泡沫混凝土压缩特性及抗压强度模型_周顺鄂

第32卷 第11期

2010年6月武 汉 理 工 大 学 学 报JOURNAL OF WUHAN UNIVERSITY OF TECHNOLOGY Vo l.32 N o.11 Jun.2010DOI:10.3963/j.issn.1671 4431.2010.11.003

泡沫混凝土压缩特性及抗压强度模型

周顺鄂,卢忠远,焦 雷,李三霞

(西南科技大学材料科学与工程学院,先进建筑材料四川省重点实验室,绵阳621010)

摘 要: 制备了一系列的泡沫混凝土,对泡沫混凝土的压缩力学性能进行了测试,研究了泡沫混凝土压缩应力 应变曲线的特征,分析了影响泡沫混凝土压缩性能的相关因素,并运用Gibson Ashby 模型对抗压强度进行了模拟,通过拟合得出了抗压强度与相对密度的方程,确定了表征孔棱材料分数和孔壁断裂强度的微观结构参数。研究表明,泡沫混凝土压缩过程分为4个阶段,即平台阶段、密实阶段、屈服阶段和衰退阶段,其压缩力学性能受到基体材料、容重和气孔形态及分布等因素的影响;Gibbson Ashby 模型拟合的结果具有较高的合理性,对分析泡沫混凝土微观结构力学性能有较大的帮助。

关键词: 泡沫混凝土; 压缩特性; Gibbson A shby 模型

中图分类号: T U 55文献标识码: A 文章编号:1671 4431(2010)11 0009 05

Compression Property and Compression Strength Model of

Foamed Concrete

Z H O U Shun e,L U Zhong y uan,JIA O Lei,LI San x ia

(School of M aterials Science and Engineering,Southwest U niversity of Science and T echnology,

Key L aboratory for Advanced Building Materials of Sichuan Pr ovince,M ianyang 621010,China)

Abstract: A ser ies of foamed concrete were prepared in this paper.Co mpression mechanical property of foamed concrete was tested.T hen,we hav e do ne resear ch on stress strain curve character i stics of foamed concrete,and analyzed relative factors ef fect on compression property of fo amed co https://www.wendangku.net/doc/0716140130.html,pression strength v alues were simulated by Gibbson Ashby model.T he e quation of compressio n streng th and relativ e density was deduced out by fitting compression strength.M icrostructure par ameters character izing the propor tion of por e r ib and po re wall fr actur e streng th was determined.T he r esults show that ther e ar e four steps in foamed co ncrete co mpression process,namely plateau step,compacting step,yield step and decline step.T he compr es sion mechanical property is affected by matrix mater ial,volume w eight,morphology and distr ibut ion o f pore,etc.Fitting re sults of Gibbson Ashby model had high rationality.It could be helpful in analyzing mechanical pr operty of fo amed concrete mi crostructure.

Key words: foamed concrete; compression propert y; Gibbso n

Ashby model 收稿日期:2010 01 06.

基金项目: 十一五 国家科技支撑计划子课题(2006BAF02A24)和四川省科技攻关项目(2006Z02 044).作者简介:周顺鄂(1985 ),男,硕士生.E mail:zhoushune1985@https://www.wendangku.net/doc/0716140130.html,

泡沫混凝土又名发泡混凝土,它是采用发泡剂通过机械制出泡沫,再将泡沫加入胶凝材料浆体,制成泡沫料浆,然后成型或现浇,经自然养护或者蒸压养护所形成的微孔轻质材料。它的突出特点就是在混凝土内形成泡沫孔,使混凝土轻质化和保温隔热化[1]。泡沫混凝土属于以固相为连续相气相为分散相的保温材料。泡沫混凝土具有重量轻、保温隔热、吸音防震的特点。泡沫混凝土是一种利废、环保、节能、价格低、性能好的新型保温隔热材料。

目前泡沫混凝土孔结构力学机理研究较少,影响力学性能的因素探讨很少,还没有建立适用于分析泡沫混凝土孔结构力学模型。作者将对不同条件下制备出的的泡沫混凝土进行压缩测试,分析其应力 应变过程,并讨论影响压缩特性各个因素。最后运用Gibbson Ashby 模型对抗压强度进行模拟,确定表征其微观结构性能的参数。

1 实 验

普通硅酸盐水泥,P O32.5R,四川双马集团;粉煤灰,四川江油巴蜀火电厂,内江循环流化床电厂;发泡剂,自制;外加剂若干。粉煤灰化学成分见表1。有关泡沫混凝土试验参照标准 泡沫混凝土砌块 (JC/T 1062 2007)执行。

表1 各种类粉煤灰的化学成分

w /%原料

SiO 2A l 2O 3F e 2O 3CaO M g O SO 3K 2O N a 2O 内江

19.019.47 5.6132.06 29.620.970.5197.25江油54.532.01 5.61 1.27 1.460.58 2.470.3198.21

2 结果分析与讨论

2.1 泡沫混凝土的压缩特性

使用微机控制电子万能试验机,对多组泡沫混凝土砌块进行压缩实验,自动绘制应力 应变曲线图。作者结合多孔材料和混凝土应力 应变曲线图[2,3],通过大量分析泡沫混凝土砌块应力 应变曲线图,总结出泡沫混凝土砌块轴向压缩应力 应变曲线基本上分为4个阶段。

平台阶段。这阶段与表层孔穴坍塌相关联。泡沫混凝土的平台阶段分2种,如图1(a)和图1(b)所示。在出现塑性屈服的平台阶段,泡沫混凝土存在一些较脆弱的孔隙和缺陷,这些孔隙和缺陷首先被压实,应力随着应变的增加而增长缓慢。在产生弹性屈曲的平台阶段,泡沫混凝土应力随着应变增加而呈加速增长的

趋势。

密实阶段。这个阶段应力变化较大,应力随着应变呈线性增长,此阶段主要反映了孔结构的强度特性。该阶段主要会发生2种情况,一种是脆性密实,如图1(c)所示,另一种弹性密实,如图1(d)所示。脆性密实伴随着内部一部分孔壁的坍塌破坏,应力发生小幅的下降,随着压缩的继续,破坏的孔壁被压实在一起,以至于相对的壁面接触,接着进一步的压缩应变使泡沫混凝土本身被压缩,应力会随着应变的增加而继续增加,一般情况下发生脆性密实时,应力随应变至少发生一次波动。产生弹性密实的泡沫混凝土处于线弹性范围,孔壁经受弹性变形。总体而言,随着泡沫混凝土相对密度的提高,杨氏模量增大,密实化开始点的应变值会10 武 汉 理 工 大 学 学 报 2010年6月

降低。

屈服阶段。根据实验,发现泡沫混凝土的屈服阶段大致分2种情况。

1)振荡屈服,如图1(e)所示。当应力达到峰值后,从孔的失效过程来看,首先个别孔壁被压垮,接着其所在层面上(平面或曲面)的其余孔壁产生应力集中,导致整层孔壁被压垮,应力随着应变的增加而小幅下降。该层面被压实,形成一条变形带,而变形带之外的孔壁仍处于弹性阶段。在这层面的孔全部被压垮后,应力会随着应变的增加而小幅上升,但不会超过峰值,接着另外一层面的气孔被压实,应力随着应变的增加而下降。就这样应力随着应变的增加发生振荡式的衰减,振荡次数一般为2到3次。

2)点屈服,如图1(f)所示。在经过密实阶段后,当泡沫混凝土断面上骨架承载力超过其断裂强度时,发生脆性断裂。随着应变的增加,泡沫混凝土整个试块突然发生破裂,应力随着应变而陡降。从破坏部位上,裂缝分布有规律,其裂缝与轴线约成45 ,该种情况一般发生在高容重及高强度的泡沫混凝土上。

衰退阶段。这个阶段试块整体被破坏,试块中应力随着应变的增加而加速衰退。

作者通过大量试验研究发现,泡沫混凝土压缩力学性能主要受下列3种因素的影响:基体材料的性能、容重、气孔的形态大小、分布和孔壁上的微缺陷。基体材料和容重对泡沫泡沫混凝土材料的压缩力学性能影响最大,其次是孔形态大小、分布及孔壁上的微缺陷。

由于基体材料压缩力学性能的差异,导致泡沫混凝土材料骨架部分在压缩过程中的表现不同。基体材料的压缩力学性能受到其组成材料的细度、形态、配比、化学成分和物理力学性能等的影响。

在同等条件下,屈服强度会随着容重的提高而提高。泡沫混凝土屈服强度与孔隙率有密切关系。屈服强度随着容重的增加而急剧增加,且与密度成线性关系,表观弹性模量也随之升高。不同的孔隙率其压缩应力应变曲线也不尽相同,主要表现在密实类型、屈服类型、弹性模量的大小、最大应力及屈服平台的长度上。

在同等条件下,屈服强度会随着孔径的减小而提高。两种容重相同,孔径不同的闭孔泡沫混凝土材料在准静态条件下的力学性能,孔径小的屈服强度比孔径大的要高,这主要是因为孔径小的泡沫混凝土单个孔壁比孔径大的面积小,前者的比表面积比后者大,且厚度分布均匀,这使得气孔壁的承载能力增加,整体材料的屈服应力提高。

2.2 Gibson Ashby 模型对抗压强度的分析

Ashby 和Gibson 根据孔壁弯曲机制,通过量纲相似分析的方法,对各向同性多孔材料,建立了图2所示的立方体模型[2]。图2中l 表示立方体的边长,t 表示棱边的尺寸,t s 表示闭口胞面的厚度。模型的建立是以多孔材料为各向同性为前提。对于闭孔材料,压缩模量来自3个部分的贡献:第1部分为棱边的弯曲,与开孔泡沫相同;第2部分来源于膜(气孔壁)的拉伸,棱边的弯曲引起气孔壁发生形变;第3部分为闭孔的内部气体压力。

经过仔细研究,泡沫混凝土的抗压强度的模型可采用Gibson Ashby 模型[2]中的脆性多孔材料的抗压强度模型,式(1)适用于开口孔穴的多孔材料,式(2)适用于闭口孔穴的多孔材料。

*cr fs 0.2 * s

3/2(1) *c r fs 0.2 * s 3/2+(1- ) * s

(2)式中, *c r 为抗压强度,Pa; f s 为孔壁断裂强

度,Pa; 为孔棱中的材料分数; *为材料的

表观密度,kg/m 3; s 为材料的实际密度,kg/

m 3。而泡沫混凝土气孔绝大多数是闭孔结

构,除非有特殊的设计要求。所以式(2)适

用于泡沫混凝土。可以将式(2)改写成式

(3),其中V x = */ s ,表示相对密度,取值

为0到1之间。

*cr f s [0.2V 3/2x +(1- )V x ](3)

11第32卷 第11期 周顺鄂,卢忠远,焦 雷,等:泡沫混凝土压缩特性及抗压强度模型

*cr 17.23[0.2V 3/2x +(1-0.2548)V x ](4)

制备7组泡沫混凝土,7

组泡沫混凝土的制备条件和

工艺都一致,P O32.5R 水泥掺量为72%。表2所示

表2 泡沫混凝土相对密度和抗压强度相对密度0.44380.44450.44490.44530.44570.44630.447028d 抗压强度/M P a 6.714 6.723 6.731 6.743 6.746 6.760 6.770是其相对密度与抗压强度的数据,相对密度略有波动,致使抗压强度值略有起伏,在相对密度变化不大时,孔壁的断裂强度 fs 和孔棱中的材料分数 可视为定值。运用方程(3),对表2的数据进行Matlab 模拟。拟合优度统计量见表3,拟合图见图3。

表3 拟合优度统计量

各项拟合优度指标

误差平方和(SSE)R 2调整的R 2均方误差根(RM SE)抗压强度模型拟合值

0.000052810.97780.97340.00325最佳值0110

拟合方程见式(4),其置信区间为95%。通过拟合得出该该配方下孔壁的断裂强度 fs 平均为17.23M Pa,孔棱中的材料分数 为0.2548。从表3和图3可以看出,拟合的残差随机性比较强,评价拟合优度的误差平方和(SSE)、R 2值、调整R 2值以及均方误差根(RM SE)都非常接近各最佳值,这说明运用方程(3)对抗压强度实验值的拟合结果是比较合理的[4]。该制备工艺条件下的泡沫混凝土可以式(4)来表征抗压强度和相对密度之间的关系,可得出表征出孔棱材料分数和孔壁断裂强度的参数,根据这些参数从而可判定孔壁

和孔棱的微观性能。

2.3 展望

从泡沫混凝土材料的微观结构来看,研究泡沫混凝土孔的大小、形状等几何性质和孔壁及孔表面的缺陷对材料性质的影响对全面了解泡沫混凝土材料力学性能有很重要的意义。目前对于这些问题的研究预计可以采用有限元数值模拟、光测和计算机X 射线层析照相术(XCT)[5]。有限元法可用来讨论孔结构对强度和弹性模量的影响,很难模拟出在加载过程中的整个变形过程。而用光测和XCT 不仅可得到试件表面在整个加载过程中的连续变形过程,而且还可得到各个孔在任一时刻的变形状态。这些测试方法有待研究。3 结 论

研究了泡沫混凝土压缩应力 应变曲线的特征,分析了影响泡沫混凝土压缩性能的因素,运用Gibson Ashby 模型对抗压强度进行了分析。研究表明:

a.泡沫混凝土压缩分为4个阶段:平台阶段、密实阶段、屈服阶段和衰退阶段。

b.基体材料会对泡沫混凝土压缩力学性能产生影响。一般情况下,泡沫混凝土的屈服强度会随着容重的提高而提高。气孔的形态和分布同样会影响压缩力学性能,通常孔径越小,分布越均匀,泡沫混凝土具有更优的压缩力学性能。

c.运用Gibson Ashby 模型中的脆性材料抗压强度模型对抗压强度实测数据进行分析,推导出了抗压强度和相对密度的方程,得出了表征孔棱材料分数和孔壁断裂强度的参数,该方法对分析特定制备工艺条件下的泡沫混凝土微观结构力学性能有较大的帮助。

12 武 汉 理 工 大 学 学 报 2010年6月

参考文献

[1] 闫振甲,何艳君.泡沫混凝土实用生产技术[M ].北京:化学工业出版社,2006.

[2] Lor na J G ibbson,M ichael F Ashby.多孔固体结构与性能[M ].刘培生,译.北京:清华大学出版社,2003.

[3] Francis Young J,Sidney M indess,David Darw in.混凝土[M].2版.吴科如,张 雄,姚 武,等,译.北京:化学工业出版

社,2005.

[4] 苏金明,阮沈勇,王永利.Matlab 工程数学[M ].北京:电子工业出版社,2005.

[5] Degischer H P,Kr iszt B.多孔泡沫金属[M ].北京:化学工业出版社,2005.

(上接第8页)

4 结 论

采用磁控溅射法制备了Pd/V 2O 5双层复合薄膜,测试了薄膜的结构,研究了薄膜的氢气敏感性质,对其氢气敏感机理作了分析,结果表明:

a.结构分析薄膜为非晶态;

b.复合薄膜有良好的氢气敏感性质,V 2O 5(280nm)/Pd(30nm)双层复合薄膜对0.01%H 2 N 2有响应,在4%H 2 N 2标气中,在560nm 处透过率的相对变化值达到25%,氢敏实验重复性较好;

c.原位拉曼光谱分析,Pd/V 2O 5薄膜在与氢气作用过程中,复合薄膜中的Pd 层具有起催化作用,氢原子扩散到V 2O 5层,V 5+转变为V 4+,导致Pd/V 2O 5薄膜的透过率发生变化。

参考文献

[1] Seiyama T ,Kato A,Fujiishi K ,et al.A New Detector for G aseous Compo nents Using Semiconductive T hin F ilms[J].Anal

Chem,2002,34(11):1502 1503.

[2] Seiyama T ,Kagawa S.Study on a Detector for Gaseous Components U sing Semico nduct ive T hin Films [J].A nal Chem,

1966,38(8):1069 1073.

[3] L iu P,Lee SH,Cheong HM ,et al.Stable Pd/V 2O 5Optical H 2Sensor[J].J Electr ochem Soc,2002,149(3):76 80.

[4] Cheong H,Jo HC,K im KM.Hydr ogen Sensors Based on G asochromic O xide T hin Films[J].J K orean Phys Soc,2005,46:

121 124.

[5] M aciak E,Opilski Z,Ur banczy k M.Pd/V 2O 5Fiber O ptic Hydrog en Gas Sensor[J].J de Phys I V,2005,129:137 141.

[6] Seo C,Cheong H,L ee SH.Color Change of V 2O 5T hin F ilms U pon Ex posure to O rganic V apors[J].Solar Energy M aterials

&Solar Cells,2008,92(2):190 193.

[7] Lee SH,Cheong HM ,Seong M J,et al.Raman Spectroscopic Studies of Amorphous V anadium Ox ide T hin F ilms[J].Solid

State Ionics,2003,165(1 4):111 116.13

第32卷 第11期 周顺鄂,卢忠远,焦 雷,等:泡沫混凝土压缩特性及抗压强度模型

基于深度学习的图像字幕生成方法研究

基于深度学习的图像字幕生成方法研究 发表时间：2019-02-28T15:08:21.577Z 来源：《基层建设》2018年第36期作者：王珊珊 [导读] 摘要：几年之前，由于计算能力的不足以及大规模图像字幕数据集的缺少，这就导致了国外很少有人做这方面的研究，其所得到的结果也让人不尽满意，在国内更是鲜有人涉及这个方向。 华风气象影视技术中心北京 100000 摘要：几年之前，由于计算能力的不足以及大规模图像字幕数据集的缺少，这就导致了国外很少有人做这方面的研究，其所得到的结果也让人不尽满意，在国内更是鲜有人涉及这个方向。不过，随着近两年计算机运算能力的提高、深度学习（DL）的发展以及众多大规模图像字幕数据集的出现，这才使得这项任务重新回归到人们的视野并逐渐成为了计算机视觉与自然语言处理领域中的一个研究热点。本文就图像字幕生成任务中所涉及的深度学习算法，在总结前人提出的各种网络及其成效的基础上，研究适合图像字幕生成任务的深度学习模型，为该研究方向提供一定的指导意义。 关键词：深度学习；图像字幕；生成方法 1图像字幕生成概述 图像字幕生成是继图像识别、目标定位、图像分割后又一新型计算机视觉任务。在计算机视觉发展的初期，研究者们尝试利用计算机程序来模拟人类视觉系统，并让其告诉我们它看到了什么，这也就是最基本的图像识别。继图像识别之后，人们又提出更高的要求，即在识别的基础上确定目标在图像中的位置或将其从图像中分割出来。但是，上述任务都是将图像划分到一个或者多个离散的标签中去，它既没有描述出图像中各个对象的关系，也没有给出图像中正在发生的事情。为此，图像字幕生成应运而生，图像字幕生成方法也开始逐渐产生、发展并不断成熟起来。上个世纪七十年代，研究者们认为要让计算机理解它所看到的是什么东西时，必须像人眼一样具有立体视觉。在这种认知的情况下，研究者们希望把物体的三维结构从图像中恢复出来，并在此基础上再让计算机理解和判断。到了八九十年代，研究人员发现要让计算机理解图像，不一定要先恢复物体的三维结构，而是靠物体所具有的一些表面或局部特征。例如，当计算机识别一个苹果时，假设计算机事先知道苹果的形状纹理等特征，并且建立了这样一个先验知识库，那么计算机就可以将看到的物体的特征与先验知识库中的特征进行匹配。如果能够匹配，计算机就可以被认为理解了这个物体。随后，研究者们又利用这些特征，设计各种分类器来达到理解图像的目的。在计算机理解图像的基础上，研究者们又设计不同的算法来实现目标定位、图像分割、简单的图像字幕生成。其中，传统的图像字幕生成方法就是在得到图像里面的不同物体的基础上，采用自然语言处理技术通过一些检索的方法生成对应的字幕描述。 2基于深度学习的图像字幕生成方法研究 深度学习是机器学习（ML）领域中的一个新的研究方向，它的概念来源于人工神经网络（ANN）的研究，其实质就是通过构建机器学习模型和利用海量的训练数据，来逐层变化特征，以提升分类或者预测的准确性。同传统的机器学习方法一样，深度学习也有监督学习和无监督学习之分，不同学习框架下建立的学习模型也是不同的。 2.1基于卷积与循环神经网络的图像字幕生成 2.1.1基于卷积神经网络的图像特征提取 图像特征提取是指计算机经过一系列算法将一幅原始RGB图像转化成一个特征向量或一个特征矩阵，该向量或矩阵就在其空间中代表了这幅图像。图像特征一般包括低级特征和高级特征。常见的低级特征包括颜色特征、纹理特征、形状特征、空间关系特征。低级特征的优点是计算简单直接，缺点是对图像敏感，不能反映图像本身所包含的对象信息。图像的高级特征是指该特征包含了一定的语义信息，利用该特征可以更加容易地识别该图像所包含的内容。本文将利用最先进的卷积神经网络结构进行图像特征提取，常见的有AlexNet、VGG、GoogleNet、ResNet等，这些网络在ImageNet图像分类比赛（ImageNet是由美国斯坦福大学计算机视觉实验室建立的，目前世界上最大的图像识别数据库）中可以达到与人类相媲美的优异结果。本文同大多数计算机视觉应用一样，将采用在ImageNet数据集上预训练好的卷积神经网络，然后通过迁移学习的方法将其用于图像字幕生成任务。对于上述任何一个卷积神经网络可以将其简化成如下图的结构： 2.1.2基于循环神经网络的语言建模与生成 图像可以通过卷积神经网络转变成含有高级语义信息的特征向量。类似的，对于句子也要将其转换成向量才能方便后续处理。一般的，句子往往是由很多个单词组成，将每个单词转变成成一个有意义的词向量比向量化整个句子处理起来更加灵活。有了词向量以后，句子则可以通过一系列按顺序排列的词向量表示。为了能表示出所有字幕，本章将字幕集出现过的所有单词组成一个集合，并将该集合形象化地称为“字典（V ocabulary）”。对于字典里的所有单词，可以将其按顺序排列，并将其序号作为其唯一索引。假设字典的大小为V，即字典共包含V个单词。对于每一个单词，为了方便可以将其进行独热（One-hot）编码，即用长度为V的向量S表示，该向量除了单词对应的索引位为1以外其余全部为0。one-hot编码只是给出了单词的唯一索引信息，想要将其应用在其他任务中就必须将其特征向量化，即word2vec （Word to Vector）。常见的word2vec模型有CBoW（Continuous Bag of Words）模型、Skip-grams模型，采用这些模型就必须单独将其在语料库上训练，这同样会导致模型不能进行端到端训练。近些年，研究证明循环神经网络是一种非常适合该任务的时序模型，它不仅可以根据语句的上下文信息完成word2vec，还可以非常方便地生成新的句子。 2.2基于注意力机制模型的图像字幕生成 2.2.1图像特征提取 上一节的图像字幕生成模型所提取的图像特征是来自卷积神经网络最后的全连接层，它是一个一维向量。因此，它只包含了图像全局的语义信息，而丢失了图像内容之间的位置信息。对于图像的卷积运算来说，它有一个很好的特点，就是卷积的结果能够保留输入图像大致的位置信息。因此，不含有全连接网络的卷积神经网络同样具有这个性质。根据上述思想，为了将每个特征向量与二维图像内容的位置

色谱模拟蒸馏

馏分油色谱模拟蒸馏方法介绍 一、馏分油色谱模拟蒸馏分析方法（ASTM D2887、SH/T 0558方法） ●适用范围 本方法适用于测定常压终馏点低于或等于550℃、蒸汽压低到能在室温下进样和沸点范围大于55℃的石油产品或馏分的馏程分布，如汽油、煤油、柴油、润滑油、蜡油等。此方法为 ASTM D2887-01a标准及行业标准SH/T 0558-95方法。 ●方法原理 色谱模拟蒸馏方法是用具有一定分离度的非极性色谱柱，在线性程序升温条件下测定已知正构烷烃混合物组分的保留时间。然后在相同的色谱条件下，将试 样按组分沸点次序分离，同时进行切片积分，获得对应的累加面积，以及相应的 保留时间。经过温度－时间的内插校正，就可以得到对应于百分收率的温度，即 馏程。其中，累加面积百分数即收率，因烃类的相对重量校正因子近似于1，故 可认为即是试样的质量百分含量[% (m/m)]。并且，根据质量百分含量，通过相 应的计算可以得到与ASTM D86方法具有可比性的体积百分含量馏程结果。 ●仪器及实验条件 (1)仪器及设备 HP 6890气相色谱仪； HP 化学工作站； HP 6890系列自动进样器。 (2)主要试剂 C5～C40正构烷烃混合标样 二硫化碳(CS2) 分析纯 (3)色谱操作条件 色谱柱： 长10m，内径0.53mm，液膜厚0.15μm，甲基硅酮弹性石英毛细管柱。 推荐的典型色谱操作条件见表1 。

表1 馏份油模拟蒸馏操作条件 实验结果 (1)基线补偿 正式进样之前，在与运行油样相同的操作条件下进行空白作业，以便对基线漂移、噪声和残存作适当扣除。基线补偿见图1。 (a)不合格基线 (b)合格基线 (c)不合格基线 图1. 基线补偿

【CN110059740A】一种针对嵌入式移动端的深度学习语义分割模型压缩方法【专利】

(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910294185.4 (22)申请日 2019.04.12 (71)申请人 杭州电子科技大学 地址 310018 浙江省杭州市下沙高教园区2 号大街 (72)发明人 戴国骏　严嘉浩　张桦　吴以凡　 史建凯　 (74)专利代理机构 杭州君度专利代理事务所 (特殊普通合伙) 33240 代理人 朱月芬 (51)Int.Cl. G06K 9/62(2006.01) G06N 3/04(2006.01) (54)发明名称 一种针对嵌入式移动端的深度学习语义分 割模型压缩方法 (57)摘要 本发明公开了一种针对嵌入式移动端的深 度学习语义分割模型压缩方法。本发明中固定训 练得到的教师网络参数权值，对鉴别网络与学生 网络进行不断训练与学习，在三个不同层次上进 行蒸馏(成对蒸馏、像素蒸馏、整体蒸馏)，以使总 体优化目标(交叉熵损失、像素蒸馏损失、成对蒸 馏损失、整体蒸馏损失)不断优化，最终使经过蒸 馏得到的学生网络在满足IoU(Intersection over Union)下降极少的情况下参数数量大大减 少以及网络前向推算时间大量减少。本发明解决 了嵌入式移动端因为自身GPU能力以及供电受限 的情况下无法搭载大型深度学习网络的问题，并 大量减少任务计算时间，使嵌入式移动端平台搭 载复杂的深度网络模型成为可能。权利要求书2页 说明书4页 附图2页CN 110059740 A 2019.07.26 C N 110059740 A

1.一种针对嵌入式移动端的深度学习语义分割模型压缩方法，其特征在于包括教师网络、学生网络、鉴别网络、三种不同级别的蒸馏结构、网络内部的三种损失函数以及深度学习训练平台和嵌入式移动端平台；其中蒸馏结构包括成对蒸馏结构、像素蒸馏结构、整体蒸馏结构；损失函数包括区别损失函数、分割损失函数、蒸馏损失函数； 所述教师网络原型基于深度学习ESPNet分割网络模型，接收输入的图像，输出在特征图、像素级别上的分类取值，送入损失函数进行下一步处理； 所述学生网络为需要得到的小网络，实现过程中需要其接受输入图像，输出在特征图、像素级别的分类取值，送入损失函数进行下一步处理； 所述鉴别网络相当于生成式对抗网络中的判别器，其接受教师网络中对输入原图的像素分割作为真实图，接受学生网络中对输入原图的像素分割作为分割图，使用Wasserstein 距离计算两种分割结果表示教师网络分割结果与当前学生网络的分割结果是否匹配； 所述成对蒸馏结构，为使用已经训练好且分割结果良好的教师网络，计算教师网络特征图中两两像素之间的相关性，以及学生网络特征图中两两像素之间的相关性，并使用这两者的相关性计算平方差计算成对蒸馏损失l pa (S)，使学生网络特征图尽可能逼近教师网络特征图； 所述像素蒸馏结构，为教师网络的单像素输出概率与学生网络的单像素输出概率作为输入，使用Kullback -Leibler距离计算对应像素点上的教师网络与学生网络的每类概率距离作为输出，即为像素蒸馏损失l pi (S)； 所述整体蒸馏结构，为接受教师网络与学生网络对同一张原始图像的分割图，使用鉴别网络作为判别器计算两张分割图的匹配得分作为整体蒸馏损失l ho (S,D)； 所述区别损失函数，即为Wasserstein距离； 所述分割损失函数，即为交叉熵损失； 所述蒸馏损失函数，即为成对蒸馏损失、像素蒸馏损失以及Holistic损失； 所述深度学习训练平台为一台具有较强计算能力的服务器，其使用X99E -WS主板，搭载1颗intel i7-7700k CPU和两张3840个CUDA核心，12GB GDDR5显存的Pascal架构显卡Titan Xp；其拥有的足够的显存能够加载并支持较大Caffe模型的参数估计，拥有足够多的CUDA和极高的1582Mhz加速频率能加速得到模型参数； 所述嵌入式移动端平台为具有一定计算能力的Nvidia Jetson TX1型号计算机，其GPU 采用maxwell架构，拥有256个CUDA核心；CPU采用Quad ARM A57/2 MB L2；支持4k*2k 30Hz HEVC编码或4k*2k 60Hz解码；4GB 64bit LPDDR4内存；16G eMMC闪存，能搭载目前常用的深度学习框架，具有一定的深度学习前向推测能力。 2.根据权利要求1所述的一种针对嵌入式移动端的深度学习语义分割模型压缩方法，其特征在于： 针对移动端平台的深度学习语义分割模型压缩方法中的优化目标有像素蒸馏损失： 其中表示从学生S网络结构中产生的第i个像素的类概率，表示从教师T网络结构中产生的第i个像素的类概率，KL()函数为计算以上两者的Kullback -Leibler距离，R＝ 权　利　要　求　书1/2页2CN 110059740 A

水泥抗压强度试验机

水泥抗压强度试验机 济 南 铂 鉴 测 试 技 术 有 限 公 司

一、水泥抗压强度试验机结构与工作原理 试验机主要由支架、液压操纵箱、仪表测力显示、电气系统组成。液压操纵部分 高借水泥抗压强度测试仪的操纵箱主要有邮箱，液压滤油器，电动机，速度阀，回油阀、打开送油阀活塞慢慢上升。 电气系统 水泥压力试验机由电动机、启动按钮、停止按钮、交流接触器等组成。 二、水泥抗压强度试验机技术指标： 最大试验力：300KN 试验力示值相对误差：优于示值的±1% 加荷速率：0.3KN/S～10KN/S 加荷速度误差: 优于示值的±5% 液压泵额定压力: 25MPa 承压板尺寸: φ155mm 活塞最大行程: 80mm 活塞直径：φ130mm 电机功率：三相0.75 kW 外型尺寸（长×宽×高）：约850×620×1340mm 抗压夹具：40mm*40mm（JC/T683-2005） 净重约：400Kg 三、水泥抗压强度试验机功能用途： 水泥压力试验机根据GB/T17671-1999《水泥胶沙强度检验方法

（ISO法）》开发。主要用于水泥胶砂、混凝土、砖瓦、管材、人造板等各抗压强度试验或者抗压抗折试验。 本机采用液压加荷，电子测力，具有负荷数字显示、加荷速率显示、负荷最大值保持，以及过载保护和断电数据保持等功能。 四、水泥抗压强度试验机适用标准 GB/T17671-1999《水泥胶沙强度检验方法（ISO法）》 JC/T683-2005《40mm*40mm水泥抗压夹具》 GB/T3722-1992《液压式压力试验机》 五、水泥抗压强度试验机主要配置： 30吨压力测试机主机一台 全数字控制系统一套 高精度压力传感器一只 高品质液压油源一套 国产交流电机一台 抗压辅具一套 六、水泥抗压强度试验机售后承诺 客户在使用公司高借水泥抗压强度测试仪的过程中，如发现产品不能正常使用时，可立即向本厂客服部咨询，并将所使用产品的型号、规格、使用环境、故障情况、购买日期和服务要求详细说明。经本厂客服部提出处理建议后，仍不能解决的，再决定派人或作其他处理。

第九章§9-1回弹法测水泥混凝土抗压强度

第九章结构混凝土强度检测 教学目的要求 1、描述用回弹仪测定水泥混凝土抗压强度的原理； 2、用回弹仪测定结构混凝土的回弹值； 3、计算结构物的抗压强度，并对测试结果进行评定。 重点与难点 1、回弹仪测定水泥混凝土抗压强度的原理； 2、回弹仪测定结构混凝土的回弹值的步骤及数据处理。 导入 1、混凝土的抗压强度； 新课内容 为了加强对混凝土质量的监测和控制，作为结构工程质量检测，其中主要的内容之一就是现场检测混凝土的强度。 混凝土测定强度的技术按其对混凝土结构的影响程度分为破损法和非破损法。破损法以不影响结构或构件的承载能力为前提，在结构或构件上直接进行局部破坏性试验，或直接钻取芯样进行破坏性试验。主要方法有：钻芯法、拨出法、射击法等。此类方法较直观可靠，测试结果易为人们接受，但对混凝土结构造成局部破坏，不宜大范围检测且费用较高，因而受到种种限制。本节只介绍钻孔取芯法。非破损（无损）法以混凝土强度与某些物理量之间的相关性为基础，检测时在不影响结构或构件混凝土任何性能的前提下测试这些物理量，然后根据相关关系推算被测混凝土的强度推定值。其主要方法有：回弹法、超声法、超声回弹综合法、射线法、成熟度法等。此类方法所用仪器简单、操作方便、费用低廉，同时便于大范围检测，在有严格的测强曲线的条件下，其测试精度较高。本节只介绍回弹法。 §9-1 回弹法测水泥混凝土抗压强度 回弹法是用一弹簧驱动的重锤，通过弹击杆，弹击混凝土表面，并测出重锤被反弹回来的距离，以回弹值作为与强度相关的指标来推定混凝土强度的一种方法。所检测的水泥混凝土厚度不得小于100mm，温度不应低于10℃。检测结果可作为试块强度的参考，不宜作为仲裁试验或工程验收的最终依据。 水泥混凝土的回弹值是用回弹仪在混凝土表面测得，并经碳化深度修正后的回弹值，无量纲。 一、技术规定和一般要求 1、只有当下列情况之一时，方可用回弹法评定混凝土强度：

深度学习之模型压缩

什么是模型压缩？ 模型压缩的目标是保证模型预测效果的前提下，尽可能地降低模型的大小为什么要进行模型压缩？ 1. 模型压缩后，模型很小，进行推断的运算量小，利于在移动端部署。 2. 诸如Bert等深度学习的参数太多了，模型太大了，消耗的计算资源过 多，进一步加大了深度学习爱好者们的“贫富差距”，不够和谐。以 Bert-large为例，训练一次需要64G显存，按照每小时6.5美元的价格，1024块训练76分钟，总消耗：1024*6.5*（76/60）=8430美金。一般人和公司真是玩不起。模型压缩领域的“有志之士”的终极目标是能够让 “贫苦的深度学习爱好者”也玩得起，他们进行了一些列的研究，他们发现使用压缩后（更小的）模型也能够达到原始模型类似的效果。 常见的模型压缩方法有哪些？ ?Pruning（修剪）: 因为神经网络很多权重几乎为0，这类参数作用不大，部分参数删掉也不影响模型预测效果 ?Weight Factorization（权重分解）：权重矩阵可以进行低秩矩阵分解，即low-rank matrix factorization，从而使得一些参数为0?Quantization（削减精度）：能用float32，不用float64；能用int，不用float ?Weight Sharing（共享权重）：很多layer的参数可以共享，没必要用太多参数 很多小伙伴可能会想：模型压缩只是“大模型”的后续处理，也不能让我们玩转大模型哇。理想的方式是，我们只设计好一个小的模型就能达到非常好的效果。 实际上，模型压缩的出现，让我们看到了“好的小模型的样子”，对我们后续设计小模型有很多借鉴意义。 为什么我们很难设计一个“参数正好的模型”？ 我们确实很难设计一个“参数正好的模型”，原因有如下两点： ?给定一个任务的数据集，我们很难判断该任务的难度，从而很难判断模型合适的参数数目 ?我们事先知道了模型及参数的数目，但“一个参数正好的模型”难于训练第二个原因可能不太好理解，这就要先谈一下大模型有什么优势。 《Gradient Descent Finds Global Minima of Deep Neural Networks》和《Global Optimality in Neural Network Training》 两篇论文从数学上证明了：大模型能够使得损失函数更接近凸函数，利于求解。相反小模型可能难于训练。对于很多简单的任务，只要使用超量的参数，一定能在多项式时间内使得损失函数趋近于0。这两篇论文试图给出参数数目“大概的”上下界。 当然，很难精确地给出一个具体的问题的参数上下界，得出该上下界可能比训练一个大的神经网络更加耗时、耗力。接下来，假设我们拿到了一个“参数正好的模型”，那么就面临一个问题：

实验(一)水泥胶砂强度实验

实验（一）水泥胶砂强度实验 一、实验目的：1检验水泥的强度，确定水泥的强度等级。2水泥细度检验。 二、实验的主要仪器设备： （1）行星式水泥胶砂搅拌机。型号(jj-5型)。 （2）振实台、型号(2S-15型)。 （3）标准恒温恒湿养护箱(yh-40B型)。 （4）抗折强度实验机 （5）抗压强度实验机:电液式压力试验机TYA----2000型。 （6）试模，由三个水平的模槽组成，可同时成型三条棱长为40mm、40mm 、长为160mm 的棱形试体， （7）抗压夹具、金属直尺、天平（精度为±1g）等。 （三）实验时间：2009年9月15日。 （四）实验步骤： （1）将试模擦净并在模板的四周及与底座的接触面上涂抹黄油，使其紧密装配，防漏浆，内壁稍稍涂上一层机油，然后将试模和模套固定在振实台上。 （2）一次成型三条试体，需称量水泥（450±2）g ，标准砂（1350±5）g ，用水量225ml。 （3）使搅拌机处于待工作状态，把水加入锅里，再加入水泥，把锅放在固定架上，上升至固定位置，开动机器。低速搅拌30 s 后，在第二30 s 开始的同时均匀地将砂子加入。当各级砂是分装时，从最粗粒级开始，依次将所需的每级砂量加完，把机器转至高速再拌30s 。停拌90 s ，在第一15 s 内用一胶皮刮具将叶片和锅壁上的胶砂，刮入锅中间，在高速下继续搅拌60 s 各个搅拌阶段，时间误差在±1s内。 （4）用一个适当的勺子直接从搅拌锅里将胶砂分层装入固定在振实台上的试模内。装第一层时，每个槽里约放300g胶砂，用大播料器垂直架在模套顶部沿每个模槽来回一次将料层播平，接着振实60次。再装入第二层胶砂，用小播料器播平，再振实60次。移走模套，从振实台上取下试模，用一金属直尺以近似900的角度架在试模模顶的一端，然后沿试模长度方向以横向锯割动作慢慢向另一端移动，一动将超过试模部分的胶砂刮去，接着在试模上做标记或加字条标明试体

水泥28d抗压强度预测

水泥28d抗压强度预测 强度是水泥质量的重要指标,是确定出厂水泥标号的重要依据,GB175—92标准中对水泥各龄期强度及其检验方法作了具体的规定。根据水泥强度标准检验方法,水泥28d抗压强度必须在水泥胶砂试体养护28d后才能得出,不能满足实际生产控制的要求。随着大规模工程的需求和水泥生产规模的日益扩大,水泥的贮存和周转期愈来愈短,往往根据水泥早期强度甚至快速强度决定出厂,因此,如何准确预测水泥28d抗压强度,是确保出厂水泥质量的关键。本文根据实验和实际生产数据,通过回归分析,建立了水泥28d抗压强度预测公式,经实际生产验证,行之有效。 1 水泥28d强度影响因素 主要影响因素的确定,是回归分析的前提。水泥强度的影响因素有熟料的质量、SO3含量、混合材的掺量及粉磨细度等,其对水泥强度的影响程度不尽相同,以我公司Ⅱ型硅酸盐水泥的生产为例,来逐一分析。 1.1 熟料的质量 熟料的矿物组成及其结构决定了熟料的质量,对水泥强度的增长起决定性作用。水泥28d强度,基本依赖于C3S的含量,C3S含量高早期强度增进率高,在28d时已基本发挥出最高强度的绝大部分;C2S主要影响水泥后期强度,而对28d以前的强度影响不大;C3A主要对1d、3d等早期强度影响最大;而C4AF对水泥强度无较大的影响。因此,合理、稳定的矿物组成是确保水泥强度及其增长率的重要因素。 1.2 SO3含量 水泥中SO3含量主要来源于石膏,其含量的变化影响硅酸盐水泥的水化,尤其是C3S的早期水化。图1是水泥SO3含量与水泥抗压强度(R i)曲线图。图中表明,SO3含量在2.0%～3.0%之间,对各龄期强度影响不大。而我厂出磨水泥SO3含量控制在2.5%±0.3%范围之内,不至于对强度影响较大,可不予考虑。

单目深度估计文献翻译unsupervised monocular depth estimation with left-right consistency

左右（视差）一致的非监督式单目深度估计 摘要 以学习为基础的方法已经在对单张图片的深度估计上取得了可观的结果。大多数现有的方法是将深度预测作为监督式的回归问题来处理，然而这种方式需要大量相应的真实深度数据用于训练。然而，单单从复杂环境中获取高质量的深度数据就已经很有难度了。我们将在本文中对已有方式进行创新，不再对深度数据进行训练，而是训练更容易获得的双目立体连续镜头。 我们提出了一种新颖的训练目标，即使在缺少真实深度数据的情况下，仍然能够使用卷积神经网络来完成单张图片的深度估计。利用极线几何限制，我们通过训练有图像重构损失函数的网络生成了视差图像。我们曾发现单独进行图像重构会导致深度图像质量很差。为了解决这个问题，我们提出了一个新颖的训练损失函数，可以使左右图像产生的视差趋于一致，以此来提高当前方式的表现和健壮度。我们的方法在KITTI 驾驶数据集上展示出艺术般的单目深度估计效果，甚至优于基于真实深度数据的监督式学习的效果。 1.简介 在计算机视觉领域，对图片进行深度估计已经有了很久的历史。目前的成熟方式依赖于连续动作、X 射线下的形状、双目和多视角立体模型。然而，多数的上述技术是基于可获取相关场景的观测数据的假设。其中，数据可能是多角度的，或者观测是在不同的光线环境下进行的。为了突破这个限制，近期涌现出大量在监督式学习下对单目深度识别的讨论。这些方法试图直接在线下通过大量真实深度数据训练的模型来对图像中的每一个像素进行深度估计。这些方法虽然已经取得巨大的成功，但是是建立在可获取大量图像数据集和相应的像素深度的情况下的。 在单张图像里获取不受外表干扰的场景形状是机器感知的基础问题。很多此类的应用，比如在计算机图形学中合成对象的插入、在计算机摄影学中对深度的合成、机器人抓握，会使用深度为线索进行人体姿

水泥混凝土立方体抗压强度

水泥混凝土立方体抗压强度试验 (JTG E30 T0553-2005) 一、目的、适用范围 本方法规定了测定水泥混凝土抗压极限强度的方法和步骤。本方法可用于确定水泥混凝土的强度等级,作为评定水泥混凝土品质的主要指标。 本方法适用于各类水泥混凝土立方体试件的极限抗压强度试验。 二、仪器设备 1、压力机或万能试验机:上下压板平整并有足够刚度,可以均匀、连续地加荷卸荷,可以保持固定荷载,能够满足试件破型吨位要求。 2、球座: 刚质坚硬,转型灵活.球座最好放置在试件顶面(特别是棱柱试件),并凸面朝上,当试件均匀受力后,一般不宜敲动球座. 3、试摸:由铸铁或钢制成,试件尺寸见表。 抗压强度试件尺寸 集料公称最大粒径 (mm)试件尺寸 (mm) 集料公称最大粒径 (mm) 试件尺寸 (mm) 31.5150×150×15053200×200×200 26.5100×100×100 混凝土等级大于等于C60时,试验机上、下压板之间应各垫一钢

垫板,平面尺寸应不小于试件的承压面,其厚度至少为25mm。钢垫板应机械加工,其平面度允许偏差±0.04mm;表面硬度大于等于55HRC;硬化层厚度约5mm 三、试验方法与步骤 1、试验准备 混凝土抗压强度试件以边长150mm的正方体为标准试件,其集料公称最大粒径为31.5mm。混凝土抗压强度试件同龄期者为一组,每组为3个同条件制作和养护的混泥土试块。 2、试验步骤 取出试件,先检查其尺寸及形状,相对两面应平行,表面倾斜差不得超过0.5mm。量出棱边长度,精确至1mm。试件受力截面积按其与压力机上下接触面的平均值计算。在破行前,保持试件原有湿度,在试验时擦干试件。 以成型时的侧面为上下受压面,试件要放在球座上,球座置于压力机中心,几何对中。强度等级小于C30的混凝土取0.3～0.5MPa/s的加荷速度;强度等级大于C30且小于C60时,则取0.5～0.8MPa/s的加荷速度;强度等级大于C60时,则取0.8～1.0MPa/s的加荷速度。当试件接近破坏而开始迅速变形时,应停止调整试验机油门,直至试件破坏,记下破坏极限荷载F(N)。

深度压缩之蒸馏模型

模型压缩 By—云从研究院fullHD 近年在计算机视觉、语音识别等诸多领域，深度神经网络(DNN, Deep Neural Network)被证明是一种极具成效的问题解决方式。如卷积神经网络CNN（Convolutional neural network）在计算机视觉诸多传统问题（分类、检测、分割）都超越了传统方法。在利用深度网络解决问题的时候人们常常倾向于设计更为复杂的网络收集更多的数据以期获得更好的performance。但是，随之而来的是模型的复杂度急剧提升，直观的表现是模参数越来越多size越来越大，需要的硬件资源（内存、GPU）越来越高。不利于模型的部署和应用向移动端的推广。 有研究表明深度模型具有较大的信息参数冗余。因此我们可以通过一定的技术方法对复杂的模型进行去冗余压缩。现有的压缩方法主要可以下四类： 浅层网络：通过设计一个更浅（层数较少）结构更紧凑的网络来实现对复杂模型效果的逼近。但是浅层网络的表达能力很难与深层网络相匹敌【1】。因此，这种设计方法的局限性在于只能应用解决在较为简单问题上。如分类问题中类别数较少的task。 直接压缩训练好的复杂模型：直接对训练得到的复杂模型采用矩阵量化【2】、Kronecker内积、霍夫曼编码、模型剪枝【3】等优化方式，对模型中的参数进行量化。以实现对模型的压缩，部署阶段采用量化过后的模型可以同时达到参数压缩和提速的效果。 多值网络：最为典型就是二值网络【4】、XNOR【5】网络等。其主要原理就是采用1bit对网络的输入、权重、响应进行编码。减少模型大小的同时，原始网络的卷积操作可以被bit-wise运算代替，极大提升了模型的速度。但是，如果原始网络结果不够复杂（模型描述能力），由于二值网络会较大程度降低模型的表达能力。因此现阶段有相关的论文开始研究n-bit编码【6】方式成为n值网络或者多值网络来克服二值网络表达能力不足的缺点。 蒸馏模型：蒸馏模型采用的是迁移学习，通过采用预先训练好的复杂模型（Teacher model）的输出作为监督信号去训练另外一个简单的网络。这个简单的网络称之为student model。 下面我们将着重介绍整流模型压缩方法，文章来自Geoffrey Hinton《Distilling the Knowledge in a Neural Network》【7】

基于深度学习的创意三维体素模型的建模系统的构建方法与制作流程

本技术涉及三维体素模型的建模领域，其公开了一种基于深度学习的创意三维体素模型的建模系统的构建方法，构建一种可自动生成具有创意性的三维体素模型，同时具有可交互编辑功能的建模系统。该方法包括：A、制作三维模型的体素数据集以及组成三维模型的语义部件数据集；B、搭建三维模型的生成模型以及三维模型组成部件的生成模型，并采用体素数据集和语义部件数据集分别进行训练；C、基于训练后的三维模型的生成模型中的编码器和训练后的三维模型组成部件的生成模型中的编码器构建语义结构模型，并进行训练；D、将训练后的语义结构模型整合入系统中作为建模算法，同时为用户提供交互界面以及针对生成的三维模型组件的可控编辑接口。 权利要求书 1.基于深度学习的创意三维体素模型的建模系统的构建方法，其特征在于， 包括以下步骤： A、制作三维模型的体素数据集以及组成三维模型的语义部件数据集； B、搭建三维模型的生成模型以及三维模型组成部件的生成模型，并采用体素数据集和语义部件数据集分别进行训练；

C、基于训练后的三维模型的生成模型中的编码器和训练后的三维模型组成部件的生成模型中的编码器构建语义结构模型，并进行训练； D、将训练后的语义结构模型整合入系统中作为建模算法，同时为用户提供交互界面以及针对生成的三维模型组件的可控编辑接口。 2.如权利要求1所述的基于深度学习的创意三维体素模型的建模系统的构建方法，其特征在于， 步骤A中，基于已知数据集ShapeNetCore，并进行人工的分类和对齐来制作三维模型的体素数据集；然后利用MeshLab软件对ShapeNetCore数据集提供的三维模型的部件根据语义结构进行分割和分类，以此制作组成三维模型的语义部件数据集。 3.如权利要求1所述的基于深度学习的创意三维体素模型的建模系统的构建方法，其特征在于， 步骤B中，采用整体变分自编码器作为三维模型的生成模型，采用部件变分自编码器作为三维模型组成部件的生成模型；采用KL散度和二进制交叉熵作为损失函数，利用体素数据集中的数据训练所述整体变分自编码器；采用KL散度和二进制交叉熵作为损失函数，利用三维模型的语义部件数据集中的数据训练所述部件变分自编码器。 4.如权利要求3所述的基于深度学习的创意三维体素模型的建模系统的构建方法，其特征在于， 所述整体变分自编码器和部件变分自编码器均采用编码器-解码器的结构，编码器和解码器均由深度卷积神经网络组成；其中，部件变分自编码器采用的卷积层数少于整体变分自 编码器采用的卷积层数。 5.如权利要求1所述的基于深度学习的创意三维体素模型的建模系统的构建方法，其特征在于，

水泥28天抗压强度检验结果的误差分析

水泥28天抗压强度检验结果的误差分析 摘要：本文试图运用方差理论，对水泥强度检验结果的重复性及再现性的误差进行分析，以实现对检验人员、检验仪器设备和检验环境的考核和控制。 1、引言 水泥抗压强度检验值是评判水泥强度等级的主要指标，因此水泥抗压强度检验值的误差是否足够小，直接影响对水泥质量的评判。我们知道检验误差是与检验人员是否具备熟练的检验技术、是否认真仔细地进行操作以及检验过程中是否有差错等有关，这些包括制备水泥强度试件的试模、成型方法、养护方法，试压时使用的抗压夹具、加荷方法以及试验环境、养护环境、检验数值的读取方法等有关。目前许多检验机构虽然已经将上述的检验仪器设备、环境、计量设备、检验人员操作等方面纳入了质量管理体系。但如何分析和判断这些因素对检验结果造成的影响呢？现在大多检验机构仅依据现行标准GB/T17671－1999《水泥胶砂强度检验方法（ISO法）》中对检验方法的精确性的规定。即：（10.5条）检验方法的精确性通过其重复性和再现性来测量，（10.6条）对于28天抗压强度的测定，在合格试验室之间的再现性，用变异系数表示，可要求不超过6%，（11.5条）对于28天抗压强度的测定，一个合格试验室在上述条件下的重复性以变异系数表示，可要求在1%－3%之间。而这些规定过于宽泛，不容易使检验人员及时发现问题，为此笔者试图用方差理论对水泥强度检验中的误差进行分析，以便及早发现影响强度检验值的因素，及时对影响的主要因素进行控制。 2、重复试验结果的（组间）误差分析 在水泥抗压强度检验中，如果没有误差的存在，则水泥抗压强度检验值应该相同。在实际检验中可以认为水泥强度检验值的波动，主要是由误差因素造成的。因此，可以假设在检验人员不变，试样质量均匀，检验仪器设备相同的情况下，水泥抗压强度的检验值应该服从正态分布，同时组与组的方差相等，且数据相互独立。根据方差理论，试件的组内（三块试件，六个抗压强度检验值）的差异是由试件制作人员和破型人员及测试仪器的测试误差引起。 为了便于讨论，我们以某检测单位对某32.5级普通硅酸盐水泥的四次重复试验结果进行分析，试验使用同一试样，试验由同一检验人员，采用相同的仪器设备，养护条件相同，其28d抗压强度测试结果见表1： 表1 序号28天抗压强度（MPa） 1 2 3 4 5 6 数据和平均值 1 41. 2 44.4 42.6 42.9 43.6 41.0 255.7 42.6 2 40.1 40.8 41.2 40.2 39.2 38.7 240.2 40.0 3 40.7 39.9 41.9 42.6 44.5 42. 4 252.0 42.0 4 42.2 40.4 41.1 40.6 40.6 39.8 244.7 40.8 表中共有4组试件，24个检验数据，对这24个数据分析如下： 4组数据的强度代表值的统计特征值如下： 平均值：41.4MPa，标准差：s=1.17MPa， 变异系数：C v=2.83% 变异系数在1－3%之间，符合GB/T17671－1999标准第11.5条重复性要求，即从标准角度而言检验的精确度满足要求，但是若从方差上分析我们会发现检验的精确度并不符合检验要求。 下面我们从方差上进行分析： 24个测定值的数据和为：T＝992.6 24个测定值的平方和为：ΣΣy ij2＝41106.24 4组数据和的平方：ΣT i2/6＝41076.77 故总的偏差平方和：S T＝ΣΣy ij2－T2/24＝41106.24－992.62/24＝53.96，自由度f T＝23 组间偏差(因子)平方和：S A＝ΣT i2－T2/24＝41076.77－992.62/24＝24.49，自由度f A＝3 组内偏差(误差)平方和：S e＝S T－S A＝53.96－24.49＝29.47，自由度f e＝20

深度神经网络知识蒸馏综述

Computer Science and Application 计算机科学与应用, 2020, 10(9), 1625-1630 Published Online September 2020 in Hans. https://www.wendangku.net/doc/0716140130.html,/journal/csa https://https://www.wendangku.net/doc/0716140130.html,/10.12677/csa.2020.109171 深度神经网络知识蒸馏综述 韩宇 中国公安部第一研究所，北京 收稿日期：2020年9月3日；录用日期：2020年9月17日；发布日期：2020年9月24日 摘要 深度神经网络在计算机视觉、自然语言处理、语音识别等多个领域取得了巨大成功，但是随着网络结构的复杂化，神经网络模型需要消耗大量的计算资源和存储空间，严重制约了深度神经网络在资源有限的应用环境和实时在线处理的应用上的发展。因此，需要在尽量不损失模型性能的前提下，对深度神经网络进行压缩。本文介绍了基于知识蒸馏的神经网络模型压缩方法，对深度神经网络知识蒸馏领域的相关代表性工作进行了详细的梳理与总结，并对知识蒸馏未来发展趋势进行展望。 关键词 神经网络，深度学习，知识蒸馏 A Review of Knowledge Distillation in Deep Neural Networks Yu Han The First Research Institute, The Ministry of Public Security of PRC, Beijing Received: Sep. 3rd, 2020; accepted: Sep. 17th, 2020; published: Sep. 24th, 2020 Abstract Deep neural networks have achieved great success in computer vision, natural language processing, speech recognition and other fields. However, with the complexity of network structure, the neural network model needs to consume a lot of computing resources and storage space, which seriously restricts the development of deep neural network in the resource limited application environment and real-time online processing application. Therefore, it is necessary to compress the deep neural network without losing the performance of the model as much as possible. This article introduces

基于风格化对抗自编码器的图像生成算法

基于风格化对抗自编码器的图像生成算法 发表时间：2019-01-02T14:25:51.980Z 来源：《信息技术时代》2018年3期作者：孙力军，李潘[导读] 在本论文中提出了一种用于自动图像生成的基于自编码器的生成对抗网络（GAN），我们称之为“风格化对抗式自编码器”。不同于已有的生成式自编码器（通常会在隐向量上施加一个先验分布）（成都理工大学，四川成都 610059） 摘要：在本论文中提出了一种用于自动图像生成的基于自编码器的生成对抗网络（GAN），我们称之为“风格化对抗式自编码器”。不同于已有的生成式自编码器（通常会在隐向量上施加一个先验分布），我们提出的方法是将隐变量分成两个分量：风格特征和内容特征，这两个分量都是根据真实图像编码的。这种隐向量的划分让我们可以通过选择不同的示例图像来任意调整所生成图像的内容和风格。此外这个GAN 网络中还采用了一个多类分类器来作为鉴别器，这能使生成的图像更具真实感。结果表明风格化对抗式自编码器能显著改善对应的监督识别任务。 关键词：GAN；自编码器；模型 1 引言 生成式自然图像建模是计算机视觉和机器学习领域的一个基本研究问题。早期的研究更关注生成网络建模的统计原理，但由于缺乏有效的特征表征方法，相应结果都局限于某些特定的模式。深度神经网络已经展现出了在学习表征方面的显著优势，并且已经被证明可有效应用于鉴别式视觉任务（比如图像分类和目标检测），与贝叶斯推理或对抗训练一起催生出了一系列深度生成模型。我们在本论文中提出了一种名为风格化对抗式自编码器（SAAE）的全新生成模型，该模型是使用一种对抗式来训练风格化自编码器。内容特征和风格特征都是根据示例图像编码的，并且不会在隐变量的分布上使用任何先验假设。带有给定内容和风格的目标图像可以根据组合起来的隐变量解码得到，这意味着我们可以通过选择不同的示例内容和/或风格图像来调整输出图像。 2 风格化对抗式自编码器 生成网络由两个编码器（Enc和Ens）和一个解码器（Dec）构成。其中 Enc 将内容图像编码成内容隐含表征或特征z_c，Ens 将风格图像编码成风格隐含表征或特征 z_s。Dec 解码组合后的隐含表征并得到输出图像。为了方便起见，我们使用生成器 G 表示 Enc、Ens 和 Dec 的组合。 已有 GAN 中的鉴别器的输出是表示该输出 x 是真实图像的概率 y = Dis(x) ∈ [0,1]。而鉴别器 D 的训练目标是最小化二元交叉熵：L_{dis} = ?log(Dis(x))?log(1?Dis(G(z)))。G 的目标是生成 D 无法将其与真实图像区分开的图像，即最大化 Ldis。我们提出的生成网络包含两个特征提取网络流程，之后再跟上一个生成网络。内容特征提取器和风格特征提取器都有三个无下采样的卷积层，这样能尽可能多地保留示例图像的细节信息。输入的风格图像和内容图像可能有不同的尺寸。 3 实验 我们使用了评估了我们的方法：为监督识别任务生成训练数据。深度神经网络（DNN）已经在监督学习方面表现出了显著的优越性，但它却依赖于大规模有标注训练数据。在小规模训练数据上，深度模型很容易过拟合。我们还使用 SAAE 模型为识别中国汽车牌照任务生成了训练数据。我们通过测量在 DR-PLATE 数据集上的识别准确度而对数据生成的质量进行了评估。根据实验表明加入到训练数据集中的生成数据越多，模型收敛得越慢，但分类准确度却越来越好。这个结果表明我们的 SAAE 模型能够通过生成数据提升监督学习的表现。 4 结论 我们提出了一种全新的深度自编码器网络，它可以分别编码来自两个示例图像的内容特征和风格特征并根据这两个特征解码得到新图像。使用了多类分类器作为鉴别器，这能更好地建模生成的图像的变化情况，并能有效地迫使生成网络生成更具真实感的结果。我们开发了一种三步式训练策略，以确保我们提出的风格化对抗式自编码器的收敛。参考文献 [1]Ian Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, DavidWarde-Farley,Sherjil Ozair, Aaron Courville, and Yoshua Bengio. 2014. Generative adversarialnets. In Advances in Neural Information Processing Systems. 2672–2680. [2]Anders Boesen Lindbo Larsen, S?ren Kaae S?nderby, and Ole Winther. 2015.Autoencoding beyond pixels using a learned similarity metric. arXiv preprint arXiv:1512.09300 (2015). [3]Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun. 2015. Faster R-CNN:Towards real-time object detection with region proposal networks. In Advances in neural information processing systems. 91–99..