小样本条件下轴承故障的DCGAN诊断方法

针对基于故障数据图像的诊断方法所需训练数据严重不足以及在小样本故障库条件下诊断准确率较低等问题,提出了一种基于深度卷积生成对抗网络（deep convolutional generative adversarial networks, 简称DCGAN）的扩充滚动轴承故障小样本库的方法,以丰富故障信息,在小样本故障库条件下提高故障诊断准确率。为了改善传统算法易产生的棋盘格效应,设计上采样卷积（up-sampling convolution, 简称USCONV）层,将传统DCGAN算法与双线性插值的上采样及卷积相结合,对故障数据小波变换图像进行训练学习,输出逼真的生成样本。该模型针对多种故障情况,在小样本故障库条件下能准确完善数据集,缓解过拟合等问题,提高了再诊断的准确性。实验结果表明,USCONV层对棋盘格问题有明显改善,小样本库扩充后诊断模型对包含多种故障情况的测试集识别率由91.67%提升至98.96%,证明了该方法的可行性和有效性。     

负载不平衡下小样本数据的轴承故障诊断

针对轴承振动信号易受负载不平衡干扰以及轴承故障样本量少的问题,提出了一种基于梯度惩罚Wasserstein距离生成对抗网络（WGAN-GP）和自注意力卷积神经网络（SeCNN）的轴承故障诊断方法。对轴承振动信号进行短时傅里叶变换,得到易于WGAN-GP处理的时频谱样本,分为训练集、验证集、测试集;将训练集输入到WGAN-GP中进行对抗训练,生成与训练样本分布相似的新样本,并添加到训练集中以扩充训练集;将扩充后的训练集输入到SeCNN中进行学习,并将训练好的模型应用于测试集,输出故障识别结果。对CUT-2平台负载不平衡轴承数据集进行分析,实验结果表明,所提方法能够准确有效地对轴承故障进行分类。     

基于红外图像分析的TSV内部缺陷识别方法研究

TSV三维封装内部缺陷难以用传统方法检测。然而其内部缺陷的存在会导致热阻发生变化，对系统温度分布产生影响，因此可以通过对红外图像的分析达到对缺陷进行识别及定位的目的。文中研究了缺陷对温度场的影响，分别通过理论分析、有限元仿真及实验方法对TSV三维封装系统进行了热-电耦合分析，得到了缺陷铜柱类型及位置不同时的温度分布数据集，搭建了卷积神经网络(CNN)模型对2组数据集单独进行分类预测。实验结果表明：利用仿真数据集与试验数据集分别对CNN模型进行特征训练，得到的缺陷识别与定位准确率为98.65%,98.36%。由上可知，缺陷类型及位置的不同会对温度场产生不同影响，利用CNN模型对TSV红外热图像进行特征训练可以有效识别与定位内部缺陷。     

基于改进ACGAN的钢表面缺陷视觉检测方法

为提高小样本环境下钢表面缺陷检测精度,提出一种基于改进辅助分类生成对抗网络（Auxiliary classifier generative adversarial network,ACGAN）的钢表面缺陷检测方法。利用残差块优化ACGAN的网络结构,提高模型的特征提取能力;其次,为提高模型训练的稳定性,在网络的卷积层中添加谱范数归一化,防止模型异常的梯度变化;基于正-未标记分类的思想优化判别器的损失函数,提高生成样本的质量;同时,为缓解生成对抗网络的模式崩塌问题,在损失函数中添加梯度惩罚来约束判别器的梯度;通过生成器和判别器的对抗优化训练实现样本扩充。通过对钢表面缺陷数据集的试验,验证了提出的方法能准确有效地实现小样本环境下钢表面缺陷检测。与经典的SVM、ResNet50以及一些小样本分类模型相比,所提方法具有更高的检测精度。     

基于卷积神经网络的带钢表面缺陷检测算法

针对现有带钢表面缺陷检测方法准确率低、特征泛化性不强、参数多、识别速度慢等缺陷,基于卷积神经网络,采用DenseNet网络的密集连接算法解决梯度消失和梯度爆炸问题,堆叠式空洞卷积扩大卷积核感受野,深度可分离卷积减少网络参数量,提出一种用于带钢表面陷检测的深度神经网络模型Ds-DenseNet算法。以NEU带钢表面缺陷数据集为基础缺陷样本,加入正样本,并对其进行数据增强操作,创建AUG-NEU数据集,本算法在AUG-NEU数据集上的测试精度高达99.38%,参数量为117958,仅占DenseNet121和ResNet50参数量的1.7%和0.5%,识别速度高达1.3ms/frame,分别是DenseNet121、ResNet50识别速度的2.3倍和2倍,完全可以满足带钢生产线实时检测的需求。     

面向数据不平衡的卷积神经网络故障辨识方法

针对因不同故障的样本数目不平衡造成卷积神经网络(convolutional neural network,简称CNN)对少数类样本识别准确率偏低的缺陷,采用将一种最小最大化目标函数融入卷积神经网络结构的对策,提出一种适用于故障数据不平衡的最小最大化目标函数卷积神经网络(min-max objective CNN,简称M...     

基于卷积神经网络的物流货物图像分类研究

基于卷积神经网络(CNN)针对物流环境下货物的图像分类问题进行了研究.首先,在实际物流环境下收集了13种货物的ROI图像,并通过每隔10°旋转的方式来扩充数据集以防止过拟合现象的发生;然后,在考虑了实际硬件条件的情况下构建了轻量级CNN,并进行了基于自建数据集的训练,训练实验发现,轻量级CNN模型具有很快的收敛速度并在验证集取得了100％的准确率;最后,研究了旋转对货物图像分类性能的影响,并进行了可视化分析,验证了CNN对旋转操作基本不具备一致性.     

主从特征融合驱动的铝型材表面缺陷检测

针对因仅考虑纹理特征而造成铝型材表面缺陷检测精度较低的问题,提出一种主从特征融合驱动的表面缺陷检测模型。该模型的构建主要包括3个部分：首先采用经Focal-Loss损失函数优化的UNet模型完成缺陷分布不均匀的样本分割与定位;然后集合卷积神经网络(CNN)与反向传播神经网络(BPNN)构建融合图像纹理特征、梯度信息和缺陷形状特征的主从特征预分类层;最后通过级联特定模糊规则的模糊神经网络完成缺陷的最终分类。利用阿里天池比赛的铝型材数据集中的5类缺陷样本对模型进行了实验验证,平均分类检测精度达到97.2%,为铝型材表面缺陷检测提供了新方法。     

基于改进卷积生成对抗网络的少样本轴承智能诊断方法

轴承样本较少会使模型学习不充分,导致诊断准确性不高。为解决这一问题,构建了一种改进的卷积生成对抗网络,借助生成对抗网络的数据生成能力和改进深层卷积网络的特征提取能力,提高复杂工况下少样本轴承故障诊断准确性。首先,构建了一种深度卷积对抗生成网络,通过生成器和判别器的对抗学习挖掘真实数据的深层特征,用以生成相似的模拟数据,以弥补少样本的不足;其次,将密集块与扩容卷积引入卷积神经网络中,从深度和广度两个方面提升网络的学习能力,挖掘多类别数据中细微差距,增强复杂数据的故障特征提取性能;最后,采用定工况和变转速两种少样本轴承数据进行方法验证与对比分析,结果表明新构建的对抗网络在少样本、含噪声等复杂情形下仍然具有较高的诊断准确率。     

样本不均衡下的DCGAN轴承故障诊断方法

在实际工况下,轴承可采集到的故障样本分布往往呈现极强的不均衡特性,该特性对故障诊断精度具有不可忽略的影响。为提高样本不均衡情况下的轴承故障诊断精度,采用样本生成扩充的思路,提出一种基于深度卷积生成对抗网络的故障诊断方法。首先针对轴承振动数据信号的特性,采用快速傅里叶变换使其转化为频域,并通过归一化进行预处理;其次利用深度卷积生成对抗网络进行对抗训练,生成具有真实样本特征的虚拟样本。模型采用衰减学习率并增设Dropout层,提高了模型生成的效率及真实性。最后,构建一维卷积神经网络模型完成故障诊断。实验验证结果表明,提出的方法能有效提高样本不均衡情况下的诊断精度以及诊断稳定性。     

基于环形对称Gabor变换的接触网销钉检测研究

针对接触网旋转双耳销钉,提出一种基于环形对称Gabor变换特征的销钉松脱与缺失状态检测方法。融合旋转不变LBP特征与HOG特征的方法训练SVM分类器,实现旋转双耳定位识别;采用圆弧检测完成销钉准确定位,实现销钉区域的分割;利用环形对称Gabor变换完成纹理边缘信息的特征提取,结合BP神经网络实现对旋转双耳销钉状态的判断识别。研究和实验结果表明,该方法实现了在销钉穿插方向任意和形状多样等复杂情况下的状态识别。     

基于无监督深度估计的带雾图像生成方法

基于卷积神经网络的雾霾环境视觉目标检测,通常直接利用无雾条件下清晰的数据集对网络进行训练,网络无法通过训练集获取雾霾图像下目标的特征权重配置,因而检测效果不佳.为了提高雾霾环境下目标检测效果,从数据集构建角度入手,提出了一种在无雾图像上生成带雾图像的方法.首先以KITTI-objection数据集作为原始无雾图像,利用改进的Monodepth无监督深度估计方法生成原始图像的深度图像.然后构造几何先验深度模板,以图像熵为权值与深度图进行融合,并根据大气散射模型,由深度图像得到雾图像.最后,采用基于二阶的Faster-RCNN和基于一阶的YOLOv4两种典型的目标检测架构,对原始数据集、雾数据集、混合数据集进行训练,并对室外自然雾霾场景数据集RESIDE-OTS进行检测.实验结果表明,使用混合数据集训练下的模型检测效果最好,在YOLOv4模型下mAP值提升了5.6％,在Faster R-CNN网络下mAP值提升了5.0％,从而有效提升了雾霾环境下卷积神经网络的目标识别能力.     

基于无监督深度估计的带雾图像生成方法

基于卷积神经网络的雾霾环境视觉目标检测,通常直接利用无雾条件下清晰的数据集对网络进行训练,网络无法通过训练集获取雾霾图像下目标的特征权重配置,因而检测效果不佳.为了提高雾霾环境下目标检测效果,从数据集构建角度入手,提出了一种在无雾图像上生成带雾图像的方法.首先以KITTI-objection数据集作为原始无雾图像,利用改进的Monodepth无监督深度估计方法生成原始图像的深度图像.然后构造几何先验深度模板,以图像熵为权值与深度图进行融合,并根据大气散射模型,由深度图像得到雾图像.最后,采用基于二阶的Faster-RCNN和基于一阶的YOLOv4两种典型的目标检测架构,对原始数据集、雾数据集、混合数据集进行训练,并对室外自然雾霾场景数据集RESIDE-OTS进行检测.实验结果表明,使用混合数据集训练下的模型检测效果最好,在YOLOv4模型下mAP值提升了5.6％,在Faster R-CNN网络下mAP值提升了5.0％,从而有效提升了雾霾环境下卷积神经网络的目标识别能力.     

基于多任务Faster R-CNN车辆假牌套牌的检测方法

针对现有车辆假牌套牌各种检测方法存在计算复杂度高、检测精度低、鲁棒性欠缺等问题,提出一种基于多任务的高速区域卷积神经网络(Faster R-CNN)车辆假牌套牌的检测方法。首先利用时空约束得到疑似套牌车辆,接着用Faster R-CNN定位分割出车辆前脸部分图像,然后对疑似套牌车辆的车脸公脸部分(车辆的基本特征)的特征进行比对;在此基础上再对高仿套牌车辆的车脸私脸部分(车检标)的细微特征进行检测比对。这种分层次的、从车辆宏观特征到微观特征的视觉检测方法,具有检测速度快、鲁棒性高、泛化能力强、实施部署方便、检测精度高等优点。实验研究表明,在Vehicle ID数据集和杭州卡口数据集中分别取得了99.39%、99.22%的检测精度。     

基于级联卷积神经网络的荧光免疫层析 图像峰值点定位方法研究

针对目前荧光免疫层析定量图像峰值点定位易受多种因素影响,导致物质定量准确度低的问题,提出了一种融合目标检测的级联卷积神经网络(CNN)算法。第一层级联算法首先使用经改进的AlexNet算法对荧光免疫层析定量图像中包含质控(C)峰和检测(T)峰的区域进行检测和提取。之后将提取到的图像区域送入第二层级联卷积神经网络中,对C峰和T峰的位置进行快速定位。随后将定位结果输入到第三层级联卷积神经网络中,对上一层输出的C峰和T峰的定位结果进行精准微调。最后输出C峰和T峰的准确定位信息。实验结果表明,提出的级联卷积神经网络算法,对荧光免疫层析图像峰值点的平均定位准确度达到了96%以上,提高了峰值点的定位准确度。     

基于孪生网络的小样本滚动轴承故障诊断研究

针对小样本和强噪声条件下的滚动轴承故障诊断问题,提出了一种孪生网络模型:首先,对于滚动轴承故障信号进行连 续小波变换以获得时频图像,引入卷积神经网络模型以实现故障图像模式识别;进而,对故障样本进行交叉配对以重新组合,实 现了少量故障样本的大幅扩容;同时,针对扩容后样本对数据构建了包含两个子模型的孪生网络模型;最后,为了实现强噪声、 小样本条件下滚动轴承故障诊断,设计了孪生网络末端专用分类器,在加噪声数据库和机械故障实验中对方法进行测试,分别 达到了 96. 25% 和 97. 08% 正确率。 所提出模型能够依靠少量样本完成训练并实现轴承故障准确诊断,所需每类样本的数量可 减少至 20 个,与经典卷积神经网络模型相比具有明显优势。     

多传感器信息融合的铁路扣件缺陷检测方法

基于机器视觉的二维图像铁路扣件缺陷检测已经取代人工检测,提高了检测效率。但是,铁路扣件缺陷样本数量少且标注困难,以及检测结果受光照条件影响大等问题仍然是当前所面对的主要挑战。因此,提出一种多传感器信息融合的铁路扣件缺陷检测方法,采用结构光设备快速高效地采集铁路扣件的深度和强度信息,设计一种针对深度图的自适应定位分割方法,自动准确定位和分割深度图中的铁路扣件,并将定位分割参数与强度图融合,实现铁路扣件的定位分割;针对样本不均衡和样本标注效率低的问题,通过DCGAN扩充缺陷扣件样本的数量;设计了具有8个残差块共18层的ResNet神经网络,完成铁路扣件螺母缺失、弹条断裂和弹条缺失三种缺陷类别检测,并采集WJ-7类型铁路扣件样本设计了相关试验,验证结果表明,缺陷扣件检测平均准确率达到97.6%,满足工程应用的需求。     

基于图像分割的蒸发器二次侧管板清洗喷嘴自适应定位

针对在核电蒸发器二次侧传热管管板清洗过程中清洗喷嘴定位困难的问题,提出了一种基于图像分割的清洗喷嘴自适应定位方法。清洗喷嘴与摄像头以固定距离偏置安装,通过设计一个轻量级的全卷积神经网络语义分割模型对摄像头采集的传热管图像进行实时分割,得到完整的传热管轮廓;然后对轮廓进行分析,获得传热管中心像素位置和位置偏差;最后完成位置偏差补偿,实现清洗喷嘴的自适应定位。经过与多种网络模型的类比实验可知,该网络模型计算效率高以及分割性能优异,可快速准确实现清洗喷嘴在蒸发器内的自适应定位。     

Application of convolutional neural network to acquisition of clear images for objects with large vertical size in stereo light microscope vision system

For an object with large vertical size that exceeds the certain depth of a stereo light microscope (SLM), its image will be blurred. To obtain clear images, we proposed an image fusion method based on the convolutional neural network (CNN) for the microscopic image sequence. The CNN was designed to discriminate clear and blurred pixels in the source images according to the neighborhood information. To train the CNN, a training set that contained correctly labeled clear and blurred images was created from an open‐access database. The image sequence to be fused was aligned at first. The trained CNN was then used to measure the activity level of each pixel in the aligned source images. The fused image was obtained by taking the pixels with the highest activity levels in the source image sequence. The performance was evaluated using five microscopic image sequences. Compared with other two fusion methods, the proposed method obtained better performance in terms of both visual quality and objective assessment. It is suitable for fusion of the SLM image sequence.     

基于全卷积层神经网络的轴承剩余寿命预测

传统的数据驱动的轴承剩余寿命预测方法需要基于知识和经验,通过人工建立性能退化指标,费时费力,为此,采用卷积神经网络对输入信号进行特征自学习和剩余寿命预测。将传统卷积神经网络中的全连接层全部更换为卷积层与池化层,以减少神经网络需训练的参数;采用加权平均方法对预测结果进行降噪处理。轴承加速寿命实验数据集验证了所提方法的有效性。