一种基于深度学习的产品分类统计方法的研究

对于流水线上多类产品不规则混合放置条件下的统计问题,利用基于faster R-CNN和改进的深度卷积网络结合的图像识别方法,实现了对产品的在线分类计数。首先利用faster R-CNN方法获取图像中产品的位置信息,然后用改进的深度卷积网络对图像进行特征提取,将产品区域的位置信息映射到最后一层特征图上,再用ROI池化对产品区域特征进行尺度归一化,把归一化后的产品特征输入softmax分类器识别,从而实现了分类统计。实验结果表明,该方法能够在工业生产中实现多类混线产品在线自动分类统计。     

人工监督神经网络在煤层裂缝发育区识别中的应用

针对在地震属性应用中难以精细识别煤层裂缝发育区边界的难题,开展了基于人工监督神经网络技术的煤层裂缝发育区应用研究。从地震资料中获取倾角导向体以提取高质量的地震属性,以多属性为指导进行人工拾取样点,并基于多层感知器进行神经网络机器训练学习,建立裂缝的最优属性集,拓展整体数据后获得裂缝概率体,从而识别划分出煤层裂缝发育区。该技术在山西阳泉新元矿区进行了应用,煤层裂缝发育区的识别结果明显优于属性直接识别,但勘探区内暂无钻井资料,预测效果还有待进一步验证。     

高中化学学习过程中存在的问题及对策探索

探究学习各门学科知识,解决自己学习中遇到的问题,是高中生学习的主要目的。高中化学是一门综合性的学科,既需要理论的学习,更需要实验的学习,这就需要高中生有良好的学习方法,才能学好高中化学。怎么引导学生既能够学好理论,又有一定的化学实验基础,使学生掌握相对全面的化学知识,使得学生在今后的学习和实践中具备比较优秀的素质。     

浅谈计算机专业学生“学习高原”现象

随着教育事业的不断改进,我国知识教育已得到了突飞猛进的效果,各大院校的专业体系已逐渐完善,其中计算机专业在上世纪得到支持与发展,当下已成为我国大学教育的重要学科之一。但是在学习过程中"学习高原"现象已经严重影响学生的学习效率,因此及时有效的采取措施,正确看待"高原现象",使学习质量得到进一步改善,学习效果得到进一步提升,是每个高校需要重视的问题。本文从计算机专业学生出现"学习高原"现象的因素出发进行分析,探讨了相关的合理教学措施,旨在协助学生突破"高原现象",以进一步提高学习质量。     

自主性学习在小学美术教学中的运用

随着我国教育改革的不断推进,教师开始重视培养和提高学生的自主学习能力,引导学生自主学习和积累知识,使之形成良好的学习习惯,以提高课堂教学的有效性。在小学美术教学过程中,教师要加强培养学生的自主学习能力,全面落实以学生为课堂主体的教学理念,引导学生结合相应的美术资料学习美术知识,以促进学生美术综合素养的发展。     

基于卷积神经网络的葡萄叶片氮含量识别方法

为实现对葡萄叶片氮素含量快速、便捷的识别，在卷积神经网络VGG-16网络结构基础上，将数据增广后的图像按不同梯度划分进行模型训练，通过十折交叉验证法探究最佳的训练集与验证集分配比例，并构建4个不同深度的网络模型进行训练对比，采用全局平均池化代替全连接层约简网络参数量。训练结果表明，氮含量梯度设为0.70%、0.35%和0.175%时，室内简单背景识别准确率分别为85.9%、76.2%和71.1%；晴天室外复杂背景下识别准确率分别为44.6%、35.0%和30.4%。研究结果表明利用VGG-16建立的网络学习模型对葡萄叶片氮含量识别提供了一种新的便捷方法，对农业信息化和智能化技术应用具有一定促进作用。     

煤层底板水害三维监测与智能预警系统研究

针对华北型煤田煤层底板突水监测点覆盖不全、智能化水平不高等问题,以底板"下三带"理论为基础,提出集多频连续电法充水水源监测、"井-地-孔"联合微震采动底板破坏带监测以及监测大数据智能预警为一体的煤层底板突水三维监测与智能预警技术思路。其中多频连续电法监测系统以伪随机多频序列为人工场源,利用伪随机相关辨识技术提取强噪声背景中的弱信号,采用拟高斯-牛顿法对预处理数据进行三维电阻率反演,实现对煤层底板充水水源变化过程的自动化三维监测;"井-地-孔"联合微震监测系统主要通过研制带推靠的孔中传感器及回收装置,实现微震传感器"井-地-孔"三维立体布署,采用井下有线(IEEE1588)和地面无线(GPS)时钟同步方式解决地面与井下采集设备的时钟同步问题,建立起"井-地-孔"监测数据的实时传输网络,基于偏振分析联合反演的三分量定位算法,实现采动底板破坏深度时空精细定位与实时监测;智能预警系统利用时序大数据挖掘技术与计算机深度学习技术对电法、微震多元时序监测数据进行分析和处理,采用指标预警和模型预警方法对监测数据空间展布和预警级别以三视热力图形式输出,实时显示煤层底板各网格的预警等级,从而形成煤矿底板水害三维监测与智能预警技术体系。最后,以河北葛泉矿东井11916采煤工作面为应用对象,采用多频连续电法监测系统、"井-地-孔"联合微震监测系统,以及基于时空监测数据的智能预警系统对煤层底板岩溶水害进行三维监测与智能预警,为我国华北型煤田煤层底板水害监测预警提供了新的技术与装备支撑。     

基于深度一维残差卷积自编码网络的齿轮箱故障诊断

一维振动信号常常被用于齿轮箱的监测与故障诊断中,使得能及时地对齿轮箱维护以减少损失。因此,从一维振动信号中提取出关键故障特征决定了故障诊断模型的准确性与可靠性。典型的深度神经网络(deep neural network, DNN),如卷积神经网络已经在故障诊断中表现出良好的性能并得到了广泛的应用,但其监督式训练方式往往需要大量的标签数据而限制了其可应用性。因此,提出一种新的深度神经网络模型,一维残差卷积自编码器(1-dimension residual convolutional auto-encoder,1DRCAE),成功应用于振动信号的无监督学习及故障特征提取,显著提高了齿轮箱的故障诊断率。首先,提出了一维卷积层与自编码器的有效集成方法,形成了深度一维卷积自编码器;其次,引入残差学习机制训练一维卷积自编码器,实现对一维振动信号有效地特征提取;最后,基于编码器提取的特征,使用少量标签数据进行分类微调实现齿轮箱故障模式识别。通过齿轮箱试验台采集的传感器数据进行实验验证表明,这种无监督学习方法具有良好的去噪能力和故障特征提取能力,其特征提取效果好于典型的深度神经网络,如深度置信网络(Deepbeliefnetwork,DBN)和堆叠自编码网络(Stackedauto-encoders,SAE),同时故障诊断效果也优于一维卷积神经网络(1-dimension convolutional neural network, 1DCNN)。