基于迁移学习的钢金相组织分类与识别方法的研究

金相检验是分析钢内部组织的常用方法,其中检验图像由人工判别,容易受到主观因素的影响而造成结果的不确定.近年来,深度学习(Deep learning,DL)方法中的卷积神经网络(Convolutional neural networks,CNN)能从原始图像中学习复杂的特征,在图像分类与识别领域得到了广泛的应用.CNN建模需要大量的训练样本才能达到较好的泛化能力,材料科学与工程领域针对具体问题的数据集往往较小,不能满足CNN建模的条件,制约了DL在材料领域的应用.本研究基于lmageNet数据集预训练VGG19模型,对火力发电机组耐热钢金相检验图像进行识别,采用冻结全部卷积层权值和微调部分卷积层权值两种迁移学习方法,可以克服金相图像数据集较小的问题,实现小样本数据集的深度学习建模,两种方法的准确率分别为92.5％和94.2％.微调方式的迁移学习CNN模型具有较快的收敛速度、较高的训练精度与泛化能力,能够对金相组织图像进行较为准确的分类与识别,是一种智能的钢金相组织识别方法,也是自动化分类与识别钢金相组织的一种新方法.     

基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法

针对具有较强非平稳性和易被强烈背景噪声干扰特点的滚动轴承振动信号,提出了基于短时傅里叶变换和卷积神经网络的故障诊断方法,实现了端到端的故障模式识别。首先,对滚动轴承振动信号进行短时傅里叶变换,得到时频谱样本,分为训练集和测试集;然后将训练集输入卷积神经网络中进行学习,不断更新网络参数;最后,将学习好参数的卷积神经网络模型应用于测试集,输出故障识别结果;通过滚动轴承故障模拟试验,进行可行性和有效性的验证。结果表明提出的方法对不同类型故障有着很高的识别精度,并可以通过增加故障数据种类和数量的方式来提高此方法的鲁棒性,是一种适应于处理"大数据"的故障诊断方法。     

基于改进双流卷积递归神经网络的RGB-D物体识别方法

为了提高基于图像的物体识别准确率,提出一种改进双流卷积递归神经网络的RGB-D物体识别算法(Re-CRNN).将RGB图像与深度光学信息结合,基于残差学习对双流卷积神经网络(CNN)进行改进:增加顶层特征融合单元,在RGB图像和深度图像中学习联合特征,将提取的RGB和深度图像的高层次特征进行跨通道信息融合,继而使用So...     

基于DTCNN-SVM的工业循环水系统供水泵故障诊断EI北大核心CSCD

工业循环水系统供水泵的工作状态是影响工业过程安全生产的重要因素,为及时准确地识别供水泵的工作状态,提出一种基于深度迁移卷积神经网络和支持向量机(deep transfer convolutional neural network-support vector machine,DTCNN-SVM)的故障诊断方法。将与工作状态强相关的振动信号进行信号-图像预处理,实现振动时序信号的二维灰度图化;在此基础上,采用融合迁移学习与残差神经网络的深度迁移卷积神经网络模型提取振动信号灰度图特征,并基于模糊不一致性度量对深度学习特征进行约简;采用支持向量机法建立供水泵故障诊断模型。试验结果表明,所提方法在少量样本数据和模型参数下能有效识别供水泵工作状态。     

基于深度学习的验证码图像识别

验证码是一种区分用户是计算机还是人的公共全自动程序.为了尽可能大批量地获取某网站的信息,就需要让机器可以全自动地识别该网站的验证码.为了破解验证码,对深度学习的验证码图像识别方法进行了研究.提出使用图像标注的方法来生成验证码图像中的字母序列.实验采用深度学习框架Caffe,将卷积神经网络与循环神经网络相结合进行训练.将卷积神经网络的输出用于训练循环神经网络,来不断地预测出序列中下一个最有可能出现的字母.训练的目标是将输出的词尽量和预期的词一致.测试结果表明,该模型能够对该网站的验证码图像做到97%的识别准确率.该方法比只采用卷积神经网络进行识别效果好.     

基于卷积神经网络的超分辨率失真控制图像重构研究

目的 解决超分辨率图像重构模型中存在的功能单元之间关联性差,图像色度特征提取完整性不强、超分辨率重构失真控制和采样过程残差控制偏弱等问题。方法 通过在卷积神经网络模型引入双激活函数,提高模型中各功能单元之间的兼容连接性;引用密集连接卷积神经网络构建超分辨率失真控制单元,分别实现对4个色度分量进行卷积补偿运算;将残差插值函数应用于上采样单元中,使用深度反投影网络规则实现超分辨率色度特征插值运算。结果 设计的模型集联了内部多个卷积核,实现了超分辨率色度失真补偿,使用了统一的处理权值,确保了整个模型内部组成单元的有机融合。结论 相关实验结果验证了本文图像重构模型具有良好可靠性、稳定性和高效性。     

基于深度学习的易拉罐缺陷检测技术

目的 现有的易拉罐缺陷检测系统在高速生产线中存在错检率和漏检率高,检测精度相对较低等问题,为了提高易拉罐缺陷识别的准确性,使易拉罐生产线实现进一步自动化、智能化,基于深度学习技术和迁移学习技术,提出一种适用于易拉罐制造的在线检测的算法。方法 利用深度卷积网络提取易拉罐缺陷特征,通过优化卷积核,减短易拉罐缺陷检测的时间。针对国内外数据集缺乏食品包装制造的缺陷图像,构建易拉罐缺陷数据集,结合预训练网络,通过调整VGG16提升对易拉罐缺陷的识别准确率。结果 对易拉罐数据集在卷积神经网络、迁移学习和调整后的预训练网络进行了易拉罐缺陷检测的性能对比,验证了基于深度学习的易拉罐缺陷检测技术在学习率为0.0005,训练10个迭代后可达到较好的识别效果,最终二分类缺陷识别率为99.7%,算法耗时119 ms。结论 相较于现有的易拉罐检测算法,文中提出的基于深度学习的易拉罐检测算法的识别性能更优,智能化程度更高。同时,该研究有助于制罐企业利用深度学习等AI技术促进智能化生产,减少人力成本,符合国家制造业产业升级的策略,具有一定的实际意义。     

基于轻量级CNN与主动学习的工件疵病识别方法研究

应用图像识别技术实现工件疵病自动检测可以提高效率,降低人工成本。卷积神经网络(CNN)具有很强的特征提取能力,广泛应用于图像识别等领域。但是,已提出的网络模型普遍存在参数量和计算量巨大,以及海量工件数据集中、人工标注成本高等缺点,很难应用于工件疵病的实时自动识别。本文提出了一种基于轻量级CNN与主动学习的工件疵病识别方法,该方法通过深度可分离卷积和反转残差卷积构建一种轻量级卷积神经网络,并在识别过程中采用主动学习方法不断添加标注样本。实验表明,提出的方法识别精度达到98.3%,并且能节省18.8%的人力标注成本。     

基于特征融合进行活动识别的DCNN 5法

研究了输入是可穿戴传感器获得的多通道时间序列信号,输出是预定义的活动的活动识别模型,指出活动中的有效特征的提取目前多依赖于手工和浅层特征学习结构,不仅复杂而且会导致识别准确率下降;基于深度学习的卷积神经网络（ CNN）不是对时间序列信号进行手工特征提取,而是自动学习最优特征;目前使用卷积神经网络处理有限标签数据仍存在过拟合问题。因此提出了一种基于融合特征的系统性的特征学习方法用于活动识别,用ImageNet16对原始数据集进行预训练,将得到的数据与原始数据进行融合,并将融合数据和对应的标签送入有监督的深度卷积神经网络（ DCNN ）中,训练新的系统。在该系统中,特征学习和分类是相互加强的,它不仅能处理端到端的有限数据问题,也能使学习到的特征有更强的辨别力。与其他方法相比,该方法整体精度从87.0％提高到87.4％。     

基于特征融合进行活动识别的DCNN方法

研究了输入是可穿戴传感器获得的多通道时间序列信号,输出是预定义的活动的活动识别模型,指出活动中的有效特征的提取目前多依赖于手工和浅层特征学习结构,不仅复杂而且会导致识别准确率下降;基于深度学习的卷积神经网络(CNN)不是对时间序列信号进行手工特征提取,而是自动学习最优特征;目前使用卷积神经网络处理有限标签数据仍存在过拟合问题。因此提出了一种基于融合特征的系统性的特征学习方法用于活动识别,用Image Net16对原始数据集进行预训练,将得到的数据与原始数据进行融合,并将融合数据和对应的标签送入有监督的深度卷积神经网络(DCNN)中,训练新的系统。在该系统中,特征学习和分类是相互加强的,它不仅能处理端到端的有限数据问题,也能使学习到的特征有更强的辨别力。与其他方法相比,该方法整体精度从87.0%提高到87.4%。     

基于卷积神经网络的典型农作物叶病害识别算法

目前,典型的一些农作物叶病害诊断主要依靠人工,但该方式耗时费力。针对大豆、棉花、水稻、小麦和玉米5类典型农作物的常见叶病害诊断问题,提出了一种基于卷积神经网络的典型农作物叶病害识别方法。从Plantvillage数据库以及其他网站收集典型农作物的叶病害图像,并对这些图像进行预处理,构建了含12 836张的数据集。参照AlexNet框架,构建8层卷积神经网络,采用迁移学习训练网络,最后通过测试集验证网络的识别准确率和损失值。分析不同的卷积神经网络的性能,实验结果表明：本算法对典型农作物的叶病害有良好的识别效果;迁移学习模式下,学习率为0.001时本算法在训练集的识别准确率约为99.47%,在测试集的识别准确率约为96.18%。     

基于多传感器信号和卷积神经网络的滚动轴承故障诊断

针对滚动轴承故障信号非平稳非线性且易受背景噪声干扰的特点,结合深度学习的优势,提出了一种基于卷积神经网络(CNN)的滚动轴承故障诊断法。将不同故障下多个传感器测得的1维(1D)振动信号转化为2维(2D)灰度图像作为网络输入,并将其分为训练集和测试集;将训练集输入卷积神经网络进行训练,自动提取其中的特征;测试集被用于验证学习完毕的网络的有效性,实现滚动轴承故障识别。该方法不依赖于人为经验和信号处理技术进行预先的信号特征提取,实验数据分析表明,相比于经典的支持向量机和概率神经网络方法,提出的方法识别准确率更高且更稳定。     

基于小波散射卷积神经网络的结构损伤识别

损伤识别是结构状态评估领域的关键问题之一，对确保结构安全性有重要意义。深度学习算法在基于振动的结构损伤识别方面带来了许多突破，但从海量数据中挖掘结构损伤关键信息仍是亟待解决的技术难题。该研究提出了基于一维卷积神经网络(one-dimensional-convolutional neural network, 1D-CNN)深度学习的结构多类型损伤识别模型，采用小波散射变换对1D-CNN架构第一层卷积滤波器进行替换，通过散射系数实现输入层原始数据降维与特征提取，结合CNN卷积层、激活层和池化层实现监测数据特征增强处理。在此基础上，结合1D-CNN全连接层与Softmax函数实现特征数据分类，从而实现结构多类型损伤定位与定量高效识别。通过钢桁架结构和斜拉桥两种数值模型对上述框架进行了验证。结果表明：与普通卷积神经网络模型相比，基于小波散射卷积神经网络的结构损伤识别精度显著提升，损伤分类准确率达95.0%以上。随着传感数据环境噪声比例的增加，小波散射卷积神经网络损伤分类准确率虽略有下降，但仍保持较高精准度，说明该方法具有较强的鲁棒性抗噪能力。     

改进的Inceptionv3果蔬识别算法

目的为了提高果蔬农产品识别的准确性,使果蔬农产品分类实现自动化。方法利用深度卷积神经网路强大的特征学习和特征表达能力,来自动学习果蔬种类特征,提出基于位置的柔性注意力算法,对Inceptionv3神经网络进行改进,并结合参数迁移学习方法建立果蔬识别模型;针对果蔬种类繁多,且国内外缺乏完善的果蔬图像数据库这一现状,构建果蔬图像数据集;在此数据集上将文中所提出的果蔬识别算法与其他果蔬识别算法进行对比。结果试验结果表明,在学习率为0.1、迭代次数为5000时,文中提出算法的准确率高达97.89%。结论相较于现有果蔬识别算法,所提出的果蔬识别算法的识别性能最优,鲁棒性最强。     

基于GoogLeNet的场景识别研究

场景识别技术属于机器视觉的研究内容,是图像理解的常见任务,一直受到广泛关注。随着人工智能专业的发展,卷积神经网络在图像理解与识别领域取得了许多成果。因此,该文基于常用的卷积神经网络模型GoogLeNet和残差网络设计了场景识别模型。通过设计的模型提取场景图像特征,并利用卷积神经网络模型进行场景识别,最终完成对场景的分类识别任务。实验结果证明了卷积神经网络在研究场景识别问题上的有效性。     

基于卷积神经网络的PCB缺陷图像识别

PCB缺陷图像检测是确保PCB生产质量的重要环节,但传统的人工PCB缺陷检测具有劳动强度大、工作效率低等不足.为此,本文研究了一种基于卷积神经网络的PCB缺陷图像识别方法,建立了包括三种PCB缺陷和无缺陷图像的数据集,基于ResNet101网络模型搭建了PCB缺陷图像识别分类模型.引入迁移学习的方法,基于在大数据集上充分训练好的模型结合PCB图像数据集,并训练该PCB缺陷图像识别模型.实验结果表明,ResNet101模型对无缺陷PCB图像和三类常见PCB缺陷图像的平均识别准确率达到91.98％,验证了该模型对PCB图像识别分类的有效性.     

全卷积循环神经网络的语音情感识别

语音情感识别是人机交互的热门研究领域之一。然而,由于缺乏对语音中时频相关信息的研究,导致情感信息挖掘深度不够。为了更好地挖掘语音中的时频相关信息,提出了一种全卷积循环神经网络模型,采用并行多输入的方式组合不同模型,同时从两个模块中提取不同功能的特征。利用全卷积神经网络（Fully Convolutional Network,FCN）学习语音谱图特征中的时频相关信息,同时,利用长短期记忆（Long Short-Term Memory,LSTM）神经网络来学习语音的帧级特征,以补充模型在FCN学习过程中缺失的时间相关信息,最后,将特征融合后使用分类器进行分类,在两个公开的情感数据集上的测试验证了所提算法的优越性。     

基于随机Dropout卷积神经网络的人体行为识别方法研究

为进一步提高卷积神经网络在训练样本较少时的泛化能力,使其能更好地应用于视频中人体行为的识别问题,本文将随机Dropout应用于卷积神经网络模型的分类器阶段.该方法可以在网络训练过程中随机选择"冻结"一定比例神经元,使每次网络更新时神经元的连接次序发生变化,由此网络权值的更新不再依赖于有固定关系隐含节点的共同作用.在Weizmann数据集上进行实验,将加入随机Dropout的卷积神经网络与未加入的进行比较,发现加入随机Dropout的网络在各类行为识别上均取得了较高的识别率,可以有效防止过拟合.     

基于卷积神经网络的生物式水质监测方法

生物式水质监测通常是先通过提取水生物在不同环境下的应激反应特征,再进行特征分类,从而识别水质。针对水质监测问题,提出一种使用卷积神经网络(CNN)的方法。鱼类运动轨迹是当前所有文献使用的多种水质分类特征的综合性表现,是生物式水质分类的重要依据。使用Mask-RCNN的图像分割方法,求取鱼体的质心坐标,并绘制出一定时间段内鱼体的运动轨迹图像,制作正常与异常水质下两种轨迹图像数据集。融合Inception-v3网络作为数据集的特征预处理部分,重新建立卷积神经网络对Inception-v3网络提取的特征进行分类。通过设置多组平行实验,在不同的水质环境中对正常水质与异常水质进行分类。结果表明,卷积神经网络模型的水质识别率为99.38%,完全达到水质识别的要求。     

基于特征参数迁移的滚动轴承故障诊断

针对变工况下的滚动轴承无法获得大量带标签样本数据以及传统深度学习诊断方法识别率低的问题,提出一种基于迁移学习的卷积神经网络模型滚动轴承故障诊断方法.首先,采用短时傅里叶变换处理滚动轴承振动信号获得源域、目标域样本集;其次,利用源域样本预训练卷积神经网络模型;最后,通过目标域样本微调卷积神经网络模型实现滚动轴承故障诊断....