卷积神经网络在视觉图像检测的研究进展

视觉图像检测在机器视觉领域有着重要的研究意义和应用价值。近年来,卷积神经网络的发展带动了视觉图像检测领域的进步。大量新理论、新方法被应用于卷积神经网络,提高了网络对特征的表达能力,降低了网络的复杂性,增强了网络的性能。研究阐述了卷积神经网络的基本构成,从卷积层,池化层,激活函数,网络正则化和网络优化等方面总结了卷积神经网络近年来的改进方法,梳理了卷积神经网络在视觉图像检测领域的应用,总结了卷积神经网络在视觉图像检测领域的优点,并展望了未来的研究方向。     

基于改进型卷积网络的汽车高度调节器缺陷检测方法

针对汽车高度调节器生产中人工缺陷检测耗时耗力和传统诊断方法适用性差的问题,运用深度学习提出了一种基于改进型卷积网络的智能检测方法。该方法利用卷积网络提取特征,并且在网络中加入残差网络结构和可分离卷积,在深层网络提高精度的同时减少了参数计算量。改进的结构主要运用卷积层、池化层、批标准化层、softmax层,并引入残差网络结构和可分离卷积。实验结果表明,基于改进型卷积网络的汽车高度调节器缺陷检测方法有着良好的识别精度,在汽车高度调节器多类缺陷的检测实验中,准确率均在99%以上,优于经典卷积网络VGG16。     

基于融合CNN与PSO-SVM的滚动轴承故障诊断

针对滚动轴承故障识别过程中,难以提取细微故障特征的问题,提出一种基于融合卷积神经网络与基于粒子群优化算法的支持向量机相结合的滚动轴承故障诊断方法.该方法将轴承振动信号同时作为一维卷积神经网络和二维卷积神经网络的输入信号,并在汇聚层中将提取到的故障信息融合,最后通过优化后的分类器提高故障识别准确率.为了验证该方法的诊断性能,将与融合卷积神经网络同规格的一维卷积神经网络和二维卷积神经网络进行对比.试验结果表明,该方法不仅可以提高故障识别准确率,还可以在信号受到噪声污染时保持良好的诊断性能.     

混合卷积在统计公差分析中的应用

采用混合卷积法对线性尺寸链和非线性尺寸链的装配函数进行统计公差分析,混合卷积法是解析卷积和数值卷积的结合使用。为了减小非线性尺寸链线性化后造成的误差,该方法对偏差进行了修正,偏差修正值通过极值法和卷积法的比例关系求得。与其他统计公差的计算方法相比,混合卷积法具有较快的计算速度和较高的精度。最后,通过液压阀装配中密封圈的变形问题的应用,验证了该方法的有效性。     

信号重构中的时域反滤波及其应用

监测设备的振动通过谱分析来判别其运行状态往往是行之有效的方法。本文根据循环圆卷积矩阵的逆阵仍然是循环圆卷积矩阵的原理，提出了利用快速付里叶变换（ＦＦＴ）快速解线性卷积和反卷积的时域反滤波计算方法，并应用此算法对气缸压力波形进行了时域恢复。该算法与传统的卷积和反卷积计算方法相比，乘法次数少，计算速度快，便于对信号实时处理。采用时域反滤波方法恢复时域波形比基于频域变换重建气缸压力波形方法，计算环节少，易于硬件实现，对源信号的实时远距离监测和故障诊断具有十分重要的意义。     

多振源卷积混合的时域盲源分离算法

在机械多源振动传播和卷积混合模型的基础上,提出一种基于时域的多振源卷积混合信号的盲源分离算法.该算法以独立性为评判准则,采用反向学习和合理简化滤波器系数的方式,进行滤波器系数的学习,进而实现基于时域的多振源卷积混合信号的分离.仿真试验和多机振动源试验结果表明,该算法对于多源卷积混合信号具有很好的分离效果,可应用于机械设备多激振源卷积混合情况下机械振动源信号的有效分离.     

基于卷积神经网络的水果图像分类识别研究

为了解决传统水果图像分类识别算法人工提取特征的缺陷,将卷积神经网络应用到水果图像识别上,基所创建的数据集,参照经典的卷积神经网络模型Le Net-5结构,提出更适合本数据集的卷积神经网络结构,首先对水果数据集进行分类标签,将苹果、梨、橙子、橘子、桃子分别标记为0、1、2、3、4,然后将图片分批次投入模型训练,该模型构建了一个输入层、两个卷积层、两个池化层、两个全连接层和一个输出层。卷积神经网络通过底层提取特征,再进一步更深层次提取特征,最后得到目标的分类。实验结果表明,所提出的卷积神经网络结构不仅在数据集上取得了较高的识别准确率,而且与传统的水果图像分类识别算法相比较,卷积神经网络避免了人工提取特征的繁琐过程。     

基于动态加权密集连接卷积网络的变转速行星齿轮箱故障诊断

针对变转速工况下基于深度学习的行星齿轮箱故障诊断问题,提出动态加权密集连接卷积网络的故障诊断方法。将行星齿轮箱振动信号的小波包系数二维矩阵输入到密集连接卷积网络作为网络的初始特征图;在密集连接卷积网络的跨层连接中加入动态加权层,形成动态加权密集连接卷积网络,加强网络的深层信息传递;通过动态加权网络层自适应提取不同频带内的故障特征信息进行行星齿轮箱故障诊断。试验表明了所提的动态加权密集连接卷积网络能有效诊断变转速行星齿轮箱故障。     

基于飞蛾扑火优化的MCKD算法在往复压缩机轴承故障诊断中的应用

往复压缩机作为一种高噪声设备,采集到的轴承振动信号存在大量噪声干扰,针对这种具有非线性、非平稳性的信号,提出了一种基于最大相关峭度解卷积的往复压缩机轴承故障诊断方法.使用飞蛾扑火优化算法对最大相关峭度解卷积的参数周期T和滤波器长度L进行自适应选择,用参数优化后的最大相关峭度解卷积算法对往复压缩机轴承振动信号进行解卷积处...     

基于改进卷积神经网络的燃气调压器故障识别研究

针对传统故障识别方法不仅过分依赖专家经验对故障特征进行提取且识别准确率不高的问题,在深度学习理论基础上,提出了一种将一维卷积神经网络与SVM分类器相结合的改进深度卷积神经网络,实现调压器“端到端”的故障识别。首先,介绍了传统卷积神经网络结构;其次,将改进后的一维卷积神经网络与SVM相结合,提出了基于1-MsCNN-SVM算法的调压器故障识别模型,并对模型的组成部分进行了介绍;然后,通过对比实验确定了模型的卷积核长度和卷积层组数;最后,为验证模型的有效性,基于燃气调压器故障数据集,开展了燃气调压器故障识别研究。研究结果表明,改进后的1-MsCNN-SVM算法故障识别准确率高达99.20%,模型具有较好的分类准确率。