首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到10条相似文献,搜索用时 15 毫秒
1.
针对实际生产中轴承滚子原始故障数据量少,数据集不平衡的问题,提出一种数据增强策略对原始的数据集进行扩充,并结合U-Net框架和轻量级深度学习模型构建了一个端到端的轴承滚子语义分割模型方法.通过结合U-Net框架和轻量级深度学习模型MobileNetV1、DenseNet121构建了端到端的轴承滚子语义分割模型LS-MobileNetV1、LS-DenseNet121,将所提模型基于迁移学习策略进行了训练,与其他模型进行对比实验分析.结果表明,与现有方法相比,本文方法在具有更少参数量的情况下实现了更高的分割精度与更具鲁棒性的检测效果,验证了所提方法的有效性.  相似文献   

2.
针对输电线路实时巡检中无人机嵌入式移动端的存储和计算受限问题,在Faster R-CNN目标检测框架及VGG特征提取网络基础上,融合深度可分离卷积及SVD分解,构建了一种轻量级的输电线路缺陷检测方法。在公共的PASCAL VOC 2007与COCO数据集上的实验结果验证了所提方法的优越性。在输电线路缺陷数据集上实验,在保证检测精度不下降的同时降低了模型存储空间,提升了模型的检测速度,实现了检测的实时性。  相似文献   

3.
针对水面无人艇(USV)可行域及障碍物分割系统对图像处理过程的快速性和准确性要求,研究了一种根据无人艇机载视觉传感器对水上图像快速分割的算法。首先经过多地实验采集实验图像,经过数据清洗、图像去重和人工筛选构建原始数据库,并采用人在回路数据标注方法构造了无人船可行域及障碍物分割数据集,共5 620张图像和25 875个标签;其次实践了主流的基于深度学习的语义分割方法,包括FCN、DeeplabV3 Plus、U-Net;最后针对水上图像的特点和快速分割的任务需求,提出了一种基于改进DeeplabV3 Plus的快速分割网络DeeplabV3-CSPNet。网络学习实验、离线航行实验和模型部署结果表明,DeeplabV3-CSPNet算法取得快速且准确的分割效果,平均精度达到84.17%,运算速度达到49.26 fps,在边缘计算平台上运算速度达到45.45 fps。  相似文献   

4.
由于传统轴承故障诊断方法依赖于信号处理能力且模型泛化能力差的问题,提出一种不均衡数据集下基于深度对抗网络的故障诊断方法,该方法首先通过构建小样本训练集进行生成对抗网络训练,将生成样本加入到原始小类别样本训练集中,得到样本训练集,降低不同类别样本的不平衡性;然后引入深度学习的模型优化技术,提出适合轴承故障诊断的深度卷积神经网络模型,该模型直接作用于训练样本集,自适应地从原始数据中逐层学习故障特征,实现不同故障的准确识别;为了增强诊断系统最终分类预测的准确性,引入Focal损失函数对分类层进行故障识别。大量的定性定量实验表明,所提的改进网络在检测率与误检率方面均优于现有的其他深度模型,并且拥有较快的收敛速度与泛化能力。  相似文献   

5.
针对眼底血管图像存在血管细小、视网膜病变而导致分割精度低的问题,提出了一种引入残差块、级联空洞卷积、嵌入注意力机制的U-Net视网膜血管图像分割模型.首先采用提高视网膜图像分辨率,以点噪声为中心、512为边长裁剪来扩增数据集,然后在U-Net模型中引入残差块,增加像素特征的利用率和避免深层网络的退化;并将U-Net网络的底部替换为级联空洞卷积模块,扩大特征图的感受野,提取更丰富的像素特征;最后在解码器中嵌入注意力机制,加重目标特征的权重,减缓无用信息的干扰.基于CHASE数据集的实验结果表明,所提模型的准确率达到了98.2%,灵敏度达到了81.72%,特异值达到了98.90%,与其他多尺度神经网络方法相比体现了更好的分割效果,充分验证了提出改进的U-Net网络模型能有效提高血管分割精度、辅助确诊血管病变.  相似文献   

6.
基于深度学习方法构建轴承健康指标正成为机械故障诊断领域新的研究内容和应用热点。基于深度学习的指标构建容易受到前期人工特征提取和特征选择的影响,且缺乏对多通道传感器信息进行有效融合。针对上述问题,设计了一种基于深度融合神经网络(DFNN)的多通道信息融合健康指标构建方法。首先,提出一种多通道融合特征提取器(MFE)从传感器原始信号提取轴承退化特征,然后设计一种自适应特征选择器(AFS)进行特征选择,最后引入双向长短期记忆网络(BiLSTM)构建健康指标。所提出的方法在轴承全寿命数据集上进行实验验证,实验结果表明,相比现有基于深度学习的轴承健康指标构建方法,DFNN构建的健康指标趋势性指标高达98.4%,单调性指标增加44%,因而能够更准确的反映轴承实际性能退化趋势。  相似文献   

7.
为了解决手动标记动静脉耗时耗力的问题,开发了一种基于ResNet_U-Net网络模型的计算机自动分割视网膜动静脉算法。首先,使用多光谱视网膜成像系统采集视网膜图像并制作数据集,其包含206张548 nm光谱的视网膜图像及其像素级标记的动静脉图像;然后,优化ResNet_U-Net网络模型中的多尺度特征提取模块和损失函数模块,并增加了通道注意力机制和后期处理方法来提高动静脉自动分类的准确性;最后,在数据集中随机抽取165张作为训练集,41张作为测试集进行了测试。实验表明,本研究所建立的深度学习模型能自动准确分割视网膜图像中的动静脉,准确率可达98.50%。  相似文献   

8.
电力变压器运维过程中形成的工作票及操作票等文本蕴藏着丰富的设备状态信息,然而由于中文文本结构和语义的复杂性,难以进行信息挖掘。针对该现状,提出基于深度语义学习的变压器运维文本信息挖掘方法。首先分析并归纳传统文本挖掘模型的局限性及变压器运维文本的特点,然后利用分布式文本学习工具word2vec,自动学习语义信息,将单词用低维稠密向量表示,并建立循环卷积神经网络,基于其端到端的网络结构提取文本的深层语义特征。基于变压器运维文本的案例分析表明,所提方法比常规文本挖掘方法的语义学习能力更优。通过对非结构化文本数据的信息挖掘,有利于今后结合结构化数据,全面评估变压器运行状态。  相似文献   

9.
基于Seq2Seq技术构建了用于输电线路故障类型识别的深度学习模型,通过设置仿真算例验证了所提方法的有效性。首先,利用MATLAB/Simulink生成输电线路故障数据集;然后,基于Seq2Seq技术构建适用于故障数据时序型特征的深度学习模型;最后,以IEEE118节点系统为例对所提方法进行验证。仿真结果表明:所提方法能够适应输电线路故障的时序型特点,故障类型辨识准确率为100%。与其他故障类型识别方法相比,所提方法仅基于海量数据,不考虑电力系统具体结构,具有显著的优越性。  相似文献   

10.
针对水电告警事件传统诊断方法存在效率低下、准确率不足等缺陷,设计了一种融合先验知识的数据增强方法和基于双向简单循环单元网络的层级注意力深度学习框架。针对水电告警规则不完善的问题,采用隐含狄利克雷分布-序列推理增强模型构建告警信号与告警特征间的映射机制;结合该水电告警先验知识提出改进隐含狄利克雷分布方法增强样本数据,最终由层级注意力模型学习样本特征并输出诊断结果。测试算例为某水电集控中心的实际告警数据,测试结果表明,所提方法可在低资源训练环境下实现快速和高准确率的水电告警事件诊断。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号