最新刊期
      2024 年 第 70 卷 3 期
      • “最新研究揭示，基于Transformer架构的ChatGPT在自然语言处理任务中表现出色，为工业领域研发设计、生产运营和经营管理等环节提供新解决方案。”
        ”
        黄勃,李文超,刘进,刘瑾,王文广,杨勇,赵晓丽
        2024, 70(3): 267-280. DOI: 10.14188/j.1671-8836.2023.0122
        摘要：人工智能技术的发展给人们的生活带来了极大的便利，自然语言处理技术在其中发挥着重要作用。基于Transformer神经网络架构的聊天生成预训练转换器（chat generative pre-trained transformer，ChatGPT），具有强大的语言理解和文本生成能力，可以根据用户输入的信息和问题，快速生成高度匹配用户意图的响应，其精度和反应速度相当出色。本文结合人工智能技术应用于工业领域的特征，介绍了ChatGPT在众多自然语言处理任务中展现出的非凡能力，展望了ChatGPT在工业应用中研发设计、生产运维和经营管理等环节的应用可能性，列举了当前ChatGPT应用于工业领域存在多方面限制，并提出改进方向，以便更好地满足工业应用的需要。  
        关键词：ChatGPT;深度学习;Transformer;大型语言模型   
        101
        |
        37
        |
        0
        <HTML>
        <网络PDF>
        <引用本文> <批量引用> 50039068 false
        发布时间：2024-06-20
      • “在工业领域，一项创新的自注意网络算法被提出，通过融合标签语义与字形拼音信息，显著提升了中文命名实体识别的准确性，为工业场景化应用提供了有效解决方案。”
        ”
        张建伟,刘瑾,杨海马,曾国辉,邢季,张锐
        2024, 70(3): 281-292. DOI: 10.14188/j.1671-8836.2023.0234
        摘要：工业领域数据由于其非结构化、领域特定性和数据稀缺性等特点，传统的中文命名实体识别技术在工业领域的应用并不理想。本文以汽车产业数据为依托，提出一种将标签语义与字形拼音信息相融合的自注意网络算法，结合字符级和标签级特征进行多维特征提取。模型引入自注意机制获得文本长距离依赖关系，将分词特征整合到字符级，并结合标签语义特征的上下文进行预测，提高了字符词边界的识别性能。在一定程度上解决了词边界分割歧义及短语组合上下文依赖问题。本文方法在MSRA和Weibo数据集及自构建工业维修文档数据集上进行了实验，结果表明所提方法能够提高实体识别准确性，并在工业领域汽车零配件数据集上实现了工业场景化应用。  
        关键词：中文命名实体识别;自注意机制;多特征融合;标签语义   
        113
        |
        37
        |
        0
        <HTML>
        <网络PDF>
        <引用本文> <批量引用> 48911679 false
        发布时间：2024-06-20
      • “在工业软件研发领域，研究者提出了一种基于增量学习的转炉图像异常识别系统，通过机器视觉技术和深度残差网络，实现了高效、低成本的异常识别解决方案。”
        ”
        武星,殷浩宇,姚骏峰,金小礼
        2024, 70(3): 293-301. DOI: 10.14188/j.1671-8836.2023.0209
        摘要：为简化工业软件的研发过程，提高图像异常识别的准确性和效率，提出了一种基于增量学习的转炉图像异常识别系统。该系统采用机器视觉技术采集转炉图像，引入深度残差网络形成转炉图像异常识别模型，并利用采集到的图像训练该模型。系统采用低代码开发方法实现，并结合增量学习算法优化了模型的迭代更新。对比基于不同神经网络架构的转炉图像异常识别模型的识别准确率，并在低代码平台中对比了增量学习和全量学习在模型精度和时间消耗上的差异。实验结果表明，本系统在图像异常识别中展现出良好的精确性和稳定性；在低代码开发平台中，基于增量学习的系统软件在处理大规模数据和实时场景中表现出色，为转炉图像异常识别提供了一种高效、低成本的解决方法。  
        关键词：增量学习;转炉图像识别;低代码平台;深度残差网络;异常检测   
        37
        |
        15
        |
        0
        <HTML>
        <网络PDF>
        <引用本文> <批量引用> 50224217 false
        发布时间：2024-06-20
      • “在工业软件研发领域，专家提出了一种基于时间事件因果关系检测的需求确认方法，通过定义时间事件因果关系、抽取系统行为生成CCSL规约，并结合模型检测技术与社区发现算法，有效检测系统行为是否满足利益相关者期望，为工业软件需求确认提供了创新解决方案。”
        ”
        尹玲,陈小红,安冬冬,谢越
        2024, 70(3): 302-316. DOI: 10.14188/j.1671-8836.2023.0208
        摘要：工业软件深度参与研发设计、生产制造、运营管理和维护服务等方面，软件的行为符合业务的需要至关重要。因此，工业软件的开发需要进行需求确认，即确认系统的行为满足利益相关者（应用方的操作人员，通常是生产和运维中涉及的各方面的工作人员）的要求。业务方面，利益相关者的期望通常表现为关心的事件间的因果关系。针对工业软件的时间融合于行为、复杂度高、规模大等特点，提出一种基于时间事件因果关系检测的需求确认方法，检测用UML/MARTE+CCSL模型表达的系统行为是否满足相应的时间事件因果关系。包括：定义时间事件因果关系表达利益相关者的期望；抽取模型的多图协作下的系统整体行为生成CCSL（clock constraint specification language）规约；结合模型检测技术和社区发现算法检测该行为规约是否满足时间事件因果关系。通过比较实验评估了方法的有效性和实用性，特别是引入社区发现算法处理规模大、复杂度高的规约效果显著。  
        关键词：基于模型的系统工程;需求确认;模型检测   
        33
        |
        12
        |
        0
        <HTML>
        <网络PDF>
        <引用本文> <批量引用> 49205075 false
        发布时间：2024-06-20
      • “在软件工程领域，研究人员提出了一种基于神经网络集成学习和语义增强特征的需求跟踪方法EMTrace，有效提升了需求跟踪的稳定性和性能。”
        ”
        万红艳,李幸阜,王帮超,蒋涵,邓洋
        2024, 70(3): 317-328. DOI: 10.14188/j.1671-8836.2023.0206
        摘要：现有的基于机器学习的需求跟踪方法存在稳定性差的问题。为了缓解上述问题，提出了一种基于神经网络集成学习和语义增强特征的需求跟踪方法（Ensemble Learning Trace Approach， EMTrace）。该方法将需求跟踪问题转化为分类问题，集成了多个机器学习分类器进行预测，并对这些预测结果进行加权生成跟踪链接。为了自动获取各个基模型的权重，构建了一种基于神经网络的元学习器并利用每个基模型的预测结果进行训练。为了更准确地表达制品之间的跟踪链接，EMTrace方法使用多个词嵌入和句子嵌入模型提取软件制品的语义信息来增强跟踪链接特征的语义表示。实验结果表明，EMTrace方法能够有效提高需求跟踪的稳定性和性能，相比最优的基线方法，EMTrace方法在F1上提升了0.162。  
        关键词：需求跟踪;集成学习;语义增强特征;链接表示   
        49
        |
        28
        |
        0
        <HTML>
        <网络PDF>
        <引用本文> <批量引用> 48391925 false
        发布时间：2024-06-20
      • “在工业领域术语抽取研究中，专家提出了基于预抽取和细化微调的双步策略，利用XLNet模型结合字符、字形和字音特征，显著提升了术语抽取效果。”
        ”
        邢季,刘瑾,张建伟
        2024, 70(3): 329-340. DOI: 10.14188/j.1671-8836.2023.0233
        摘要：工业领域数据集由各类操作文档、维修文档、设备图纸，以及不断增加的工单和工作记录等数据组成。现有的通用术语抽取方法在中文情景下效果受限，同时先验资源的匮乏也导致了传统的监督学习流程难以实现，因此业内常见模型在工业垂直领域术语抽取任务中的效果并不理想。为了解决上述问题，提出了一种基于预抽取和细化微调的双步抽取策略。在XLNet预训练模型的基础上，结合字符、字形和字音特征，增强了模型捕获语义信息的能力。采用LSTM编码器-解码器模型，生成含有错别字的负样本扩充数据集，旨在提升模型对噪音文本的鲁棒性。将本文方法应用于汽车工业领域，实验结果显示，本方法在该垂直领域的性能比现有传统方法提高了17%，充分证明了其有效性。  
        关键词：深度学习;自然语言处理;术语抽取;低资源抽取;XLNet   
        62
        |
        17
        |
        0
        <HTML>
        <网络PDF>
        <引用本文> <批量引用> 49311559 false
        发布时间：2024-06-20
      • “在工业产品自动化缺陷检测领域，研究人员提出了一种基于扩散变分自编码器的新型检测算法，通过扩散模型的反向去噪过程重建正常图片，显著提高了检测精度。”
        ”
        冯先哲,陈刚
        2024, 70(3): 341-348. DOI: 10.14188/j.1671-8836.2023.0258
        摘要：基于重建的检测算法在工业产品自动化缺陷检测中得到了广泛的应用。但是，很多算法重建的图像依然保留了较多的缺陷特征，从而导致检测精度不高。受扩散模型能够建立起噪声和生成图片之间的联系启发，提出了一种基于扩散变分自编码器的工业产品缺陷检测算法。该算法将工业产品中的缺陷视为一种噪声，通过扩散模型的反向去噪过程重建正常图片。在训练阶段，首先利用预训练的基于矢量量化的变分自编码器（Vector Quantized Variational Autoencoder，VQ-VAE）提取工业产品图片的正常特征并添加噪声；然后，利用扩散模型在去噪的过程中消除缺陷特征并保留正常特征，以得到重建的正常图片；最后通过比较重建图片与对应的原始图片之间的差异来判断产品是否存在缺陷并定位缺陷区域。在测试阶段，将输入图片理解为已经添加噪声的图片进行缺陷检测。实验结果表明，该算法的检测精度较其他算法有明显提高。  
        关键词：计算机视觉;缺陷检测;矢量量化的变分自编码器;扩散模型   
        104
        |
        27
        |
        0
        <HTML>
        <网络PDF>
        <引用本文> <批量引用> 49719425 false
        发布时间：2024-06-20
      • ”
        胡新荣,柯廷丰,罗瑞奇,张梓怡,梁金星,杨凯,彭涛
        2024, 70(3): 349-357. DOI: 10.14188/j.1671-8836.2023.0222
        摘要：动态虚拟试衣的任务是在视频中以时空一致的方式将目标服装与人物进行匹配，目的是生成连贯流畅且真实的试衣视频。动态试衣过程中人物的姿态变化，导致试穿的服装出现自遮挡、印花模糊等问题。因此，本文提出基于空间变换网络（Spatial Transformer Network，STN）的服装扭曲网络动态虚拟试衣方法。在服装扭曲网络中，利用Transformer模块兼顾全局信息以及局部重点信息的优势强化数据特征区域，STN模块采用可学习的薄板样条插值（Thin Plate Spline，TPS）方法预测服装扭曲范围，获取扭曲图像及掩码；试衣网络利用自注意力机制的U-Net网络对齐扭曲图像掩码和人体表征信息，生成高质量试衣图像；最后，通过动态合成网络解决视频帧时间一致性问题，生成连贯高质量试衣视频。在VVT数据集上，与CP-VTON相比，本文的方法将平均结构相似性指数（SSIM）提高了0.076，平均感知图像块相似度（LPIPS）降低了0.420；与FW-GAN方法相比，其I3D和ResNeXt101分别降低了0.089和2.252。在VITON-HD数据集上，本文方法的SSIM指标也高于CP-VTON和FW-GAN，进一步表明该方法生成的图片质量高、失真低。  
        关键词：动态虚拟试衣;空间变换网络;U-Net网络;自注意力机制   
        94
        |
        39
        |
        0
        <HTML>
        <网络PDF>
        <引用本文> <批量引用> 55530404 false
        发布时间：2024-06-20
      • “在工业互联网领域，一项基于深度确定性策略梯度的工业任务卸载策略被提出，旨在降低任务时延、系统能耗和成本，提高服务质量。”
        ”
        梁子豪,栗娟,刘进
        2024, 70(3): 358-366. DOI: 10.14188/j.1671-8836.2023.0214
        摘要：工业互联网背景下的移动边缘计算（Mobile Edge Computing， MEC）通过在靠近终端的位置部署边缘服务器，将计算任务卸载到工业网络边缘，以满足任务实时响应和终端节能的需求。由于工业场景复杂性和环境动态性，卸载决策需要在满足任务时延需求的同时尽可能降低系统成本，为此提出了一个基于深度确定性策略梯度（Deep Deterministic Policy Gradient， DDPG）的工业任务卸载策略。首先构建了一个端边协同的智能工厂MEC系统模型，以降低任务总时延和系统能耗为目标，将卸载问题转化为混合整数非线性规划问题，然后设计采用DDPG算法来得到最优卸载决策，提高服务质量，最大化节约系统成本。仿真结果表明，该策略在降低时延、系统能耗和成本方面比其他方法更优。  
        关键词：移动边缘计算;深度强化学习;任务卸载;深度确定性策略梯度   
        113
        |
        58
        |
        0
        <HTML>
        <网络PDF>
        <引用本文> <批量引用> 48923428 false
        发布时间：2024-06-20
      • ”
        宋百灵,何彦众,张泽贤,曾诚,俞嘉怡,刘进,胡文华
        2024, 70(3): 367-375. DOI: 10.14188/j.1671-8836.2023.0227
        摘要：结合Word2Vec的Skip-gram模型在提取复杂软件需求文档中细微语义差异方面的优势，提出了一种基于Tri-Training半监督学习的非功能性需求分类方法，旨在应对软件需求工程领域中标记样本数量有限的挑战，从而解决非功能性需求分类性能下降的问题。与传统应用于完全冗余视图或单一分类器的半监督学习算法不同，半监督学习Tri-training算法通过用自举抽样产生的3个不同的标记数据集初始化3个不同的分类器，利用三个分类器以多数投票规则来产生伪标记数据，从而解除对训练集的限制，提高分类框架的通用性和可用性。将本文方法应用于涵盖多个工业领域的PROMISE软件需求数据集中，结果表明，基于Tri-Training半监督学习的非功能性需求分类方法在不同标记比例的数据集上具有良好的分类性能，特别是在标记数据不足的情况下，相比于监督学习和其他半监督学习算法，该方法在召回率和F1值上具有显著优势。  
        关键词：软件需求分类;半监督学习;Tri-Training   
        70
        |
        28
        |
        0
        <HTML>
        <网络PDF>
        <引用本文> <批量引用> 55278265 false
        发布时间：2024-06-20
      • “在物流领域，针对无人闸口的盘圆钢材计数问题，专家采用目标识别技术，设计了一种高拍视角照片的计数方法。通过改进的YOLOv7模型和推算算法，实现了盘圆数量的自动推算，计数准确率达到97.88%，为现代化物流企业解决了人工核验的高成本问题。”
        ”
        刘希言,李勇华,程瑞
        2024, 70(3): 376-386. DOI: 10.14188/j.1671-8836.2023.0225
        摘要：在传统作业方式中，车辆运输盘圆钢材出入物流闸口时的数量核验工作由闸口的核验人员完成，这种人工核验方式耗费人力、成本高，无法满足现代化物流企业的要求。为解决这一问题，采用目标识别技术，设计了一种针对无人闸口高拍视角照片的车载盘圆钢材计数方法。首先，使用改进的YOLOv7模型对高拍视角下的车载盘圆图像进行三次识别，对其堆放形式分类和盘圆检测，其次根据不同的堆放形式提出推算算法，完成盘圆数量的自动推算。将本文提出的方法应用于实际闸口的检测，并进行实用性优化。通过选取合适的目标检测置信度阈值，保证出闸准确率处于较高水平，然后通过三次尝试法，在牺牲少量时间的前提下，引导被拦截车辆调整位置以提高拦截车辆准确率及合法车辆出闸成功率。实验结果表明，改进的YOLOv7模型有效提高了盘圆检测的效果，提出的盘圆数量推算方法精确率达到90%以上；进行实用性优化后，车载盘圆钢材的计数准确率达到97.88%，合法车辆在三次检测内出闸成功率达到98.27%，达到了港口现场作业的可使用性标准。  
        关键词：盘圆计数;推算方法;无人闸口管理系统;港口智能化   
        46
        |
        9
        |
        0
        <HTML>
        <网络PDF>
        <引用本文> <批量引用> 48736609 false
        发布时间：2024-06-20
      • “最新研究进展显示，钢铁价格预测领域取得突破，专家构建的EEMD-TRANSFORMER-ARIMA模型能精确预测非平稳和非线性时序数据，为市场决策提供有效支持。”
        ”
        陆晓骏,樊重俊,梅亚光
        2024, 70(3): 387-396. DOI: 10.14188/j.1671-8836.2023.0204
        摘要：钢铁作为工业大宗商品的代表性商品，其价格研究可以帮助钢铁行业稳定发展。为了探索钢铁价格的变化规律，提出了一种基于集合经验模态分解（Ensemble Empirical Mode Decomposition， EEMD）方法和Transformer注意力机制模型及自回归移动平均（Autoregressive Integrated Moving Average，ARIMA）模型的组合模型EEMD-TRANSFORMER-ARIMA。将钢铁价格时序数据通过EEMD分解，对分解后的分量数据进行平稳性检测，并使用Transformer模型和ARIMA模型进行预测。实验选取6组典型的钢铁价格数据进行预测，结果表明该组合模型可以精确预测非平稳和非线性的时序数据，为钢铁价格分析提供了一种有效的预测方法，有助于辅助政府和企业进行市场决策。  
        关键词：钢铁价格预测;钢铁期货;集合经验模态分解;Transformer模型   
        48
        |
        18
        |
        0
        <HTML>
        <网络PDF>
        <引用本文> <批量引用> 49960419 false
        发布时间：2024-06-20
      批量引用
      0