资讯工程学系黄柏臻
面向垃圾图像分类的残差语义强化网络
第41卷 第6期吉林大学学报(信息科学版)Vol.41 No.62023年11月Journal of Jilin University (Information Science Edition)Nov.2023文章编号:1671⁃5896(2023)06⁃1030⁃11面向垃圾图像分类的残差语义强化网络收稿日期:2023⁃04⁃25基金项目:国家自然科学基金资助项目(62006209)作者简介:苏雯(1992 ),女,陕西汉中人,浙江理工大学讲师,博士,主要从事语义分割㊁单目深度估计和三维场景理解等研究,(Tel)86⁃137****6801(E⁃mail)wensu@㊂苏 雯,徐鑫林,胡宇超,黄博涵,周佩廷(浙江理工大学信息科学与工程学院,杭州310018)摘要:为更好地保护生态环境并提高可回收垃圾的经济价值,针对现有的垃圾识别方法面临的分类背景复杂㊁垃圾目标形态变化多样等问题,提出一种面向垃圾图像分类的残差语义强化网络,能从复杂背景中剥离前景语义目标㊂该网络以骨干残差网络为基础,利用视觉概念采样㊁推理以及调制模块实现视觉语义的提取,并通过注意力模块消除语义层次和空间分辨率与视觉概念特征的差距,从而对垃圾目标形态变化更加具有鲁棒性㊂通过在Kaggle 开源的12分类垃圾数据集及TrashNet 数据集上进行实验,结果表明,相较于骨干网络ResNeXt⁃50和其他深层网络,该算法均取得了性能的提升,在垃圾图像分类任务上有较好表现㊂关键词:模式识别与智能系统;垃圾分类;视觉概念;视觉采样;概念推理;注意力机制中图分类号:TP391文献标志码:ANetwork of Residual Semantic Enhancement for Garbage Image ClassificationSU Wen,XU Xinlin,HU Yuchao,HUANG Bohan,ZHOU Peiting(School of Information Science and Engineering,Zhejiang Sci⁃Tech University,Hangzhou 310018,China)Abstract :In order to better protect the ecological environment and increase the economic value of recyclable waste,to solve the problems faced by the existing garbage identification methods,such as the complex classification background and the variety of garbage target forms,a residual semantic enhancement network for garbage image classification is proposed,which can strip foreground semantic objects from complex backgrounds.Based on the backbone residual network,the network uses visual concept sampling,inference and modulation modules to achieve visual semantic extraction,and eliminates the gap between semantic level and spatial resolution and visual concept features through the attention module,so as to be more robust to the morphologicalchanges of garbage targets.Through experiments on the Kaggle open source 12classified garbage dataset and TrashNet dataset,the results show that compared with the backbone network ResNeXt⁃50and some other deep networks,the proposed algorithms have improved performance and have good performance in garbage image classification.Key words :pattern recognition and intelligent system;garbage classification;visual concept;visual sampling;concept reasoning;attention mechanism 0 引 言随着社会生活的不断丰富,人类产生的生活垃圾数量也在急剧增加㊂为保护生态环境,尽可能提高可回收利用垃圾的经济价值,垃圾分类显得尤为重要㊂早在2017年,国家发改委㊁住房城乡建设部便推出‘生活垃圾分类制度实施方案“,以推动垃圾分类的实施和部署㊂ 十四五”规划中对生活垃圾分类和处理设施覆盖水平也提出了明确目标㊂然而垃圾分类在许多地区成效并不明显,而且有些地区还依赖于人力分拣㊂由于手工垃圾分类不仅需要投入大量的劳动力,并且分类的效果也不尽人意,因此基于视觉的垃圾自动分类方法引起众多研究者的兴趣㊂随着AlexNet [1]的问世,基于卷积神经网络(CNN:Convolution Neural Network)和深度学习的分类方法迅速发展,人们对通过卷积神经网络进行图像分类任务的研究不断深入㊂2016年,He 等[2]提出残差网络(ResNet:Residual Network),该网络有效提升了图像分类算法的性能㊂以此为基础,深度学习和CNN 算法在垃圾图像分类领域取得了较好进展㊂李妍[3]通过中值滤波法对图像进行预处理,有效地降低了图像噪声,再通过训练融合注意力模块和特征融合模块的残差网络,获得比较精确的垃圾分类结果㊂王超等[4]首先通过二维Gamma 函数对图像进行光照矫正预处理,再引入带泄露值的激活函数(Leaky ReLU),并将批标准化函数(Batch Normalize)放在卷积操作前,优化ResNet⁃50的网络结构实现垃圾快速有效分类㊂张丽艳等[5]选用包含1000个图像类别且手动注释完成的ImageNet 数据集作为源域对目标数据集进行迁移学习,将其他层参数结构冻结,只改变全连接层的结构参数对模型进行训练,提高ResNet⁃50垃圾分类效率㊂王玉等[6]利用深度残差收缩网络(DRSN:Deep Residual Shrinkage Network),通过改进ResNet 网络,将压缩与激励网络(SENet:Squeeze⁃and⁃Excitation Networks)和软阈值化操作并入残差网络结构中,消除网络层数和噪声对实验结果的负面影响,使垃圾分类准确率得到一定提升㊂徐明明等[7]将残差网络VGG⁃16进行改进,在原有网络基础上加入了双通道注意力机制,在塑料垃圾分类上取得了较好结果㊂综上可知,基于深度学习算法在垃圾分类方面有较好前景,并引起研究者们的深入研究㊂但上述基于深度学习的垃圾分类方法在其识别过程中存在背景较为复杂㊁目标形态变化和光照条件影响问题㊂一方面背景较为复杂的图片在进行图片预处理时可能会出现垃圾主体和背景混淆的情况,导致垃圾主体被当成噪声去除,另一方面复杂的背景在训练或测试过程中可能会影响视觉特征提取;垃圾目标形态变化多样,同一物品在不同形态下特征区别很大,例如,打碎的生鸡蛋和切碎的熟鸡蛋,它们在训练㊁测试过程中提取出的低层视觉特征关联不大,但在语义关系上,其归属于同一个语义类别;不同场景光照变化,光照条件较好的情况下照片的特征会更加突出,而光照条件不好的情况下照片的特征则会受到一定的削弱,例如产生阴影,遮挡等,影响图像识别的结果㊂针对上述问题,笔者利用一种面向垃圾图像分类的残差语义强化网络实现垃圾分类识别㊂该方法以残差神经网络为骨干网络,采用视觉概念采样模块从概念特征图中导出视觉概念状态㊂通过视觉概念推理模块模拟各个处于独立分支的视觉概念状态之间的相互关联,并利用这种联系进行相应视觉概念更新㊂视觉概念调制模块将对更新后的视觉概念进行维数调制,使其传播到网络主流中㊂由于不同层级的特征之间在语义层次和空间分辨率上存在差距,直接组合不同层级的特征可能不太有效㊂在许多现有方法中注意力机制对图像特征提取有较好效果[8⁃13],故笔者将骨干残差网络的低层块输出传到卷积块注意力模块(CBAM:Convolutional Block Attention Module)[14],该模块提取有利于空间轮廓定位,边缘捕捉的底层细节,滤除在空间和通道上的冗余信息㊂同时许多方法表明特征的融合机制能有效提升图像分类准确率[15⁃16],王敏[17]将不同卷积层的图像特征进行加权融合,在生活垃圾图像分类方面取得了较好结果㊂故笔者也将CBAM 的输出特征再与提取出的视觉概念特征进行连接融合㊂该方法通过上述3个模块对输入垃圾图像中目标视觉概念的语义提取,能精确推理出图像中的垃圾目标㊂相比其他垃圾分类方法,笔者提出的方法更多的依赖于实例语义的推理而非图像视觉线索实现目标分类,从而对图像中容易引起低层视觉表征错误的因素例如复杂背景,目标形态变化,光照条件影响等有更好的鲁棒性,可有效提高生活垃圾识别准确率㊂同时在开源数据集上的大量实验表明,相比基准ResNeXt 残差网络和其他垃圾分类方法,笔者在只增加较少参数量的前提下有效提高了模型性能㊂此外,由于缺乏实际生活场景下的开源垃圾分类数据集,垃圾分类方法在统一数据集上的表现难以衡量,笔者采集并标定了生活中常见的厨余垃圾数据集(RKG Dataset:Realistic Kitchen Garbage Dataset)㊂1 提出的方法传统的垃圾图像分类技术首先提取垃圾图像中的内容特征,如颜色㊁纹理特征提取等,再使用机器1301第6期苏雯,等:面向垃圾图像分类的残差语义强化网络学习的分类算法或通过相似性匹配等方法建立图像特征和图像类别之间的关联,从而实现垃圾自动分类㊂如万华林等[18]通过支持向量机提取视觉特征,实现图像的语义分类㊂但传统的手工特征尚不足以完整表达图像的高级语义,分类准确率低㊂近年来,深度学习大受欢迎,RCNN [19](Region⁃CNN)㊁SSD [20](Single Shot MultiBox Detector)㊁YOLO [21](You Only Look Once)㊁ResNet [2]㊁SqueezeNet [22]等深度神经网络已被广泛应用于目标识别,更延伸出迁移学习方法,这些方法在图像分类问题上取得了更好的应用效果㊂但这些方法大多适用于自然图像分类,对垃圾分类场景的适应性不强㊂少数针对垃圾分类的研究方法也往往忽视垃圾分类问题的特点㊂对垃圾分类问题,尽管实际垃圾图片背景往往杂乱无规则,待识别的目标也形态变化多样,甚至处于多变的光照环境中,但图像中的语义概念和各个语义概念的相互联系却清晰且值得探索㊂例如,无论鸡蛋处于何种形态,其语义应该是一致的,并且鸡蛋等垃圾的出现往往伴随着厨房等背景环境㊂基于上述语义一致性与语义关联性的观察,笔者提出一种利用面向垃圾图像分类的残差语义强化网络㊂该方法的网络流程如图1所示,该网络主要包括4个部分:图像预处理㊁骨干网络㊁视觉概念推理和语义特征融合模块㊂图1 网络流程图Fig.1 Structure of networks 1.1 图像预处理为提高模型的泛化能力,首先需要进行数据样本扩充,从而保证采样数据的多样性以及全面性㊂笔者分别针对训练集和验证集设计了不同的数据增强操作㊂对训练集数据首先将图片进行随机大小裁剪,将其裁剪为大小为224×224像素的图片;再通过随机水平翻转进行数据增强;随后将图片数据转换为张量(Tensor)用于后续处理;最后对Tensor 进行归一化处理,使输入网络的图像像素值位于0~1区间㊂而对验证集数据,不同于训练集,其数据增强操作较为简单㊂首先将图片进行中心裁剪,将其裁剪为大小为224×224像素的图片;再将图片数据转换为Tensor 用于后续处理;最后对Tensor 进行归一化处理㊂对训练集和验证集的数据增强如图2所示㊂图2 数据集图像预处理流程Fig.2 Dataset image preprocessing 1.2 骨干网络选取图像分类任务要提高模型的准确率,需要选择加深或加宽深度神经网络,但随着参数量的增加(比如通道数,filter 大小等),网络设计的难度和计算开销会急剧增加,网络的实时性和轻量性会极大降低,甚至可能出现网络退化等问题㊂Xie 等[23]提出的ResNeXt 网络首先通过残差结构(见图3)有效地解决梯度弥散等问题㊂更重要的是他们采用分割⁃转换⁃合并思想,相较于ResNet 网络,ResNeXt 网络2301吉林大学学报(信息科学版)第41卷图3 ResNeXt 残差块结构Fig.3 Structure of residual block in ResNeXt 引入了基数概念,利用块分组思想,在不额外增加计算量的前提下提升效果,且效果优于提升深度和宽度㊂鉴于垃圾图像分类往往类别多样复杂且对特征提取能力要求高㊂此外,需要对特征组内的语义特征进行分析,并对不同特征组之间的语义关联进行建模㊂而ResNeXt 的基本思想恰好在本质上满足分层特征提取和特征语义分组设想㊂考虑到权衡模型的训练成本和性能,在本文中,笔者选择ResNeXt⁃50网络作为基础框架㊂1.3 特征语义关联强化视觉概念推理网络[24]在分割⁃转换⁃合并思想基础上,进一步提出了分割⁃转换⁃参与⁃交互⁃调制⁃合并的模块化多分支架构,能对高级视觉概念进行推理,有效地捕获全局背景,使模型性能得到有效提升㊂为强化分类特征中的目标语义并利用语义间相互关系增强分类特征的差异性,笔者对ResNeXt⁃50第4个阶段的32个特征分组采用视觉概念采样㊁推理和调制进行处理㊂3个模块组成一个模块化的多分支残差块以进行上述视觉概念的提取和推理㊂3个模块的具体结构和作用如下㊂1)视觉概念采样模块主要实现提取分组特征各自的视觉概念㊂将输入数据X ∈R HW ×d 通过1×1的分组卷积进行紧凑分组,这与ResNeXt 中参数分组的思想相类似,并表示为X ∈R HW ×p ,其中d =c ×p ,这里c 表示分组数,定义每组都为一个概念C ㊂其再通过一组3×3的卷积进行概念转化,得到概念特征映射Z c ㊂概念特征映射Z c 再通过聚合机制提取表示视觉概念的抽象特征向量,称其为视觉概念状态h c ㊂笔者采用基于注意力机制方式对输入特征进行提取㊂注意力机制通过将一个查询向量q c 和一组可互换的键值向量对K c 和V c 映射到一个向量,它能自适应地选择局部描述符集合㊂得到h c 如下:h c =softmax q c (Z c W k c )T æèçöø÷p′Z æèçöø÷c W v c ,(1)其中q c ∈R 1×p′,K c =Z c W k c ,V c =Z c W v c ,W k c 和W v c 是可学习权重㊂2)视觉概念推理模块实现模拟视觉概念之间的相互影响,实现概念状态之间的交互和更新㊂通过定义一个全连接图G =(V ,ε),其中V 是节点,ε是方向边,节点与前文得出的视觉概念状态h c 一一对应,通过定义边缘权重,即可对视觉概念状态h c 之间进行交互和更新㊂将更新后的视觉概念状态表示为h ′c,其更新规则如下:h ′c =ReLU BN h c +∑c c′=1A [c ,c′]h ()()c′,(2)其中通过一个邻接矩阵A ∈R C ×C 表示边缘权重值,可定义为A [c ,:]=tanh(h c W edge ),通过投影权重W edge 学习每个概念与其他概念之间的自适应关系,以此获取边缘权重㊂3)视觉概念调制模块实现对输出概念特征的调制,以解决信息传播时的维度不匹配问题㊂更新后的视觉概念状态h ′c除了拥有自己的概念信息,还获得了其他概念信息,这些信息必须进一步传播到从网络主流中提取的局部概念特征中㊂通过对通道进行缩放和平移进行概念特征映射的调制以解决维度不匹配问题㊂调制公式如下:X ′c =ReLU(αc X c +βc ),(3)其中αc 和βc 分别是缩放和移位的参数㊂为进行像素级调制,引入注意力图M c ∈R HW ×1定义缩放和位移参数,其中M c =softmax q c (Z c W k c )T æèçöø÷p′㊂其表达式是式(1)计算概念状态h c 的一部分,因此Kim 等[24]做出M c 包含了与概念相关空间信息的假设㊂基于此,可以将注意力图M c 进行归一化操作得到M ′c =M c max(M c ),用于将更新后的概念状态h ′c 投影到所有的局部位置㊂所以式(3)中αc 和3301第6期苏雯,等:面向垃圾图像分类的残差语义强化网络4301吉林大学学报(信息科学版)第41卷βc定义为αc=(M′c h′c)W scale c+b scale c, βc=(M′c h′c)W shift c+b shift c,(4)其中W scale c,W shift c分别是可学习的缩放和移动权重,b scale c,b shift c分别是缩放和移动偏置㊂笔者采用上述3个模块共同组成一个模块化的多分支残差块,将其并入骨干网络ResNeXt⁃50中,通过其对输入图像特征的高级视觉概念进行提取和强化得到语义强化特征㊂同时将ResNeXt⁃50网络低层块的输出经过注意力模块的调制,滤除在空间和通道上的冗余信息㊂再将其与提取出的视觉概念强化特征进行融合,从而提高ResNeXt网络的特征提取能力,增强模型性能㊂1.4 强化语义特征融合受残差思想的影响,笔者也认为每个附加层都应该更容易地包含原始函数作为其元素之一㊂并非通过堆叠不同的层找到可将输入特征映射为语义强化特征的函数,而是通过语义视觉概念的采样,交互更新以及调制学习输入特征到语义强化特征的不同㊂因此,特征语义关联强化模块作为输入特征的模块化多分支残差块,需要与输入特征的注意力调制分支融合㊂特征语义关联强化模块的输出X′c∈R HW×d与骨干网络第1阶段的输出F∈R H′W′×d′共同作为强化语义特征融合模块的输入,对F的注意力调制公式如下:F′=M c(F)⊗F,(5)F″=M s(F′)⊗F′,(6)其中M c∈R C×1×1是1D通道注意力特征,M s∈R1×H′×W′是2D空间注意力特征㊂经注意力机制处理后的特征将进一步与强化语义特征融合,形成直接用于预测分类的分类特征,融合公式如下:X Fusion=αF″+βX′c,(7)其中α和β是超参数,通过栅格验证方法,根据经验设置取值范围为(0,1),步长为0.2㊂特征语义关联强化模块所提取的语义特征虽然侧重于强化图像特征的高级视觉概念,但对底层特征中诸如空间轮廓定位及边缘信息的提取不完全,笔者通过注意力机制[14]从骨干网络的浅层提取这些底层特征,滤除在空间和通道上的冗余信息,其中空间注意力机制用于识别空间分辨率上的主要物体,通道注意力机制用于提取特征通道上的主要信息㊂通过空间注意力和通道注意力两种方式调整较浅层深度特征,减小其与强化语义特征融合时的信息代沟,消除强化语义特征融合时存在的语义层次及空间分辨率的差距,达到特征信息互补的目的㊂2 实验与分析2.1 数据集为验证笔者所提出方法的有效性,在广泛使用的开源数据集上进行了定性及定量的实验验证㊂选取了在Kaggle中的垃圾分类公开数据集以及开源的TransNet数据集㊂其中Kaggle垃圾数据集包含来自12个不同类别的生活垃圾图像,共计15515张㊂类别分为纸张㊁硬纸板㊁生物㊁金属㊁塑料㊁棕色玻璃㊁绿色玻璃㊁白色玻璃㊁衣服㊁鞋子㊁电池和废弃物㊂笔者参考王玉等[6]的处理方式,只选其中纸张㊁硬纸板㊁金属㊁塑料㊁白色玻璃和废弃物6个类别进行对比实验,将数据集增广至2倍后的70%的图片用于训练,30%的图片用于测试㊂对消融实验,笔者则选用Kaggle垃圾数据集的全部12分类进行实验,训练集㊁验证集㊁测试集划分为7∶2∶1㊂TransNet数据集一共包含硬纸板㊁玻璃㊁金属㊁纸张㊁塑料和废弃物垃圾6个类别,共2527张图像,数据集划分参考Aral等[25]在其基于深度模型的TrashNet数据集分类中的比例,将训练集㊁测试集和验证集划分为7∶1.7∶1.3㊂2.2 厨余垃圾数据集笔者采集并标定的厨余垃圾数据集(RKG Dataset)由工业摄像头采集,涵盖真实厨房㊁餐桌㊁水槽㊁垃圾桶等各种场景,图片包括菜梗叶㊁茶叶渣㊁蛋壳㊁骨头㊁烘焙糕点㊁剩饭菜㊁水果等七大类垃圾共13227幅各类分辨率图像,光照条件覆盖了生活中可能出现的各种情况,例如自然光照及室内光照等㊂部分采集RKG Dataset 数据集图像实例如图4,图5所示㊂推荐的训练测试比例为:训练集11097张图片,平均每个类别1701张;测试集1321张图片,平均每个类别188张㊂目前该数据集已经开源:https:∥ /ugawahm /Residual⁃Semantic⁃Reinforcement⁃Network⁃for⁃Garbage⁃Classification㊂笔者所提方法在该数据集的准确率为84.17%㊂图4 部分数据集图像实例Fig.4 Examples of partial dataset images 图5 RKG Dataset 示例图片Fig.5 Sample images of the RKG Dataset 2.3 实现细节实验设备操作系统为Ubuntu 20.04,显卡为英伟达RTX 3090Ti,显存24GByte,实验使用Pytorch 框架㊂图像预处理阶段,笔者统一将输入的图像裁剪为224×224像素大小,并将归一化参数设置为[0.485,0.456,0.406],[0.229,0.224,0.225]㊂网络训练选用交叉损失熵函数作为损失函数,优化器选用Adam 优化器,以自适应调整训练过程中的学习率,其中学习率设置为0.0001,Weight decay 设置为0,betas 设置为[0.99,0.999]㊂2.4 RKG Dataset 测试实验笔者方法与不同网络在RKG Dataset 分类数据集下的对比列入表1㊂实验结果表明,笔者算法在RKG Dataset 数据集上也具有相对较好的效果和泛化能力㊂5301第6期苏雯,等:面向垃圾图像分类的残差语义强化网络表1 RKG 测试实验(ResNeXt⁃50+Semantic Aggregation 简写为ResNeXt⁃50+SA )笔者将输入图像经过骨干网络ResNeXt⁃50后得到的特征尺寸为7×7,通道数为2048的特征向量作为用于概念提取的多分支残差块的输入㊂最后将输出结果进行自适应平均池化操作,再经过全连接层输出㊂对Kaggle 中的垃圾分类公开数据集,笔者将数据的批处理大小设置为32,训练迭代200次,得出在6分类垃圾数据集的预测平均准确率为95.3%㊂其中,纸张㊁硬纸板㊁金属㊁塑料㊁废弃物和白色玻璃的预测率分别为97.3%㊁94.3%㊁94.1%㊁95.0%㊁97.1%和93.8%㊂其混淆矩阵如图6所示,同时各类别召回率㊁精确率如表2所示,其平均准确率为95.3%,平均召回率为95.2%,平均精确率为99.1%㊂通过分析发现预测准确率较低的类别,如白色玻璃,其图像特征大都为透明或者白色为主,对这类具有透视性质的目标,目前的语义提取神经网络难以捕获其中有利于分类的信息㊂表2 笔者方法在Kaggle 6分类垃圾数据集上的准确率,召回率和精确率指标图6 Kaggle 6分类垃圾数据集测试集混淆矩阵Fig.6 Confusion matrix for the test set of Kaggle 6⁃classification garbage dataset 数据集提出的DRSN [6]的结果对比如表3所示㊂从表3可看出,笔者提出的方法较DRSN 网络在性能上有较大提升,这得益于视觉概念推理网络对特征视觉概念的提取能力㊂同时笔者的方法也与Aral 等[25]和Fatma 等[27]在公开数据集TrashNet 上的各种方法进行对比㊂对比结果如表4所示㊂由表4可见,笔者提出的方法最终预测准确率优于MobileNet [27],Inception ResNet V2[28],DenseNet121[29]以及Fatma 等[27]提出的VT⁃MLH⁃CNN 网络㊂表3 Kaggle 6分类垃圾数据集对比表4 TrashNet 数据集对比6301吉林大学学报(信息科学版)第41卷2.6 消融实验笔者提出方法与不同网络在Kaggle 12分类数据集下的对比如表5所示㊂表5 消融实验(ResNeXt⁃50+Semantic Aggregation 简写为ResNeXt⁃50+SA )图7 Kaggle 12分类垃圾数据集测试集混淆矩阵Fig.7 Confusion matrix for the test set of Kaggle 12⁃classification garbage dataset 提出的ResNeXt 网络在ResNet 的基础上更新了块结构,在提高预测准确率的前提下减少了计算量㊂而笔者提出的方法通过对视觉概念的提取和推理更好地抓取特征,能保持在训练速度几乎不变的情况下较骨干网络ResNeXt⁃50的准确率提升了1.23%㊂笔者方法在测试集上的混淆矩阵如图7所示㊂实验在ResNeXt⁃50(baseline )上的准确率高于VGG⁃16和ResNet⁃50,可见笔者的基准网络选择合适,而且ResNeXt 的基本思想恰好在本质上满足笔者分层特征提取和特征语义分组设想㊂ResNeXt⁃50+SA 较ResNeXt⁃50(baseline)提升了0.35%,说明特征语义关联强化模块可以对高级视觉概念进行推理,有效地捕获全局背景,使模型性能得到有效提升㊂而笔者的方法较ResNeXt⁃50(baseline),ResNeXt⁃50+SA 以及ResNeXt⁃50+CBAM 分别提升了1.23%,0.88%和1.12%㊂说明虽然注意力机制的加入能提高模型分类的准确率,但简单的注意力运算并不能提取分组深度特征中的语义概念,也无法很好地对语义概念之间的相互影响进行建模更新㊂同样,虽然特征语义关联强化模块的加入,使深度特征中的语义概念得以加强,但同时损失了对垃圾分类有益的深度特征中低层次特征㊂笔者提出的网络消除强化语义特征融合时存在的语义层次及空间分辨率的差距,达到特征信息互补的目的㊂为获得分类精确度最优的特征融合方式,笔者尝试使用了3种特征融合方式,分别为两个特征相加,两个特征加权融合(F″,X ′c权重为[0.4,0.6])以及特征直接相连接㊂实验结果如表6,表7所示㊂结果表明基于特征加权融合且权重为[0.4,0.6]时融合效果最佳㊂这也与笔者的动机相吻合㊂经过注意力机制调整的特征与强化语义特征在特征表征的侧重点有所不同,因此依赖权重融合的方法得到了更好的效果㊂表6 不同融合方式对比表7 不同融合权重对比7301第6期苏雯,等:面向垃圾图像分类的残差语义强化网络8301吉林大学学报(信息科学版)第41卷2.7 参数对比实验将笔者算法与ResNeXt⁃50以及ResNeXt⁃101进行对比,结果如表8所示㊂可见,笔者提出的算法相比参数量巨大的深层网络ResNeXt⁃101,能在ResNeXt⁃50的基础上增加较少参数,从而提升了准确率㊂表8 参数数量对比3 结 语笔者提出了一种面向垃圾图像分类的残差语义强化网络,由图像预处理㊁骨干网络㊁视觉概念推理㊁语义特征融合模块构成㊂图像预处理模块对训练集以及测试集的图片进行随机裁剪㊁翻转等操作,大大提高了模型的泛化能力;骨干网络模块利用块分组思想,在不额外增加计算量前提下提升效果,且效果优于提升深度和宽度;视觉概念推理模块使用了分割⁃转换⁃参与⁃交互⁃调制⁃合并的模块化多分支架构,能对高级视觉概念进行推理,有效地捕获全局背景,使模型性能得到有效提升;语义特征融合模块通过空间注意力和通道注意力两种方式调整较浅层深度特征,减小其与强化语义特征融合时的信息代沟,消除强化语义特征融合时存在的语义层次及空间分辨率的差距,达到特征信息互补的目的㊂笔者提出的方法在Kaggle12分类垃圾数据集上进行了实验,预测准确率达92.49%;并在RKG Dataset数据集上进行了实验,预测准确率达84.17%,可见该算法能较好地满足实际应用需求㊂今后还将考虑提升网络深度,更改骨干网络模型,以进一步提高预测准确率㊂参考文献:[1]KRIZHEVSKY A,SUTSKEVER I,HINTON G.Imagenet Classification with Deep Convolutional Neural Networks[C]∥Proceedings of the25th International Conference on Neural Information Processing Systems⁃Volume1.Red Hook,NY,USA: [s.n.],2012:1097⁃1105.[2]HE K M,ZHANG X Y,REN S Q,et al.Deep Residual Learning for Image Recognition[C]∥Proceedings of the2016IEEE Conference on Computer Vision and Pattern Recognition(CVPR).Las Vegas,NV,USA:IEEE,2016:770⁃778. [3]李妍.基于ResNet算法的垃圾图像识别分类研究[J].长江信息通信,2021,34(5):25⁃27.LI Y.Research on Garbage Image Recognition and Classification Based on ResNet Algorithm[J].Changjiang Information& Communications,2021,34(5):25⁃27.[4]王超,万兆江,周瑜杰,等.基于ResNet⁃50垃圾分类算法的改进及应用[J].智能计算机与应用,2022,12(10): 184⁃188.WANG C,WAN Z J,ZHOU Y J,et al.Research on Garbage Classification Algorithm Based on Improved ResNet⁃50[J]. Intelligent Computer and Applications,2022,12(10):184⁃188.[5]张丽艳,赵艺璇,牟钰鹏,等.基于ResNet50的列车常见垃圾自动分类算法[J].大连交通大学学报,2021,42(4): 101⁃105.ZHANG L Y,ZHAO Y X,MOU Y P,et al.Automatic Sorting Method for Common Garbage in Train Based on ResNet50[J]. Journal of Dalian Jiaotong University,2021,42(4):101⁃105.[6]王玉,张燕红,周昱洲,等.基于深度残差收缩网络的校园垃圾图像分类[J].吉林大学学报(信息科学版),2023, 41(1):186⁃192.WANG Y,ZHANG Y H,ZHOU Y Z,et al.Garbage Image Classification of Campus Based on Deep Residual Shrinkage Network[J].Journal of Jilin University(Information Science Edition),2023,41(1):186⁃192.[7]徐明明,高丙朋,黄家興.改进残差网络的轻量级塑料垃圾分类研究[J].现代电子技术,2022,45(17):95⁃99. XU M M,GAO B P,HUANG J J.Research on Lightweight Plastic Waste Classification by Improving Residual Networks[J]. Modern Electronic Technology,2022,45(17):95⁃99.[8]李晓旭,刘忠源,武继杰,等.小样本图像分类的注意力全关系网络[J].计算机学报,2023,46(2):371⁃384.。
DHT网络中一种TCP穿越NAT机制
收稿日期:2006201209基金项目:国家高技术研究发展计划项目(2004AA712032)・作者简介:耿福泉(1960-),男,辽宁沈阳人,东北大学博士研究生;赵林亮(1956-),男,山东胶南人,东北大学教授・第28卷第1期2007年1月东北大学学报(自然科学版)Journal of Northeastern University (Natural Science )Vol 128,No.1Jan.2007DHT 网络中一种TCP 穿越NAT 机制耿福泉,陈 浩,方忠民,赵林亮(东北大学信息科学与工程学院,辽宁沈阳 110004)摘 要:针对现有的NA T 穿透方案或者扩展性不好,或者未采用标准的协议栈,或者对移动性支持较差的问题,提出了一种新的TCP 穿越非对称型NA T 的机制网络地址转换的TCP 穿越(Nat TT )・利用公网的代理服务器为准备接受TCP 连接的位于NA T 之后的节点服务・发起TCP 连接的节点和接收TCP 连接的节点通过代理服务器进行协商,而在NA T 上建立了双方都了解的通道・通过这一通道以成功实现TCP 的连接・测试结果表明这一方法是有效的・关 键 词:P2P ;DHT ;NA T 穿越;网络地址转换;TCP中图分类号:TP 393.01 文献标识码:A 文章编号:100523026(2007)0120049204A NAT T raversal Strategy in D HT N et w orkGEN G Fu 2quan ,CHEN Hao ,FA N G Zhong 2m i n ,ZHA O L i n 2liang(School of Information Science &Engineering ,Northeastern University ,Shenyang 110004,China.Correspondent :CHEN Hao ,E 2mail :chenhaoneu @ )Abstract :To solve the existing problems such as the poor expandability during NA T traversal and nonstandard protocol stacks ,a new strategy using TCP called Nat TT is proposed.With the services provided by the agent sever on the Internet ,a routeway of TCP between the initial node and the receival node is thus available.It’s effectiveness can be seen from test results.K ey w ords :P2P ;DHT ;NA T traversal ;network address translater ;TCP最近几年,对等计算P2P (Peer 2to 2Peer )[1]迅速成为计算机界关注的热门话题之一・P2P 打破了传统的Client/Server (C/S )模式,在网络中的每个结点的地位都是对等的,既充当服务器,为其他结点提供服务,同时也享用其他结点提供的服务・目前P2P 研究的重点放在了如何有效地查找信息上,最新的成果都是基于DHT (Distributed Hash Table )[2]的分布式发现和路由算法・DHT 类结构能够自适应结点的动态加入/离开,有着良好的可扩展性、鲁棒性、结点ID 分配的均匀性和自组织能力・DHT 网络的基本原理是:每个节点有惟一的标识符(node Id ),每个消息(或资源)也有一个与node Id 属于同一名字空间(namespace )的标识符(key ),key 和node Id 在名字空间中是相对一致均匀分布的;根据消息的key ,节点能够将消息路由到node Id 与key 最为“接近”的节点・DHT 网络通常有两种搭建方式:一是所有的节点都加入到网络中,所有节点都同等重要,如图1;二是有选择性地让某些节点加入,例如只选择公网中有足够带宽和CPU 资源的节点加入,其他节点通过这些节点加入到DHT 网络,如图2・第一种方法造成很多NA T 后节点功能受限,用途不是很广泛・本文只讨论第二种DHT 网络・图1 所有节点都加入DHT 网络Fig.1 All the node s join DHT net图2 仅部分节点加入DHT网络Fig.2 Only part of the node s join DHT net和其他P2P应用一样,DHT网络中节点间常常需要借助TCP实现端到端之间的通信,但NA T[3]的大量部署破坏了端与端之间的可追溯性・根据文献[3],NA T有以下4种分类,假设数据包从A:X经NA:Y到某公网主机B:J:(1)Full Cone NA T:任何一台主机C都可通过NA:Y与A:X进行通信,即使A:X从未与C 通信过;(2)Restricted Cone NA T:当且仅当A:X曾向C发送过数据包,C才能通过NA:Y与A:X进行通信;(3)Port Restricted Cone NA T:当且仅当A: X曾向C:M发送过数据包,C:M才能通过NA: Y与A:X进行通信,除M之外C不能通过任何端口与A:X通信;(4)Symmetric NA T:对每一个和A:X通信的IP地址和端口,NA T都会分配一个新的映射端口・例如,A:X之后要和B:Q通信,NA T会分配一个新端口Z・下面简要分析这些应用是如何解决NA T穿越问题的:①如果只有一个节点位于NA T后,让此节点发起连接,例如Kazaa[4]・这只是一个部分解决方案,很多情况下通信双方节点都位于NA T后・②动态或手工配置NA T以便将某个特定端口的请求转发到NA T之后某节点,例如Bit Torrent[5]・但是用户通常没有能力或权限配置NA T・③通过中央服务器中转,例如Groove[6]・这种方案代价比较昂贵,因为当节点增多时,需要部署大量服务器・④通过公网节点中转,例如Skype[7],当中转大量数据时,会严重影响该节点性能・⑤利用私有会话发起协议在两个节点间交换UDP端口,然后在UDP之上打TCP隧道,例如Newrong[8]・本文采用标准TCP协议栈以便利用某些最新TCP优化成果,再者,很多网络都不允许使用UDP・1 一种新的TCP穿越NA T机制针对上述方案或扩展性不好,或未采用标准的协议栈,或对移动性支持较差的问题,本文提出了一种新的TCP穿越NA T机制Nat TT(即NA T TCP Traversal的缩写)・在Nat TT中,想随时接受连接请求的节点称为接收节点或接收者,负责某个接收节点存储(注册)的那个节点称为该接收节点的代理・代理的功能是向接收节点提供当前网络地址以及帮助NA T后节点实现穿越・为了保证可用性和可扩展性,代理还可以采用冗余备份,例如,某接收节点的代理的一些后继节点都可以作为该接收节点的代理・如图3・图3 NatTT结构图Fig.3 System architecture of NatTTCone NA T的穿越如图4所示・此外,还可利用文献[9]中第七部分描述的端口预测方法来扩展Nat TT以支持Symmetric NA T穿越,但最新研究指出,NA T零售市场上很少有Symmetric NA T[10],而且Vo IP等新兴业务在Symmetric NA T下表现不佳,本文相信Symmetric NA T会逐渐消失,因此只考虑Cone NA T・过程如下:(1)接收节点注册・步骤1和2是接收节点通过一个U RI向代理注册,UDP、TCP均可,但TCP开销较大,采用UDP(如图2)可以容许更多接收节点注册到每个代理上・接收节点定期向代理发送注册消息,以便代理随时通过NA T向它发送连接请求(步骤4)・(2)查询・步骤3为发起节点想与接收节点建立一条TCP连接,于是向代理(通过DHT算法)发送查询请求・代理首先检查接收节点是否已注册(可能需要和其他代理联系进行确认),若注册,通过其注册地址向它发送一个连接请求(步骤4)・该连接请求带有一个联系参数,以便追踪后续步骤针对那个查询请求,以及通知接收节点发起连接时应该使用的IP地址和端口・代理将最终向发起节点回应一个带有接收节点公有IP地址和05东北大学学报(自然科学版) 第28卷端口的应答(步骤10),以便和它建立一条直接的TCP连接(步骤11)・(3)打洞・步骤5和6为接收者通过连接请求中的地址信息与代理建立TCP连接,告知代理它所使用的地址信息・代理比较接收者的私有IP 地址(R)和公有IP地址(NR),若匹配,说明接收者不在NA T之后,否则接收者为即将从发送者公有IP地址和端口(N I:Y)发送的消息在NA T 上打洞・这里的策略是接收者使用相同的IP地址和端口与代理和发起者通信・因为是在Cone NA T 上打洞,NA T将为这两条TCP连接分配相同的端口・在图4的例子中,发送者使用端口X和代理通信(步骤3),但是代理看到的数据包地址为NA T I:Y・同样,接收者使用端口J但代理看到的地址为NA T R:K・为了打洞,接收者关闭步骤5和6中与代理的连接,并在步骤7中试图使用端口J 和N I:Y发起TCP连接请求,步骤8或者超时,或者返回一个TCP Reset应答,或者返回一个端口在使用错误(NA T I为Full Cone类型),任何一种情况都将导致连接失败,但是很可能在NA T R 上产生了一个R:J到N I:Y的映射(之所以“很可能”是因为NA T R可能因为步骤8的TCP Reset 应答关闭R:J到N I:Y的映射)・步骤8和9之间,接收者在R:J上创建一个监听Socket,然后发送一个连接应答(步骤9)・步骤10中代理通知发起者现在可以通过NR:K和接收者建立直接的TCP连接,步骤11连接建立・图4 Cone NAT穿越Fig.4 Cone NAT traversal2 测试结果分析目前仅仅针对DHT网络中位于不同NA T 后的节点进行了测试・搭建了一个有四个节点的DHT网络(通过Chord算法[11]),其中两个节点在公网上,分别运行Win2K、WinXP(SP2),主频分别为216MHz,117MHz・另两个节点位于不同的NA T后(通过STUN[3]算法测得两个NA T均为Cone类型),也分别运行Win2K、WinXP (SP2),主频分别为214MHz,218MHz・两个私网节点分别注册到两个公网节点上,分别向对方发起TCP连接・进行了大约200次测试,其中每个节点发送100次,观察测得穿越成功率分别达到99%和97%,TCP连接建立延迟从119s到716s15第1期 耿福泉等:DHT网络中一种TCP穿越NA T机制不等・这个结果一方面是因为NA T为Cone类型,另一方面因为测试环境是在学校搭建,网络连通性较好,同时DHT网络只有四个节点,节点查找较快・建议在实际环境中配置时,为步骤7的TCP建立设置一个可配置超时时间(目前设置为2s),同时将Nat TT根据STUN[3]和NA T中继穿越(TU RN)扩展以支持UDP穿越以及TCP、UDP中转・另外,对上例中两个公网节点进行仿真测试,观测到两个节点每秒分别可负载超过10000和7000个UDP注册(步骤1和2),节点每隔1min 重送一个UDP注册,因此这两个代理分别可负载大约600000和420000个接收节点・这不包括冗余代理和偶尔的查找以及连接请求带来的开销,相信这个开销不会太大・在实际的DHT网络中,公网节点负责的节点注册远远达不到此数目,因此像Skype一样,通常用户可以承担这些额外的开销・3 结 论本文提出了一种DHT网络中TCP穿越NA T机制,由某个节点协调位于NA T后的节点间的通信,而不是负责具体通信的中转,保证了系统的高可扩展性和良好的性能・同时采用标准的TCP协议栈,不仅有助于和其他系统的兼容,还便于利用某些最新TCP优化・下一步的工作就是扩展Nat TT以支持UDP穿越,同时借鉴交互式连接建立(ICE)的工作方式实现Symmetric NA T 的穿越・参考文献:[1]Tsirtsis G,Srisuresh work address translation2protocoltranslation(NAT2PT)[S/OL].[2005-10-21].http:∥/rfc/rfc2766.txt.[2]罗杰文・Peer to Peer(P2P)综述[EB/OL]・[2005-10-21]・http:∥/users/luojw/papers/p2p.htm.(Luo Jie2wen.Peer to peer(P2P)summary[EB/OL].[2005-10-21].http:∥/users/luojw/papers/p2p.htm.)[3]Rosenberg J,Weinberger J,Huitema C,et al.STUN2simple traversal of user datagram protocol(UDP)throughnetwork address translators(NATs)[S/OL].[2005-10-21].http:∥/rfc/rfc3489.txt.[4]Jessup T.How K azaa works.Utah Education NetworkSummit[EB/OL]・[2005-10-21].http:∥www.ndnn.org/blog/downloads/summit/U ENSummit-Peer-2-Peer.ppt.[5]Bit Torrent.FAQ[EB/OL].[2005-10-12].http:∥/FAQ.html.[6]Groove Networks.Groove web services[EB/OL].[2005-10-21].http:∥/pdf/wpgroove-web-services.pdf.[7]Skype Technologies S A.Skype explained[EB/OL].[2005-10-21].http:∥/products/explained.html.[8]Newrong Inc.NAT traversal SD K[EB/OL].[2005-10-25].http:∥/en/product/index.html.[9]Guha S,Takeda Y,Francis P.NU TSS:a SIP2basedapproach to UDP and TCP network connectivity[C]∥SIGCOMM’04Workshops.Portland,2004:43-48. [10]Jennings C.NAT classification results using STUN.IETFInternet draft[EB/OL].[2005-10-21].http:∥www./internet2drafts/draftjennings2midcom2stun2results202.txt.[11]Stoica I,Morris R,K arger D,et al.Chord:a scalable peer2to2peer lookup service for Internet applications[C]∥Proceedings of the ACM SIGCOMM’01Conference.SanDiego,California,2001:149-160.25东北大学学报(自然科学版) 第28卷。
钛及钛合金电极整体成形机理研究
方安装盲孔模具" 向挤压筒内添加散料" 液压机 向挤压筒内的散料加压" 在线制备摩擦堵头# 将 挤压模具更换到挤压筒下方# 继续加料并压制" 通过模具作用" 将海绵钛减径压缩压实" 将压制 成形的电极棒从模具口挤出" 经过连续多次加料 与压制" 直接挤压成 1 Y长的电极制品# 电极达 到预定长度后" 将成品电极挤出模具口" 并转运 至下一工序%
电极品质较差" 无法满足国防军工与航空航天&
海洋工程等国家重点领域对高端钛材的需求" 我
国需要大量进口高端钛材%
俄罗斯某公司则使用将海绵钛直接压制成为
整体电极" 省去电极拼焊工序的工艺路线" 制备
高品质钛及钛合金电极" 并向世界供应高端钛
材"
同时
对
该
技
术
进
行
封
,
锁
!"-
%
目前"
国内外
未见对电极整体成形工艺机理及成形电极密度 0
设计开发钛及钛合金电极整体成形装备" 通 过本工艺装备" 制备密度不小于 #^( 8eQY# " 单 根长度 # `1 Y" 全长直线度!#' YY" 整体断面 拉伸强度"!' 5b>的电极制品% 最终提高钛及 钛合金电极品质" 为高端钛材的生产提供初始 保障%
!$工艺路线
如图 ! 所示" 提出一种更为高效绿色的先进 钛及钛合金电极整体成形工艺路线( 在挤压筒下
图 !$电极整体成形工艺路线
"$理论分析
"^!$过程分析
CBIQ及多巴酚丁胺对氧化损伤的肺泡上皮细胞活性的影响
ｌ １ ～ ｍｍｏ／ 的 多 巴 酚 丁 胺 组 平 均 细 胞 存 活 率 分 别 为 （ ０ ５ × ０ ｌＩ ７， ３士 ０ ２ ） 、 ６ ． ２± ０ ２ ） 、 ６ ． ３ ． ２ （ ７ ８ ． ９ （ ３ ５ ± ０ ６ ） ， 损 伤 组 （２ ５ ±０ １ ） 明 显 增 高 （ ．１ 较 ３． ０ ． ２ Ｐ＜ ０ ０ ） 但 Ｃ Ｉ 及 多 巴 酚 丁 胺 共 同 干 预 组 平 均 细 胞 存 活 率 ．１； ＢＱ （ ７３ ±ｏ ６ ） 较 多 巴 酚 丁 胺 组 （ ９ ６ ±０ ９ ） 及 Ｃ Ｉ 组 （ ３ ２ －０ ８ ） 均 明 显 减 少 ， 中 Ｃ Ｉ 联 合 多 ５ ． １ ． ０ ６． １ ． ２ ＢＱ ６ ． ｏ＋ ． ０ － 其 ＢＱ
ｄ ｔｒ ｎ ｄ ｂ ＴＴ ｓ ａ ． Ｒｅｕｔ Ａｆｅ ４ ｅｌ ｒ ｒａｅ ｔ ｉ ｅ ｅ ｔｃ ｎ ｅ ｔａｉｎ ｆ ｅｅｍｉｅ ｙＭ ａｓｙ ｓｌ ｓ ｔｒＡ５ ９ｃ ቤተ መጻሕፍቲ ባይዱ ｗｅｅｔｅ ｔｄ ｗｉｈｄｆ ｒ ｎ ｏ ｃ ｎ ｒｔｏ ｓｏ ｓ ｆ ＣＢＩ ｏ ｂ — Ｑ ｒＤｏ ｕ
山 西 省 人 民 医 院 （ ３ ０ ２ 黄 颖 薛 临 萍 ００ １）
【 摘
要 】 目的
研 究 Ｃ Ｉ 及 多 巴酚 丁胺 对 氧 化 损 伤 的 肺 泡 上 皮 细 胞 株 Ａ５ ９增 殖 活 性 的 影 响 。方 法 ＢＱ ４
应 用 四 甲基 偶 氮 唑 蓝 （ Ｔ） 检 测 不 同 浓 度 Ｃ Ｉ 不 同 浓 度 多 巴 酚 丁 胺 及 两 种 药 物 共 同 作 用 对 过 氧 化 氢 ＭＴ 法 Ｂ Ｑ、
基于NURBS曲面敏感点的曲面检测测点优化
浙 江 大 学 学 报 （ 工学版） Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｚ ｈ ｅ ｊ ｉ ａ ｎ ｇ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ（ Ｅｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ）
曲面 的加 工 误 差 ， 分 别 利 用 均 布法 、 等 参 数 法 和敏 感 点 法 对 测 点 进 行 选 择 ， 得 到 相 应 的拟 合 加 工 曲 面 ． 分 析 结 果 表
明， 采 用 提 出 的 测 点 优 化 选 择 方法 获 得 的 加 工 曲面 具 有 更 好 的拟 合 精 度 ．
ＬＡＩ Ｊ ｉ ｎ — ｔ ａ ｏ ，ＦＵ Ｊ ｉቤተ መጻሕፍቲ ባይዱａ ｎ — ｚ ｈ ｏ ｎ ｇ，ＳＨＥＮ Ｈｏ ｎ ｇ — ｙ ａ ｏ，ＧＡＮ Ｗｅ ｎ — ｆ ｅ ｎ ｇ
（ Ｃｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆ Ｍｅ ｃ ｈ ａ ｎ ｉ ｃ ａ ｌ Ｅｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ。Ｚ ｅ ｊ ｉ ａ ｎ ｇ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ，Ｈａ ｎ ｇｚ ｈ ｏ ｕ ３ １ ０ ０ ２ ７ ，Ｃｈ ｉ ｎ ａ ）
Ｖ０ １ ． ４ ９ ＮＯ ． ７
Ｊ ｕ １ ．２ ０ １ ５
ＤＯＩ ：１ ０ ． ３ ７ ８ ５ ／ ｉ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ８ — ９ ７ ３ Ｘ． ２ ０ １ ５ ． ０ ７ ． ０ ０ １
基 于 ＮＵＲＢ Ｓ曲面 敏 感点 的 曲面 检 测 测 点优 化
赖金涛 ， 傅 建 中， 沈 洪 壶， 甘 文 峰
（ 浙江大学 机械工程学 院， 浙 江 杭州 ３ １ ０ ０ ２ ７ ）
摘 要 ：基 于 ＮＵＲ Ｂ Ｓ曲面 控 制 点 重 构 的 加 工 误 差 在 机 测 量 方 法 ， 提 出测 点优 化 选 择 方 法 ． 通 过 对 ＮｕＲ Ｂ ｓ曲 面 进 行分析 ， 将 曲面上控 制点 影 响 最 强点 和 曲 面极 值 点定 义 为 曲面 的 敏感 点 ， 利 用 曲 面 敏 感 点 的 在 机 测 量 数 据 对 ＮＵＲ Ｂ Ｓ曲 面 控 制 点 进 行 重 构 ， 得到拟合加工 曲面． 比较 加 工 曲 面 和 设 计 曲 面 可 以 得 到 曲 面 的 加 工误 差 ， 对 曲面 的 加工精度进行评估 ， 指 导 曲 面 的误 差 补 偿 ． 实 验 过 程对 一 自 由曲 面 进 行 实 际 加 工 ， 通 过 在 机 测 量 和 三 坐 标 测 量 得 到
厚朴提取物对MPTP诱导帕金森病模型小鼠行为学的影响
碍， 表明采用 ＭＰ Ｐ注射法造模成 功。而厚 朴提取物能够 显 Ｔ
著缩短小 鼠爬 杆 时 间 并 能 增 加 小 鼠 悬 挂 能 力评 分 （ Ｐ＜
０ 叭 ） 表明厚朴提取物能提高肢体 运动协调 能力 ， ＭＰ１ ． ； 对 １ Ｐ 诱导所致的 Ｐ Ｄ模 型小 鼠 Ｐ Ｄ运 动体 征具 有 明显的 改善 作 用 。为 Ｐ Ｄ中医药防治及其 新药研发提供 了新 的思路 。
国临床神经外科杂志 ，０ ５ １ ４ ：５ ． ２ ０ ，０（ ） １７ ［ ］ 姚庆 和 ， ５ 高国栋 ． Ｔ ＭＰ Ｐ的毒性机 制与帕金森病 动物模型 ．国
本病属于 中医“ 证” 颤 范畴 ， 临床 上 以震颤 、 强直 、 肌 运 动迟缓 、 姿势步态异 常为主要特 征 ， 以往 中 医药 治疗 多注重 滋补肝 肾 Ｉ］ ９。导师吴正治教授认为 ： 本病 的病 位主要在肌
与注射前 、 正常组 比较 ▲Ｐ＜ ． ５ ▲▲Ｐ＜ ． １与模 型组 比较 ００ ， ０Ｏ ；
△ Ｐ ＜０． ５ ０
参考文献
［ ］ 吴正治 ． １ 老年神经病学 ． 北京 ： 学苑出版社 ， ０ ：． ２ ４１ ０
［ ２］ 吴正治 ， ｎ ｒ ．． ｕ ｎ ， Ａ ｄｅ Ｃ Ｊ Ｈ ａｇ 高小威 ， ．安颤灵对 帕金森病模 ｗ 等 型旋转行为及 Ｕ Ｓ功能影响 的研 究 ．世界 中西 医结 合杂志 ， Ｐ
据资料 以（ ｓ表达 ， ± ） 采用 ｔ 检验处理。 ３ １ 一般行为观察 ． Ｐ Ｄ模 型组 小 鼠于第 １次注药后 １ Ｏ一
ｈｄｏｙｉｉｅｈｄｏｈｏｉ ， 一甲 基 一 ｙｒｐｒ ｎ ｙ ｒ ｌｒ ｅ １ ｄ ｃ ｄ ４一苯 基 一１ ２ ３ ６一 ，，，
四氢吡啶盐酸盐 ）： 美国 Ｓｇ 公司产品 ， ｉ ｍａ 北京 Ｓ ｍａ ｉ 公司代 ｇ 理总部出售 。
数字孪生技术在引江补汉工程全生命期的应用探讨
第 6 期2023 年 12 月NO.6Dec .2023水利信息化Water Resources Informatization0 引言当前，数字孪生等新一代信息技术高速发展，成为技术创新、经济增长和社会变革的主要驱动力。
水利行业大力推进数字孪生流域建设，数字孪生水利工程是数字孪生流域建设的重要组成部分，也是切入点和突破点[1]。
开展工程精细建模和业务智能升级，保持数字孪生水利工程与实体水利工程的融合性、交互性、同频性，已成为当前数字孪生水利工程建设的核心任务与目标。
目前，已有众多学者围绕防洪、水力发电、城镇供水排水等不同工程类型，针对勘察设计、建设管理、运维管理不同阶段的功能需求，建立了基于数字孪生技术的各类平台或系统，取得了一定成果[2-6]，但对深埋长大隧洞工程全生命期数字孪生建设的研究较少。
引江补汉工程全程采用隧洞输水，是南水北调中线工程的后续水源工程，也是分层次、立体化数字孪生南水北调工程体系的重要组成部分[7]。
为此，以引江补汉工程为例，介绍全生命期数字孪生建设目标与框架，探讨数字孪生技术难点与解决思路，介绍工程各阶段孪生应用建设方案和初步成果，以期为项目后续建设奠定基础。
1 建设目标与总体框架按照“需求牵引、应用至上、数字赋能、提升能力”要求，充分运用数字孪生、云计算、大数据、人工智能、物联网等新一代信息技术，构建引江补汉全生命期数字孪生应用体系。
数字孪生引江补汉总体架构如图 1 所示，各组成部分建设目标如下：1） 信息化基础设施。
包括监测感知体系、通信网络及基础环境等内容，以基本实现工程建设和运维全要素感知、算力资源的全面云化为目标。
2） 数字孪生平台。
包括数据底板、模型库、知识库、孪生引擎及通用支撑组件，以打破各阶段、系统数据壁垒，实现全生命期多源异构数据的融合治理，建立标准统一、接口规范、敏捷复用的孪生平台，提升工程安全、调度运行等多场景多目标嵌套的数字化映射能力为目标。
3） 业务应用。
Mult-920成核剂对iPB晶型转变速率的影响
Ｅｆ ｅ ｔｏ ｕ ｔ９ ０ Ｎ ｕ ｌ ａ ｉ ｇ Ａ ｇ ｎｔｏ ｙ ｔ ｌＴｒ ｎｓ ｏ ｍ ａ ｉ ｎ ｆ ｃ ｆ Ｍ ｌ一 ２ ｃ ｅ ｔｎ ｅ ｎ Ｃｒ ｓ ａ ａ ｆ ｒ ｔｏ
Ｒａ ｅ ｏ ｓ ｔ ｃ ｉ ｌ （ 一 ｕ ｅ ） ｔ ｆＩ ｏ ａ ｔｃ Ｐｏ ｙ １ ｂ ｔ ｎｅ
Ｘｕ Ｃｈｕｎ ｈ ｎｇ Ｗ ａ ｓｅ ｎｇ Ｚｈａ ｄｏ ｏ ｎｇ Ｙ ａ ｅ ｏＷ ｉ
（ ｙ Ｉ ｂ ｒ ｔ ｒ ｆＲｕ ｂ ｒＰｌｓｉｓ Ｋｅ ｏ ａｏ ｙ ｏ ｂ ｅ— ａ ｔｃ ，Ｍ ｉｉｔｙｏ ｄ ｃ ｔ ｎ ａ ｎｓｒ ｆＥ ｕ ａｉ 。Ｑｉｇ ａ ｉｅ ｓｔ ｆＳ ｉｎ ｅａ ｄ ｏ ｎ ｄ ｏ Ｕｎｖ ｒ ｉ Ｏ ｃｅ ｃ ｎ ｙ
Ｔｅ ｈ ｏ ｏ ｙ，Ｑｉ ｇ ａ ｃ ｎ ｌｇ ｎ ｄ ｏ，Ｓ ａ ｄ ｎ ， ６ ０ ２ ｈ ｎｏ ｇ ２ ６４ ）
Ａｂ ｔ ａ ｔ Ｔｈ ｆｅ ｔｏ ｕ 一 ０ ｎｕ ｌａ ｉｇ ａ ｅ ｎ ｔ ｅｃ ｙ ｔ ｌｔａ ｆ ｒ ｔ ｎ ｒ ｔ ｆｉｏ ａ — ｓｒ ｃ ： ｅ ｅｆ ｃ ｆＭ ｈ ９ ｃｅ ｔ ｇ ｎｔｏ ｈ ｒ ｓ ａ ｒ ｎｓｏ ｍａ ｉ ａ ｅ ｏ ｓ ｔ ｃ ２ ｎ ｏ ｔｃ ｐ ｌ １ ｂ ｔ ｎ ） ｉ ｉ ｏｙ（ － ｕ ｅ ｅ （ＰＢ） ａ ｏ ｍ ｅ ｐ ｒ ｔ ｒ ｓ ｉｖ ｓｉａ ｅ ｕ ｉｒｔａ ｓｏ ｍ ｎ ｒ ｒｄ ｓ ｅ ｔｒ ｏ ｔ ｍ ｅ ａ ｕ ｅ ｗａ ｎ ｅ ｔｇ ｔｄ ｂｙ Ｆｏ ｒｅ ｒ ｎ ｆ ｒ ｉｆａ ｅ ｐ ｃ ｔｏ ｃ ｐ ＦＴ Ｒ） Ｔｈ ｅ ｕ ｔ ｈ ｗ ｈ ｔ ｔ ｕ ｌａ ｉｇ ａ ｅ ｔ ｈ ｓ ａ ｇ ｏ ｕ ｌａ ｉ ｎ ｆ ｒ ｉ ｒ ｓ ｏ ｙ（ Ｉ ． ｅ ｒ ｓ ｌｓ ｓ ｏ ｔ ａ ｈｅ ｎ ｃｅ ｔ ｇ ｎ ａ ｏ ｄ ｎ ｃｅ ｔｏ ｏ ＰＢ． Ｔｈｅ ｎ ｎｕ ｌａ ｉ ｇ ａ ｅ ｔｈ ｓｇ ｅ ｔｉｆｕ ｎ ｅ ｏ ｈ ｈａ ｅ ｔａ ｓｏ ｍ ａ ｉｎ ｒ ｔ ，ｔ ｅ ｈ ｌ ｈ ｓ ｒ ｎ ｆ ｒ ａｉ ｎ ｃｅ ｔｎ ｇ ｎ ａ ｒ ａ ｎ ｌ ｅ ｃ ｎ ｔ ｅｐ ｓ ｒ ｎ ｆ ｒ ｔｏ ａ ｅ ｈ ａｆｐ ａ ｅｔａ ｓｏ ｍ ｔｏ ｔｍ ｅ ｔ ２ ｏ ＰＢ ｔ ｕ ｌａ ｉ ｇｅ ｔｉ ． ｉｈ ｉ ｉｎｉ ｃ ｎ ｌ ｏ ｅ ｈａ ８ ５ ｈ ｏ ＰＢ． Ｉ ｉ （１ ） ｆｉ ｗｉｈ ｎ ｃｅ ｔ ｎｇ ａ ｎ ｓ ６ ４ ｈ ｗｈ ｃ ｓ ｓｇ ｆ ａ ｔｙ ｌｗ ｒｔ ｎ ２ ． ｆｉ ｉ ｎ ｔ ｅ ｈ ｎ ｃ ｌｐ ｏ ｒｉｓ ＰＢ ｅ ｄｓａ ｏｕ ２ ０ ｈ ｔ ｃ ｉｖ ｔｂ ｅ ｐ ｒｏ ｍａ ｃ ，ｉ ｈｅｍ ｃ ａ ｉａ ｒ ｐｅｔｅ ，ｉ ｎ ｅ ｂ ｔ７ ． ｏ ａ ｈ ｅ ｅｓ ａ ｌ ｅ ｆ ｒ ｎ ｅ ＰＢ ｉｈ ｔ — ｗ ｔ ｈｅｎｕ ｃｅ ｔｎ ｇ ｎ ｎｌ ｅ ｄ ４ ０ ｈ ｔ ｃ ｉｖ ｔ ｂｅ ｐ ｒｏ ｍａ ｃ ． Ｓ ｈ ｕ ｌａ ｉ ｇ ａ ｅ ｔ ｃ ｎ ｓ ｅ ｄ ｌａ ｉｇ ａ ｅ ｔｏ ｙ ｎ ｅ ｓ２ ． ｏ ａ ｈｅ ｅ ｓａ ｌ ｅ ｆ ｒ ｎ ｅ ｏ ｔ ｅ ｎ ｃｅ ｔｎ ｇ ｎ ａ ｐ ｅ ｕ ｈ ｒ ｓａ ｒ ｎ ｆ ｒ ａ ｉｎ ｒ ｔ ｆｉ ｐ ｔ ｅ ｃ ｙ ｔ ｌｔａ ｓｏ ｍ ｔ ａ ｅｏ ＰＢ． ｏ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
成功購得物品後(得標)
確認匯款信件(atm轉帳/臨櫃/面交) 決定交易方式(面交/掛號/宅急便) 匯款後告知賣家填寫送貨地址 確認貨品運ห้องสมุดไป่ตู้ 取得物品，檢查是否有誤 給予賣方評價
如何賣物
如何殺價(important!)
擅用問與答 利用悄悄話(ruten only) 比價
dhanyavaad
达尼阿瓦德
拍賣網站
露天拍賣(ruten.tw) 簡單易用，無須負擔任何費用 物品多樣，資訊較新 風險較高 奇摩拍賣(tw.bid.yahoo/) 介面簡單 需負擔刊登費與3%成交金額 風險較低
如何申請(以露天拍賣為例)
如何購物
如何購物
購物分兩種模式 1.直接購買(物品標價即為物品價格) 2.競標在一個時間內(時間可以自行決定)，欲購買
網路拍賣
網路拍賣是通過現代網路技術實現的一種新 的物品買賣與交易的方式。這種方式的優點 在與其不受時間地點的限制，只要你的電腦 可以連接網路就能實現。這中新的交易方式 是在網路技術達到一定水平的時候才能安全 有序的發展。
網路交易的方式有：B2B（Business To Business，即批發）; C2C（Consumer To Consumer，即二手交換或交易）; B2C （Business To Consumer，即零售）三種。