基于深度学习的大规模图像高效识别算法研究（英文）

面对规模较大的图像识别任务时,基于卷积神经网络的深度学习方法存在训练时间过长的问题,导致识别效率不高。因此,提出一种基于局部特征深度信念网络的大规模图像高效识别算法。首先,该方法从原始图像中提取多个局部特征,并根据分配给图像的标签将每个局部特征分类。然后利用分类后的图像局部特征训练深度信念网络,获得网络的相关参数。最后利用深度信念网络进行图像识别。在CAS-PEAL-R1大规模图像数据集上进行了图像识别实验,结果显示:提出的算法优于其他深度学习方法,具有较好的准确性和高效性。     

基于局部特征和深度神经网络的人脸性别判别模型研究

深度学习方法可以自动发现更佳数据以改善分类器性能。然而,在计算机视觉任务中,比如性别识别问题,有时候很难直接从整个图像进行学习。因此,提出一种新的基于局部特征和深度神经网络的人脸性别识别模型。首先,该模型从输入图像中提取数个局部特征,并将这些特征反馈给判别图像的深度神经网络,然后根据图像所属标签将每个局部特征分类。最后,使用简单的投票方案对整体图像进行判决。在FERET和CAS-PEAL-R1两个人脸图像资料库上进行了人脸性别分类实验,结果显示提出的方法优于其他深度学习方法,具有较好的准确性和稳定性。     

基于局部分类器和深度神经网络的遥感图像分类

深度学习方法作为大数据自动分类工具时表现出较高的性能,但是在处理遥感图像任务时(比如图像分类问题)表现出效率较低。为此，提出一种新的基于局部分类器和深度神经网络的遥感图像分类算法。首先从原始图像中提取多个局部特征，并将这些特征输入给用于判决的深度神经网络，然后按照分配给图像标签对每个局部特征进行分类。最后根据简易的投票方法判决整体图像的结果。利用WorldView2 高分辨率卫星遥感影像数据进行了分类实验，结果显示：提出的方法优于其他分类方法具有较好的分类准确性和分类效率。     

基于深度信念网络和多信息融合的复杂机电装备故障诊断方法

针对复杂机电装备故障诊断中存在的数据量大、提取故障特征困难等问题,结合深度学习理论强大的感知与自我学习能力,提出一种基于深度信念网络和多信息融合的复杂机电装备故障诊断方法。将多个传感器的原始时域信号数据输入深度信念网络进行训练,通过反向微调学习对深度信念网络进行整体微调,提高分类准确性,同时在训练过程采用ReLu激活函数和加入Batch Normalization,减少过拟合出现概率的同时提高了网络收敛的速度。将此方法运用到复杂数控加工中心刀具的故障诊断中,结果表明该方法相比传统BPNN算法和采用Sigmoid激活函数的深度神经网络算法准确率更高。     

基于局部分类器和深度神经网络的遥感图像分类（英文）

深度学习方法作为大数据自动分类工具时表现出较高的性能,但是在处理遥感图像任务时(比如图像分类问题)表现出效率较低。为此,提出一种新的基于局部分类器和深度神经网络的遥感图像分类算法。首先从原始图像中提取多个局部特征,并将这些特征输入给用于判决的深度神经网络,然后按照分配给图像标签对每个局部特征进行分类。最后根据简易的投票方法判决整体图像的结果。利用World View2高分辨率卫星遥感影像数据进行了分类实验,结果显示:提出的方法优于其他分类方法具有较好的分类准确性和分类效率。     

基于局部特征和深度神经网络的人脸性别判别模型研究（英文）

深度学习方法可以自动发现更佳数据以改善分类器性能。然而,在计算机视觉任务中,比如性别识别问题,有时候很难直接从整个图像进行学习。因此,提出一种新的基于局部特征和深度神经网络的人脸性别识别模型。首先,该模型从输入图像中提取数个局部特征,并将这些特征反馈给判别图像的深度神经网络,然后根据图像所属标签将每个局部特征分类。最后,使用简单的投票方案对整体图像进行判决。在FERET和CAS-PEAL-R1两个人脸图像资料库上进行了人脸性别分类实验,结果显示提出的方法优于其他深度学习方法,具有较好的准确性和稳定性。     

基于深度学习的轴端编号识别算法设计

随着制造业能力的不断提升,产品生产过程的自动化程度越来越高。对于传统的视觉识别算法,需要拥有大量工程技术和专业领域知识的人才能对视觉识别进行建模,并且设计的算法只能适应单一工况不具有通用性;而深度学习算法是一种通用的学习算法,通过训练可以识别不同种类的不同目标。基于此,针对某企业曳引轴加工过程中轴端编号的识别,设计了可进行端到端训练的识别算法。系统通过高精度工业相机获取目标图像,获得的原始RGB图像不需要进行预处理便可输入到网络当中,由深度学习算法对目标进行识别。实验表明所设计算法鲁棒性好且准确率高。     

基于深度学习的固结磨料研磨垫表面形态表征

固结磨料研磨垫的表面形态与其加工性能有着密切关系,为更好地了解固结磨料研磨垫表面形态,尤其是研磨垫中的金刚石、孔隙、金刚石脱落坑等的分布特征,提出一种基于深度学习的固结磨料研磨垫表面形态分析方法。首先,利用徕卡DVM6数字显微镜及其配套软件获取固结磨料研磨垫表面图像;然后,采用python3+OpenCV对图像进行预处理,并利用标注软件Labelme对图像进行标注,用于后续的训练和测试;最后,运用深度学习框架Tensorflow搭建Mask R-CNN模型。结果表明:Mask R-CNN模型能对单一固结磨料垫表面图像中的多目标进行有效分割与识别,其主要评价指标平均准确率达到78.9%,达到了图像识别的主流水平。      

基于机器视觉与Faster-RCNN的Delta机器人工件识别检测

针对传统并联机器人在工作环境中存在抓取不精确、定位与分类识别效率低下的问题,提出一种基于机器视觉与Faster-RCNN神经网络的工件识别检测技术。采用Delta机器人实验平台采集图像,进行图像的预处理操作并将其添加至网络训练集。通过Python3.7-torch1.7搭建深度学习中的Faster R-CNN卷积神经网络,作为基本框架训练工件图像数据集。最后将训练后的卷积神经网络得到的工件检测结果与原实验工件识别系统对比。结果表明：改进后的识别平均精确度比原有识别系统有所提高,反应时间缩短,并且能识别不同类型的工件。     

基于卷积神经网络与虚拟训练集的零件识别

针对工业环境中零件识别效率低,准确率不高以及难以获取大量训练集的问题,对基于深度学习的零件识别进行了研究,提出一种基于卷积神经网络与虚拟训练集的零件识别方法。首先,通过OpenSceneGraph(OSG)在虚拟场景内渲染大量深度图像训练集;然后,构建了两种不同深度与结构的卷积神经网络模型并使用虚拟深度图像进行训练;最后,使用深度相机采集零件真实深度图像对网络模型进行测试并选择适合的零件分类模型。结果表明,该方法使用虚拟训练集训练,实现了对真实零件的精准识别,使用深度图像对于零件反光和少纹理情况具有一定的鲁棒性,为工业自动化分拣装配提供稳定的信息基础。     

基于改进YOLOv3的蝶阀柔性装配图像识别方法及应用研究

蝶阀的柔性装配还处于人工识别阶段,生产效率低。提出一种基于YOLOv3的蝶阀柔性装配图像识别方法。为了降低YOLOv3算法检测多个目标体边界框重合率,提出一种YOLOv3改进算法;利用该算法进行蝶阀部件模型训练;利用已训练好的模型,对工业相机采集的蝶阀装配体图像进行检测。经实验验证,针对蝶阀装配体的识别准确率可达90.1%。     

基于计算机智能的深度信念网络的组合电力负荷预测方法

电力系统负荷预测是电力系统规划和经济政策制定的主要依据,然而现有的基于计算机人工智能的电力系统负荷预测多采用组合预测方式,其预测精度低,效率低下;针对此问题,提出了一种基于深度信念网络的组合负荷预测方法,此方法首先建立了深度信念网络训练模型,将组合数据与实际负荷数据之间构建的非线性函数关系应用到此训练模型中,通过数据训练,优化深度信念网络层数和参数;使得训练好的组合深度信念网络具有预测能力.利用实际历史数据,对组合负荷预测的精度进行了计算,实验结果表明:所提出的预测方法相对于传统的组合预测方法,具有较高的预测精度,同时其计算复杂度较低.     

深度学习在故障诊断中的应用综述

阐述了深度学习在故障诊断和图像分析、语音识别和文本理解等领域的应用;介绍卷积神经网络、深度置信网络、堆叠自动编码网络、递归神经网络4种典型的深度学习模型;综述近几年深度学习在故障诊断中的模型选择、学习算法和实际应用等方面的研究新进;探讨深度学习在故障诊断中的理论分析、特征提取、优化训练和研究拓展等。     

基于群体智能算法的排球高鲁棒性目标识别研究

基于小波变换和人工神经网络的目标识别是图像处理的一个重要研究方向。但是,此类方法采用的梯度下降规则容易产生局部极小值。为了解决该问题,提出了一种基于群体智能算法的高鲁棒性目标识别算法,可有效应用于各种图像识别任务,如排球目标识别等。首先对图像进行预处理并变换成HSV空间进行背景分割,并通过小波不变矩对图像进行特征提取。然后采用新兴的群智能算法-狼群算法,对基于小波神经网络的目标图像识别进行优化,以便提升全局收敛性和鲁棒性。仿真实验结果显示:相比原有的方法,提出优化方法具有更高的识别精度和稳定性。     

基于改进的Faster-RCNN模型的汽车轮毂表面缺陷在线检测算法研究

目的 通过构建轮毂在线生产视觉检测系统，预测轮毂生产过程中轮毂表面的缺陷。方法 根据轮毂表面缺陷的定义和评价标准，给出了轮毂表面缺陷的计算模型，采用了改进型的Faster-RCNN目标检测算法，引入了深度生成式对抗网络，消除图像的模糊性，再利用清晰的轮毂表面图像进行模型训练，结合领域专家的判别标准，优化网络参数，构建轮毂表面缺陷检测模型。利用深度学习Pytorch框架，在NVIDIA Tesla P100图像加速卡上进行模型训练，并对模型结果进行对比性实验分析，找出最优的预测模型。结果 在基础网络部分，采用残差模型ResNet101网络比采用VGG16模型的准确率提高了24%。在目标检测网络模型中引入了多通道特征融合模块，准确率提升了2%。再引入FPN金字塔模型，融入低级和高级语义信息，使得输出的多尺度的预测特征图谱效果更好。最后把残差网络的ROI-Pooling算法改为ROI-Align算法，准确率提高了5%。通过对网络模型的不断改进和优化，轮毂表面缺陷的识别率不断提高。结论 利用改进型的Faster-RCNN网络能够识别出轮毂表面缺陷的种类和位置，满足生产环境的要求，具有一定的工程应用价值。     

基于TUCKER-DBN的机械故障识别方法研究

针对传统深度信念网络（DBN）存在的分类精度不高、训练速度较慢、仅适用于一维信号等不足，将DBN结合TUCKER分解，提出一种新的故障识别方法。该方法首先利用TUCKER分解大幅度压缩数据，提取其核心张量作为故障特征，然后将核心张量输入到DBN分类器中进行训练和识别。将该方法与传统的DBN故障识别方法进行对比研究，在采集的120个样本中，选择30个样本进行故障识别测试实验。结果表明:使用TUCKER-DBN识别方法的识别率为93%，较传统的DBN故障识别方法的识别率更高；并且使用TUCKER-DBN识别方法的训练时间比传统DBN故障识别方法所用的时间更短。     

基于群体智能算法的排球高鲁棒性目标识别研究（英文）

基于小波变换和人工神经网络的目标识别是图像处理的一个重要研究方向。但是,此类方法采用的梯度下降规则容易产生局部极小值。为了解决该问题,提出了一种基于群体智能算法的高鲁棒性目标识别算法,可有效应用于各种图像识别任务,如排球目标识别等。首先对图像进行预处理并变换成HSV空间进行背景分割,并通过小波不变矩对图像进行特征提取。然后采用新兴的群智能算法-狼群算法,对基于小波神经网络的目标图像识别进行优化,以便提升全局收敛性和鲁棒性。仿真实验结果显示:相比原有的方法,提出优化方法具有更高的识别精度和稳定性。     

基于深度学习的电机轴承故障诊断研究

针对目前已有的电机轴承故障诊断算法对于人工干预和专家经验的依赖,以及故障诊断工作的复杂度逐渐的提高。文章提出了基于深度学习中卷积神经网络的故障诊断算法,使用原始振动数据作为网络模型的输入对其进行训练以发挥其强大的自学习能力。根据振动数据的特点和实验对比选择模型的结构和参数,进而通过深层次网络结构的卷积操作以实现对原始振动数据的特征提取,最终在输出端利用Softmax分类器输出分类结果。通过实验验证表明,该方法对于轴承故障分类准确率能够达到99.8%,对比其他方法具有很好的分类效果。     

基于深度卷积GRU的转子系统故障诊断北大核心

针对转子系统早期故障特征微弱难以提取的问题,结合门控循环单元网络(GRU)提出一种深度卷积门控循环单元(DCGRU)故障诊断方法。该方法采用卷积操作提取转子系统振动信号的高维特征,基于GRU网络处理其中的深层时序特征,利用Softmax层进行特征分类识别实现故障诊断。该方法通过卷积拟合样本的非线性特征,从而提高了GRU网络的时序特征提取能力,优化了传统GRU网络训练过程中存在的梯度消失和梯度爆炸现象。转子系统故障诊断实验结果表明,DCGRU方法能精确表征转子系统振动信号的隐含时序特征,进而得到更高的故障诊断精度。     

基于机器视觉和深度神经网络的零件装配检测

针对工业生产中存在着大量的零件识别定位以及装配检测等,传统人工检测效率低、劳动强度大、识别不准确。文章提出了一种基于深度神经网络的零件装配检测方法。首先该方法对零件图像和装配图像进行采集,选择Mask-RCNN网络进行训练,对装配零件进行分类以及定位,通过已识别的零件类型判定装配件是否存在漏装;然后将分割后的零件图像进行二值化处理,利用Canny算子提取零件图像轮廓;最后利用图像的Hu矩特征与正确的零件图像轮廓进行对比,判断装配是否正确。通过实验验证可得,该方法在零件装配中的漏装和换装检测中效果较好,并表现出较高的鲁棒性。