基于卷积神经网络的霉变烟叶图像识别方法研究

针对人工在线精选霉变烟叶时,存在效率低下、容易漏检等缺点,提出了一种基于卷积神经网络模型对霉变烟叶图像进行筛选、分类识别的方法。首先建立烟叶数据集,然后搭建卷积神经网络模型,利用卷积神经网络先初步提取特征,再筛选提取主要特征,然后进行各部分的特征汇总;最后实现图像的分类,从而实现了快速、准确的识别霉变烟叶图像和正常烟叶图像。实验结果表明,与人工挑选霉变烟叶的方法和烟叶传统图像分类算法相比较,搭建的卷积神经网络不仅具有较高的识别准确率,也简化了人工提取图像特征的复杂过程。     

基于一维卷积神经网络的蛋白质-ATP绑定位点预测

为了提高预测腺嘌呤核苷三磷酸（ATP）绑定位点的准确率，提出了一种基于一维卷积神经网络（1D-CNN）的方法。首先，以蛋白质的序列信息为基础，融合位置特异性得分矩阵信息、二级结构信息和水溶性信息，使用随机下采样的方法消除数据不平衡的影响，再对缺失的特征进行再编码补齐，得到训练特征。训练一个1D-CNN来预测蛋白质-ATP绑定位点，优化网络结构，并且进行实验来对比所提方法和其他机器学习方法的优劣。实验结果展示了所提方法的有效性，并且该方法与传统支持向量机（SVM）相比在AUC指标上有部分的提升。     

霉变小麦气相色谱–离子迁移谱的宽度学习检测模型

常用的小麦霉变检测方法存在检测程序复杂、环境适应性差等问题. 本文针对这一现状, 将具有高灵敏度的气相色谱–离子迁移谱(GC-IMS)应用于小麦的早期霉变检测, 对不同霉变程度的小麦样品进行GC-IMS测试并采用宽度学习模型(BLN)进行模式分类. 为了提高宽度学习模型的分类精度, 在模型中引入了空间注意力机制(SAM),通过使用节点的特征信息和结构信息计算注意力权重, 提取更重要的特征信息. 实验结果表明, 与现有的深度学习模型相比, 本文提出的模型在训练时间上大大减少, 在样本较少的情况下, 对霉变小麦早期识别的准确率(AUC)也得到了相应提高, 有效地解决了过拟合问题. 实验也证明了GC-IMS结合BLN-SAM模型的方法在小麦霉变早期检测中的有效性     

基于1D-CNN-LSTM注意力网络的抽油机井故障诊断

针对传统基于示功图的抽油机井故障诊断方法存在特征提取复杂、模型参数量大、诊断效率低的问题，提出一种基于1D-CNN-LSTM注意力网络的故障诊断方法。将示功图转化为载荷位移序列作为网络输入，使用一维卷积神经网络（1D-CNN）在提取序列局部特征的同时减小序列长度；考虑到序列的时序特性，进一步使用长短时记忆网络（LSTM）提取序列的时序特征；为突出关键特征影响，引入Attention机制，对故障类型相关的时序特征赋予更高的注意力权重；最后将加权特征输入全连接层，利用Softmax分类器实现故障诊断。实验结果表明，所提方法的平均准确率、精确率、召回率和F1值分别达到99.13%、99.35%、99.17%和99.25%，模型大小仅为98 kB。相比基于特征工程的方法具有更高的诊断精度和泛化能力，相比基于二维卷积神经网络（2D-CNN）模型的诊断方法，显著减少了模型参数量和训练时间，提高了故障诊断效率。     

基于步态触觉信息的图书馆智能机器人异常状态检测系统

针对当前图书馆智能机器人步态识别准确率低,导致异常状态检测效果差的问题,提出基于步态触觉信息的图书馆智能机器人异常状态检测和分类。采用基于局部空间信息加权的K-means算法对静态步态图像进行分割处理,分别构建基于改进K-means的CNN网络模型和基于时域注意力的3D残差网络模型,通过这两个模型对静态、动态步态进行特征提取和识别。实验结果表明,对比于SVM分类器,改进K-means算法的CNN网络模型静态步态识别准确率高达98.7%;3D-CNN模型的动态步态分类准确率为99.72%,均高于其他分类模型。最后结合两种算法进行异常状态检测发现,本算法的分类准确率、敏感度和特异性分别为95.42%、95.53%、94.37%。综合分析可知,提出的算法能够实现静态动态的准确识别和异常状态检测,具有一定有效性。     

改进CNN-LSTM模型在滚动轴承故障诊断中的应用

滚动轴承的运行状态对整机工作状态影响重大,但目前其故障诊断方法存在依赖手工特征提取、鲁棒性不高等问题.因此,本文提出了一种基于改进的一维卷积神经网络(1D-CNN)和长短期记忆网络(LSTM)集成的滚动轴承故障诊断方法 (1D-CNN-LSTM).首先,利用改进的1D-CNN-LSTM模型对滚动轴承6种不同的工作状态进行了分类识别实验,实验结果表明提出的分类模型能够以较快的速度识别出滚动轴承的不同状态,平均识别准确率达99.83%;其次,将提出的模型与部分传统算法模型进行对比实验,结果表明所提方法在测试精度方面有较大优势;最后,引入迁移学习测试模型的鲁棒性和泛化能力,实验结果表明提出的改进模型在不同工况下有较好的适应性和高效性,模型有较强的泛化能力,具备工程应用的可行性.     

基于小麦碰撞声音的霉变区域识别仿真分析

研究小麦霉变区域的识别优化问题,由于小麦霉变粒、受损颗粒与完好粒的物理构造不同,碰撞声信号与正常小麦信号一定存在差异。差异特征各项属性很容易受到外部噪声的干扰发生改变,造成传统的模式识别方法很难准确识别。提出了一种加入干扰分类去除因子的小麦碰撞差异特征霉变识别方法。在小麦碰撞过程中,确定分类决策因子,并且将小麦碰撞声音的残差平方和SSE引入核函数,设计一个小麦碰撞约束超平面,确保碰撞中的系数特征点中的正类输入以及负类输入,分别处于该约束超平面的两端,实现对霉变小麦碰撞特征的干扰消除。实验表明,改进算法实现了小麦霉变区域的特征识别的优化。     

基于CUDA的快速车牌字符识别

传统的车牌识别研究主要目的是提高识别准确率.利用CUDA技术在准确率不降低的情况下实现识别速度的提高.为此,对常用的SVM分类方法进行改进,使其能够在GPU上实现并行计算,再利用改进后的SVM训练和预测车牌字符数据.实验结果表明,相对于运行在CPU上的LIBSVM方法,经过改进的在GPU上运行的SVM方法能够带来1-30倍训练速度和50-72倍预测速度的提高,且随着样本数量的增加,加速效果会更加显著.     

田间即时鲜烟叶SPAD值预测和成熟度识别方法

成熟程度判定作为烟叶采收时的重要工作,需要满足即时性、科学性和准确性要求。目前烟叶成熟度识别实施存在测量仪器价格昂贵且操作繁琐,无法在田间推广使用;手机摄像头的内嵌图像处理算法干扰图像有效特征,田间复杂天气环境影响图像采集一致性;现存识别算法忽略植物学领域信息,影响模型准确性和普适性等问题。据此提出一种低成本且有效的田间即时鲜烟叶SPAD值预测和成熟度识别方法,通过提高识别准确率保障烟叶后续调制质量。研发便携式拍摄装置,实现田间高质量图片采集;并以CX-26烟叶品种为研究对象,提出一种适配于田间烟叶图像的分割方法,通过提取图像目标区域特征数据,利用XGBoost算法依次搭建鲜烟叶SPAD值预测模型和成熟度识别模型。提出两个模型的集成思路,集成模型能够利用SPAD值和成熟度的强相关关系,通过预测SPAD值提高成熟度识别准确性。该方法在各项评价指标中均表现优秀,其中SPAD值预测平均误差为0.470 3,成熟度识别宏F1-Score为95.27%。研发手机APP完成拍摄装置和云端模型之间烟叶图像和预测结果的传输,实现在田间对烟叶成熟程度快速、客观、准确的即时预测。该成果可为田间农作物精准采...     

一种基于SARIMA-LSTM模型的电网主机负载预测方法

随着智能电网的不断发展,如何提高对信息设备运行状态的预测准确率以及设置适应数据变化的动态阈值区间是电网IT运维面临的巨大挑战。为了解决这些问题,提出了组合时间序列预测模型(SARIMA-LSTM),即在传统周期性ARIMA 模型(SARIMA)的基础上,引入深度学习领域的LSTM模型,并摒弃了过去精度低、效果差的误差拟合方法,使用误差自回归方法来补偿预测结果。该模型可以学习到传统ARIMA模型无法捕捉到的误差波动规律,解决其无法预测非线性数据的问题。实验结果表明,在实际预测电网内存负载数据时,与ARIMA模型和SAIRIMA模型相比,SARIMA-LSTM模型可以实现更高的预测精度。     

基于BP神经网络的大豆叶片病害诊断模型的研究

本文以大豆叶片为研究对象,主要针对大豆灰斑病、霜霉病和细菌性斑点病进行诊断。首先,在东北农业大学教育部大豆生物学重点实验室的实验基地培育灰斑病、霜霉病和细菌性斑点病的纯正样本,然后通过对病斑特征的分析,确定病斑特征与病害种类的关系,建立大豆叶片病害的BP神经网络诊断模型。测试结果表明,针对轻度病害,灰斑病、霜霉病、细菌性斑点病和其它病害的识别精度分别为88.75%,87.50%,87.50%,85.00%;中度病害识别精度分别为91.25%,90.00%,91.25%,88.75%;重度病害识别精度分别为93.75%,92.50%,93.75%,92.50%。     

双通道卷积神经网络在南瓜病害识别上的应用

针对南瓜病害识别工作量大、病害甄别难度高和农药利用率低等问题,提出一种基于K-means聚类与LBP特征的南瓜叶片病害识别方法,为智能机器人精准施药作业提供理论依据与技术支撑。该方法基于K-means聚类分割南瓜叶片病斑并经过形态学处理去除噪声,然后标定病斑采样区计算病斑LBP特征图,最终经由双通道特征提取网络及特征融合网络完成对病斑全局特征与细节特征的提取并使用Softmax分类器进行南瓜叶片病害识别。实验结果显示,提出的南瓜叶片病害识别方法能够以较高的准确率识别叶斑病、白粉病及霜霉病,性能优于采用病斑灰度图和LBP特征图的单通道CNN病害识别方法,满足施药机器人精准施药作业要求,利于南瓜病害防治工作。     

基于改进双流法的井下配电室巡检行为识别

井下配电室监控视频持续时间较长且行为类型复杂,传统双流卷积神经网络(CNN)法对此类行为识别效果较差.针对该问题,对双流CNN法进行改进,提出了一种基于改进双流法的井下配电室巡检行为识别方法.通过场景分析,将巡检行为分为站立检测、下蹲检测、走动、站立记录、坐下记录5种类型,并制作了巡检行为数据集IBDS5.将每个巡检行为视频等分为3个部分,分别对应巡检开始、巡检中和巡检结束;对3个部分视频分别随机采样,获取代表空间特征的RGB图像和代表运动特征的连续光流图像,并分别输入空间流网络和时间流网络进行特征提取;对2个网络的预测特征进行加权融合,获取巡检行为识别结果.实验结果表明,以Res Net152网络结构为基础,且权重比例为1∶2的空间流和时间流双流融合网络具有较高的识别准确度,Top-1准确度达到98.92%;本文方法在IBDS5数据集和公共数据集UCF101上的识别准确率均优于3D-CNN、传统双流CNN等现有方法.     

基于改进CNN-LSTM的飞控系统剩余寿命预测

数据驱动的剩余寿命（remaining useful life,RUL）预测是复杂系统健康管理的重点研究内容,然而数据集的缺乏制约了不同系统上RUL预测的研究。针对这一问题,以飞控系统为例,提出一种仿真模型和数据混合驱动的RUL预测方法。该方法通过模型仿真提供充足的故障数据,并结合改进CNN-LSTM网络实现高质量的故障信息提取。首先对系统及其故障模式建立仿真模型,利用蒙特卡罗方法生成随机故障时间序列并依次注入故障,根据仿真响应和失效阈值确定序列的寿命标签,即可生成包含多组随机序列的系统失效数据集;其次利用长短时记忆网络（long short-term memory,LSTM）提取系统状态参数时间序列的故障信息,结合一维卷积神经网络（1D-CNN）提取不同状态参数之间的关联特征,从而形成时序-空间相结合的剩余寿命预测网络。充分的实验结果证明了所提方法对不同系统均能帮助达到动态和准确的剩余寿命预测。     

基于遗传算法的网络安全态势感知研究

对网络安全态势准确感知能实现对网络攻击的提前拦截和防范,针对传统的匹配检测方法对网络安全态势预测的精度不好的问题,提出一种基于遗传算法的网络安全态势感知模型,首先构建复杂网络环境下的病毒入侵的安全状态分布模型,进行网络安全态势的特征信息提取,然后采用遗传算法对提取的病毒入侵信息流进行相关性检测,实现安全态势预测和准确感知。仿真实验结果表明,该方法进行网络病毒入侵的准确检测概率较高,对安全态势预测的精度较高,保障了网络安全。     

基于矢量空间重构的网络流量预测算法

客户机与服务器之间存在数据存储隐通道,对该通道的网络流量进行准确预测可避免网络拥堵,提高网络流量的调度和管理能力。传统方法采用线性时间序列分析方法进行网络流量预测,没有准确反映流量序列的非线性特征信息,预测精度不高。提出一种基于非线性时间序列分析和矢量空间重构的网络流量预测算法。进行相位随机化处理,使得网络流量数据离散解析化,把网络流量时间序列解析模型分解为含有多个非线性成分的统计量。采用自相关函数法求得矢量空间重构的时间延迟,采用互信息最小嵌入维算法求得网络流量序列的矢量空间嵌入维,实现流量序列的矢量空间重构。在高维矢量空间中,提取网络流量的高阶谱特征,实现网络流量的准确预测。仿真结果表明,采用该算法能有效拟合流量序列的非线性状态特征,对流量状态变化的动态跟踪性能较好,其预测误差比传统方法的低。     

改进MobileNetV2算法的番茄叶片病害种类识别

番茄叶片病害种类具有差异较小、肉眼难以辨别的特点.针对经典卷积神经网络参数多、计算量巨大、模型识别率较低以及预测误差较大等问题,提出一种改进MobileNetV2网络的病害识别方法.在适当的网络层加入通道和空间注意力机制增强网络对于病叶片特征的细化能力以及减少无关特征的干扰,使用Ghost模块替换原模型中部分倒残差块,保证模型精度的同时减少参数量.利用LeakyReLU激活函数保留特征图中更多的正负特征信息,增强模型的鲁棒性.在公共数据集PlantVillage选取早疫病,晚疫病,班枯病,细菌性溃疡病,红斑叶螨病,叶霉病,细菌性斑点病等10种番茄病叶片作为数据集进行实验.实验结果表明,改进MobileNetV2网络分类准确率达到98.57%,相较于原MobileNetV2,准确率提高了2.29%,模型大小减小了22.52%,优化效果较为显著.