基于Darknet网络和YOLO4的实时电路板故障检测算法

针对现有的接触式电路板故障检测方法难以应用到大规模集成电路故障检测中的问题,提出一种实时、非接触式的基于深度学习的电路板故障诊断算法;建立PCB板缺陷检测和元器件识别图像数据集,并采用数据增强技术,对数据进行数据增强来提高训练的数据量,以提升模型检测精度和鲁棒性;基于Darknet框架和YOLO4算法训练得到元器件检测模型,并通过采用k-means聚类算法设计合理的Anchors,使得模型具备多尺度缺陷检测的功能;使用图像配准算法在红外图像和可见光图像上实现配准和融合;根据PCB板设计时划分的功能区域,利用测温热像仪连续采集5个该区域的平均温度,通过判断5个平均温度之间的关系从而判断短路或者短路状态;经过试验测试,使用预先设置好故障的电路板作为实验对象,通过采集实验对象运行过程中的红外和可见光图像数据,基于设计的故障检测模型,不仅能够实时且有效地识别出元器件位置,并能够直观地标识出现短路、短路故障元器件;经过实际应用,能够满足设备运行时的实时电路板故障检测工程应用。     

基于改进卷积神经网络的铁轨伤损图像识别

铁轨探伤技术的可靠性关系到铁路运行的安全性。分析BP神经网络、卷积神经网络算法在图片识别中的优势,提出一种结合BP、卷积网络的新算法应用于铁轨伤损检测。改进算法利用卷积神经网络对铁轨样本进行特征提取,仅一次前向运算获得低维度铁轨图,再由BP神经网络对低维度铁轨图特征进行分类训练与测试。实验结果表明,改进算法在已训练好的模型测试中得到较好的误差收敛曲线与较高的测试精度,与BP算法、卷积算法相比,该算法训练时间更少,对铁轨伤损图片识别效果更好,在铁轨伤损检测方面有较好的应用前景。     

基于选择性集成学习的高速列车故障识别研究*

在SVM分类识别中,分类器模型一经训练得到,对所有测试样本进行无差别的识别。但在高速列车故障中,样本的分类识别是存在区域分类精度的。本文提出了一种基于选择性集成学习的SVM多分类器融合算法,该方法选取测试样本最邻近的k个训练样本,然后选择对其分类效果好的SVM分类器进行融合,以提高分类准确率。最后使用高速列车故障数据进行了实验,并与AdaBoost、KNN、Bayes、SVM分类方法进行了比较。实验结果表明,该算法提高了分类识别准确率。     

基于深度学习的字轮式水表读数检测与识别

现实中拍摄的字轮式水表图像的读数区域存在不同的位数和旋转角度的问题，这些问题对识别准确率造成很大的影响。针对这种情况，提出一种基于深度学习的水表读数检测与识别算法。该方法使用改进的圆盘检测算法来对水表圆盘进行检测；采用一种改进的多方向全卷积网络检测出水表的读数区域，同时提出一种图像旋转矫正算法，实现对水表读数区域的矫正与分割；对于读数识别，设计一种轻量级的神经网络，减少模型大小和加速训练过程的同时保持较高的识别精度。实验结果表明，该方法的圆盘检测率从93.97%提高到了96.38%,读数区域检测模型对不同类型的水表读数区域具有较好的检测效果，识别模型的大小从8.77 MB减少到7.32 MB,模型的训练和测试时间短，准确率达到96.44%。     

面向电力变压器的声纹智能诊断装置设计与应用

电力变压器是直接影响电力系统安全运行的重要设备之一,目前多采用图像或侵入式传感测量的方式,本文设计了变压器声纹采集装置、特征提取方法、以及基于迁移学习的深度神经网络识别模型.首先,采集并预处理变压器噪声信号,对分帧信号进行时域和频域特征提取,获得声纹特征向量,然后,输入迁移学习算法模型,实现变压器直流偏磁、过负荷、以及绕组变形等8种工况的智能识别诊断,最后,设计声纹特征数据库建立方法,采集变压器运行声学样本,对声纹识别算法模型进行训练和优化.通过数据集对比测试和变电站部署应用,验证了算法模型的识别准确度和系统可行性,该装置可作为当前监测手段的有效补充,提高变压器综合监测和潜伏性缺陷识别能力.     

基于人工智能的缺陷图像识别算法

为了提高实际场景图像的缺陷识别准确度,基于人工智能、图像识别和深度学习技术,设计一种新的图像缺陷识别算法。采集缺陷图像,为缺陷目标识别做好检测分析和学习训练准备。联合分水岭分割和颜色特征分割方法,提取缺陷图像的有效特征。基于卷积网络,充分借助其中的学习模型,采用Python开源框架,设计新的缺陷识别方法。将人工智能算法集成于开发的软件系统中,该系统功能包括相机采集、视频导入、HDMI导入、脚踏板控制等。仿真数据表明,与已有分割技术相比,所提算法具有更理想的识别准确性与鲁棒性。     

基于计算机DCGAN数据增强的YOLOv5光伏电池板热斑检测方法

针对光伏电站巡检过程中,光伏电池板热斑样本少,现有目标识别算法检测精度低的问题,提出一种将深度卷积对抗生成网络DCGAN与YOLOv5目标识别算法相结合的光伏电池板热斑检测方法。该方法通过搭建DCGAN网络进行数据增强,改进YOLOv5网络的数据增强模块,获得数量更充足、特征更丰富的训练数据。对原始图像、常规数据增强和DCGAN数据增强的数据集在YOLOv5网络中进行训练,并对检测模型的精度进行对比。实验结果表明,与常规YOLOv5目标识别模型相比,本文采用DCGAN网络提高了数据集的图像质量,减少因样本过少而引起的训练不充分和热斑检测精度低的问题,平均精度较常规模型提高1.72%。该方法有助于提高光伏电站巡检效率,保障太阳能电池组件正常运行。     

基于集成深度森林的入侵检测方法

基于卷积神经网络(CNN)的入侵检测方法在实际应用中模型训练时间过长、超参数较多、数据需求量大。为降低计算复杂度,提高入侵检测效率,提出一种基于集成深度森林(EDF)的检测方法。在分析CNN的隐藏层结构和集成学习的Bagging集成策略的基础上构造随机森林(RF)层,对每层中RF输入随机选择的特征进行训练,拼接输出的类向量和特征向量并向下层传递迭代,持续训练直至模型收敛。在NSL-KDD数据集上的实验结果表明,与CNN算法相比,EDF算法在保证分类准确率的同时,其收敛速度可提升50%以上,证明了EDF算法的高效性和可行性。     

基于分组卷积和快照集成的图像隐写分析方法

现存的大多数隐写分析方法的泛化能力较弱,无法对未知隐写算法有效检测,使得其分类的准确性在实际运用过程中大幅度降低。针对这个问题,提出了一种基于分组卷积和快照集成的图像隐写分析方法(snapshot ensembling steganalysis network, SENet)。首先,残差卷积块和分组卷积块对图像的特征进行提取并利用;其次,在每个训练周期中得到性能最好的模型作为快照模型;最后将选定的快照模型进行集成后对图像进行分类。该方法应用分组卷积和快照集成的技术,避免了传统集成方法的高训练成本以及单一分类器泛化能力有限的问题。实验结果表明,该方法可以提升隐写分析模型的准确率,并且在训练集和测试集失配时,也能够有效地进行分类,具有较高的模型泛化能力。     

基于迁移学习和显著性检测的盲道识别

为了帮助对视觉障碍患者有效识别道路周围的场景,提出一种基于迁移学习和深度神经网络方法,实现实时盲道场景识别。首先提取盲道障碍物的瓶颈描述子和判别区域集成显著性特征描述子,并进行特征融合,然后训练新的盲道特征表示,用Softmax函数实现盲道场景识别。实验中,对成都不同区域盲道周围障碍物采样,分别采用基于Mobilenet模型不同参数训练和测试了提出的新模型,最后在实际应用场景,实现了盲道周边障碍物的实时分类和报警,实验证明提出的方法具有很高准确率和良好的运行性能。     

一种基于桥梁横向裂缝的病害识别方法

桥梁安全是交通安全中最重要的部分之一,桥梁定检是对桥梁安全最有效的评价方法,而在桥梁定检中对病害的识别尤其重要.据相关统计,我国混凝土桥梁的病害中有80％以上是由裂缝造成的,因此对桥梁的健康检测主要是对桥梁表观裂缝的检测与测量.为了提高检测的准确性和效率,统计桥梁裂缝病害图片的识别精度与收敛性,本文结合卷积神经网络(C...     

深度神经网络在多场景车辆属性识别中的研究

单一的车辆属性识别已无法满足现有的交通系统,为了提高在实际监控中车辆检测定位的可靠性,利用深度神经网络的思想建立了一种能够在近景监控场景和交通监控场景两种不同场景下识别车辆属性的模型,主要包括车辆类型和颜色两种属性类别。以YOLOv3神经网络为基础,对其进行改进,降低网络深度的同时保证准确率,将车辆类型和颜色属性进行分级训练,提高模型检测速度,此外,创建了AttributesCars车辆属性数据集完成数据准备工作。实验结果表明,所提方法在平均准确率为95.63%的前提下可以满足视频的实时性要求,并且在两种不同场景下均取得了不错的成绩,适用于多场景车辆属性识别。     

水资源监测站试运行考核相关问题研究

水资源监测站群试运行合格是国家水资源监控能力建设项目进行合同完工验收和移交使用的前提。针对水资源监测站群试运行考核,从考核指标设定、监测站故障响应及试运行起始条件的角度提出一套考核办法,并以国家水资源监控能力建设广西项目为实例开展研究,站群试运行从2019年5月1日—7月31日,试运行工作顺利,各项考核指标满足要求,站群运行基本稳定,满足技术评估条件。此外,针对实例研究中,在对各项指标进行考核时发现的个别指标难以统计、评价标准不够合理等方面的问题,对站群运行完好率、平均无故障时间、水源地水质监测站考核指标、监测数据准确性判断方法和整编规则进行深入研究,提出试运行考核的改进建议。     

基于改进时空兴趣点特征的双人交互行为识别

针对实际监控视频下双人交互行为的兴趣点特征选取不理想,且聚类词典中冗余单词导致识别率不高的问题,提出一种基于改进时空兴趣点（STIP）特征的交互行为识别方法。首先,引入基于信息熵的不可跟踪性检测方法,对序列图像进行跟踪得到交互动作的前景运动区域,仅在此区域内提取时空兴趣点以提高兴趣点检测的准确性。其次采用3维尺度不变特性转换（3D-SIFT）描述子对检测得到的兴趣点进行表述,利用改进的模糊C均值聚类方法得到视觉词典,以提升词典的分布特性;在此基础上建立词袋模型,即将训练集样本向词典进行投影得到每帧图像的直方图统计特征表示。最后,采用帧帧最近邻分类方法进行双人交互动作识别。在UT-interaction数据库上进行测试,该算法得到了91.7%的正确识别率。实验结果表明,通过不可跟踪性检测得到的时空兴趣点的改进词袋算法可以较大程度提高交互行为识别的准确率,并且适用于动态背景下的双人交互行为识别。     

基于形态流的石油钻井水流异常检测

针对石油钻井水流的智能监控技术,可以实现石油钻井污染气体的自动监测,并最大限度地减少人工监测成本。针对现有特征提取方法不能描述水流形态变化过程,异常样本获取困难且不能完全列举,以及没有充分利用融合层信息的问题,提出了一种水流异常数据检测算法。首先,提出了一种新特征表示方法——形态流;然后,将经典的异常检测无监督神经网络GANomaly优化为残差结构;最后,在GANomaly的基础上增加了特征融合层,从而提升神经网络的学习能力。实验结果表明,改进后的算法检测精度达到了95%,相较GANomaly算法提升了5个百分点。所提算法能适用于不同场景下的水流异常数据检测,并能克服雾气对实验结果的影响。     

基于深度学习的工业物联网智能入侵检测

如何有效识别工业物联网入侵攻击行为是一个新挑战.针对工业物联网中入侵检测特征提取不高、检测效率低、适应能力差等问题,提出一种基于深度学习的工业物联网智能入侵检测方法.首先,在数据处理上改进采样算法用于调节少数类别样本数量,提高检测精度;其次,构建堆叠降噪卷积自编码网络提取关键特征,结合卷积神经网络和降噪自编码器,加强特征识别能力;为了避免信息丢失和信息模糊,改进池化操作以增加其自适应处理能力,并在模型训练过程中采用Adam算法获取最优参数;最后,采用NSL-KDD数据集测试提出方法的性能.实验结果表明,该方法相比现有的RNN、DBN和IDABCNN的准确率分别提高了3.66%、4.93%和4.6%;与未经采样算法的SDCAENN试验对比,U2R和R2L的检测精度分别提高17.57%和3.28%.     

基于蚁群聚类算法的动脉硬化无创检测

动脉硬化无创检测对于预防心血管事件具有重要意义。然而,基于心电信号或脉搏波信号的单一特征源的无创动脉硬化检测无法全面反映心血管动脉硬化事件。为了提高动脉硬化无创检测识别精度,提出了基于心电信号、脉搏波信号的多源数据无创动脉硬化识别方法,构建了具有变异特性的蚁群聚类算法,对提取的40组临床心电、脉搏波信号的特征值向量进行监督分类。通过对系统测试结果与专家分类结果对比分析,表明该方法提高了单一特征源的动脉硬化识别率,是一种有效的动脉硬化无创识别方法。     

数据增广下的人脸识别研究

随着计算机技术的发展和应用,人脸识别技术以其具有的非强制性、非接触性、并发性等优势得到了越来越广泛的应用。大规模数据是提高基于深度学习人脸识别准确率的关键因素,但往往数据不易获得,并且存在训练数据缺乏测试数据样本的情况,如模糊、亮度失真和腐蚀感画质样本等。针对训练数据缺乏问题,提出了利用滤波、亮度调节和腐蚀操作3种传统图像处理方法10种增广方式增加数据量和数据的多样性,进而提高识别算法的性能。将原始数据和增广数据作为训练数据训练模型,选择从不同地方拍摄的视频上截取的人脸图像组成了四个测试集,实验结果表明,增广数据与测试集样本存在一致性时,增广方式对提升识别性能都有一定的效果,其中最好的效果是对图像整体调亮时在一个测试集上的识别率提高了4.02%。     

基于无线传感器网络的坡面异常信号检测方法研究

提出了一种适用于硬件资源受限的传感器节点的坡面异常信号检测方法,数据的采集和异常检测在节点前端完成,能提高监测实时性,降低数据传输的通信能耗.传感器节点采集坡面加速度数据,通过对训练数据进行经验模态分解得到本征模函数的上包络,并对该包络数据进行高斯建模自适应学习确定检测阈值.对监测数据经验模态分解得到上包络数据,运用3α原则与检测阈值进行比较实现异常信号判别.通过算法仿真和实际部署测试得到该方法检测精度为98%,具有一定的实用价值.     

基于量子差分进化算法的油田水淹层识别方法

为提高水淹层识别精度及识别效率,本文提出一种基于量子差分进化算法的识别方法。首先根据样本数据建立非线性回归模型,然后采用差分进化算法优化模型参数。方法简单直观,物理概念清楚。以大庆油田实际水淹层数据进行仿真,结果表明该方法的正确识别率比BP神经网络有15%的提高。