AI 深度学习在典型应用领域的国内研究最新进展

李恒 王淦

(1.陕西科技大学电子信息与人工智能学院,陕西西安 710021;2.西安理工大学电气工程学院,陕西西安 710054)

以深度学习为代表的AI技术逐渐推动与社会民生息息相关的领域发生深层次变革,而教育、医疗、电力是我国社会民生发展的重要领域,研究深度学习在这三大领域的典型应用具有重要意义和实践价值。本文对深度学习在上述典型应用领域的国内研究最新进展、热点及趋势进行梳理分析。

1 AI深度学习简介

许多研究表明,为了能够学习表示高阶抽象概念的复杂函数,解决目标识别、语音感知和语言理解等人工智能相关的任务,需要引入深度学习(Deep Learning);深度学习的概念起源于人工神经网络的研究[1]。深度学习是实现AI机器学习的一种重要技术。目前,以深度学习为基础的AI技术被逐渐应用于智能化的医疗、教育、电力、养老、交通、物流等领域,在识别、预测、分类等方面起到重要作用。

2 研究目标与数据来源

本文旨在全面了解AI视角下深度学习技术在教育、医学、电力等典型应用领域的国内最新研究进展、热点及趋势,数据来源于中国知网(www.cnki.net)数据库中的5个核心数据库(SCI、EI、CSSCI、北大核心、CSCD),本研究以“人工智能”“深度学习”“应用领域”(应用领域依次分别为“教育”“医学”“电力”)作为主题词,研究结果限定于时间范围为2020年至2021年这段最新时期内发表的相关论文,经专业检索、人工筛选甄别,得出15篇主要有效文献。

3 AI深度学习在教育应用领域的国内研究最新进展

魏艳涛、秦道影等(2019)采集并预处理了七种课堂行为图像,将VGG16网络模型迁移至识别任务中,并将识别精度与另外三种深度网络模型进行对比,得到VGG16 网络模型识别精度最高的实验结果,结论是VGG16 网络模型是适合学生课堂行为识别的深度学习模型[2]。林崇华、张慧川(2019)提出基于深度学习算法的评价方法,以在评价精度和建模时间上与BP 神经网络的比较为例,验证了基于深度学习算法的高校教学模式评价方法相较于其它评价方法的优越性,得出此方法在高校教学模式评价中具有较高的应用价值的结论[3]。曹晓明、张永和等(2019)设计了多模态融合的深度学习模型设计,构建了多模态融合框架、分析总预测模型与各子预测模型之间的关系、开展模型训练和选择;实验表明多模态融合的深度学习模型预测学习参与度的准确率较高,结论是相对于基于单模态的学习参与度识别方法,基于多模态的学习参与度识别方法更优[4]。赵刚、朱文娟等(2020)提出了利用演绎法构建多维度特征融合的教学行为智能分析模式,该模式将基于深度学习的视频分割与识别技术与教育特性融合,结合教学过程特性、行为特征,教学场景中的视觉、听觉特征等,利用多种人工智能技术分析教学场景中的教学含义,为教学行为分析提供了新的技术手段和方法[5]。王萍、王陈欣等(2020)分析了教育人工智能的研究现状及其应用系统的功能模块与问题,提出在人工智能教育系统设计过程中引入自动化机器学习和深度学习,设计了注重教育需求的自动化教育应用模型,进行了基于自动化的教育应用探索,提高了教育系统开发的效率,简化了教育系统的使用流程并将其图形化[6]。黄甫全、伍晓琪等(2020)提出采纳超学科哲学范式,采取整体主义行动研究方法论,采用融通性混合方法,结合逻辑分析、技术建模、行动研究、量化方法和质性深描技术等方法技术,创新双师课堂深度学习等概念,促进双师课堂课程开发与深度学习等理论与模型的发展[7]。

图1 AI 深度学习在典型应用领域的国内最新研究成果Fig.1 The latest domestic research results of AI deep learning in typical application fields

4 AI深度学习在医学应用领域的国内研究最新进展

王继元、李真林等(2020)开发出基于深度学习技术的胸片质控系统。该系统引入图像分割系统和图像分类模型,并与传统图像处理算法结合,使用医学影像数据进行有效训练。经实际使用验证,该新型质控系统相较于传统算法更加高效,准确[8]。蔡菲菲、马立新等(2019)提出建立基于深度学习的智能化中医临床决策体系,引入多标记学习来构建中医证候诊断模型以应对患者症状体征和证型间复杂的非线性对应关系,经验证该体系比只运用表面结构算法的方法有更高的准确性,能够为临床决策提供可信参考[9]。王琪垚、王健庆(2020)开展基于深度学习的新冠肺炎CT图像识别研究,实验环境为百度AI Studio实验环境,使用肺部CT 数据集,结果表明在识别新冠肺炎CT图像任务方面,GoogleNet模型优于ResNet模型的结论,并指出加载了预训练参数后,能显著提升神经网络的诊断效果[10]。鲁品肃(2020)提出了基于目标检测的糖尿病视网膜病变多模型检测方法,经实验证实该算法在处理目标重要特征、判断准确性上相比传统算法更有优势,结论是引入基于深度学习的目标检测算法,并配合多模型融合的综合结构,能显著提升在糖尿病视网膜病变数据集上的识别准确率[11]。

5 AI深度学习在电力应用领域的国内研究最新进展

冯万兴、范鹏等(2021)提出适用于绝缘子缺陷检测的RF+CNN 结构的深度学习算法,根据绝缘子高清照片以及红外图像综合判断绝缘子是否存在异常,显著提升了绝缘子缺陷识别的准确度和智能化水平,降低了人工劳动强度和成本[12]。张晓华、冯长有等(2019)提出新型电网调控机器人的设计思路,运用了深度学习、自然语言分析、知识图谱、数据挖掘等AI技术,可用于电网运行监视、风险管控和故障处置,试验证明该机器人系统可提高操作调控效率[13]。闪鑫、陆晓等(2019)研究基于深度学习技术的电网预测及辩识技术,一方面基于历史数据对电网的特性和行为进行分析,另一方面学习和模拟调控运行的知识和经验,以期达到识别电网潜在薄弱点、辅助人类制订调整策略的目的[14]。刘云鹏、裴少通等(2019)提出基于深度学习的输变电设备异常发热点红外图片目标检测方法,引入改进型Faster－RCNN算法模型,使用实际监测的设备异常发热的红外图片作为训练集并验证,经试验证明,该方法可有效排除红外照片中的干扰,并能自动标识出红外异常点[15]。张若愚、吴俊勇等(2020)提出构建基于迁移学习的电力系统暂态稳定自适应预测体系,引入了深度学习领域的卷积神经网络算法并根据过往数据进行训练,设计了四组对照实验来筛选出效果最好的迁移学习方案,实验表明不改变其余参数仅调整分类层参数的方案在训练时间和准确度上具有优势[16]。

6 总结与展望

教育、医学、电力是我国社会民生发展的典型领域,研究AI深度学习在上述领域的应用具有重要意义和实践价值,本文对国内相关研究的最新成果进行了梳理和筛选,总结归纳后如图1 所示。

从最新进展看,三大典型应用领域的研究分别在以下方向较为集中:(1)教育应用领域为教学模式评价、教学行为分析、学生学习状态检测、开发新的教育课堂模式等方向;(2)医学应用领域为医疗辅助诊断、量化诊断结果等方向;(3)电力应用领域为缺陷识别、智能运维等方向。同时,大多数研究在模型与方法创新及实验验证方面比较活跃、成效较为显著。基于此,本研究认为利用深度学习、计算机视觉等AI技术进行目标识别、行为预测、进而实现更深层的分析,可代表当前深度学习在典型应用领域的主要研究趋势。