样的视频帧提取出空间域特征与时间域特征。最后对其两种特征融合处理提高了视频特征区分度。

皮胜楠同学报告的主要内容为鉴于现有的基于Retinex 理论的低照度图像增强方法在进行图像增强时未能达到很好的增强效果,为此提出了一种数据驱动的深层网络来学习低照度图像的分解和增强方法,通过端到端的网络训练来进行模型参数的学习, 采用改进的去噪卷积神经网络 NDnCNN, 引入卷积块注意力模型 CBAM,最后用去噪后的反射分量和修正后的光照分量进行图像重建,最后达到了一个较好的低照度图像增强效果。

朱钦同学报告的主要内容为通过Faster RCNN网络结构,实现了从端到端的钢材压坑检测,避免在工业生产中出现钢材不合格问题。但是使用Faster RCNN网络结构,实现的准确率和速度还略有不足,后续会通过YOLO算法来继续对准确率和速度进行改进。

干家欣同学报告的主要内容为DBSCAN,ST-DBSCAN,FCM等聚类算法,主要讲了运作方式,优缺点以及应用场景,针对这些算法的不足,提出后续对该算法改进的思路。


学术讲坛对于营造良好的学术氛围、促进我院研究生教育的健康快速发展起到了十分重要的作用。通过举办研究生学术论文报告会,可以让研究生相互交流思想,提高综合研究能力。导师指导研究生,在做学问的过程中要严肃科学态度、注重学术交流、加强创新创造。在学术演讲过程中摆正心态、沉着应对,要多与专家教授互动、交流、学习,掌控好自己的学术风向标,为自身的成长成才奠定坚实基础。