基于Faster R-CNN的颜色导向火焰检测

基于深度特征的目标检测方法Faster R-CNN在火焰检测任务上存在检测效率低的问题,因此提出了基于颜色引导的抛锚策略。该策略设计火焰颜色模型来限制锚的生成,即利用火焰颜色约束锚的生成区域,从而减少了初始锚的数量,提升了计算效率。为了进一步提高网络的计算效率,将区域生成网络中的卷积层替换成掩膜卷积。为了验证所提方法的检测效果,采用BoWFire和Corsician数据集进行验证。实验结果表明,该方法实际检测速度相较于原Faster R-CNN提高了10.1%,BoWFire上该方法的火焰检测F值为0.87,Corsician上该方法的准确度可达99.33%。所提方法可以提高火焰检测的效率,并能够准确检测图像中的火焰。     

基于深度学习的大采高工作面矿压预测分析及模型泛化

综采工作面矿压显现的分析与预测对于复杂地质条件下工作面顶板管理,保证矿井生产安全具有重要意义。采用关系型数据库储存液压支架工作阻力数据以及利用工作面推进过程中矿压显现的时序特性,采用SQL语言,运用长短时记忆网络(Long Short Time Memory,LSTM)深度学习方法,以红庆河矿31101大采高综采工作面矿压规律为研究对象,对工作面支架工作阻力、支架不平衡力、支架安全阀开启情况及初次来压与周期来压等矿压显现规律进行分析;基于建立的数据库,预测了红庆河大采高工作面矿山压力,预测结果表明LSTM方法较BP神经网络预测更具准确性。为进一步讨论本研究采用的LSTM网络模型的泛化能力,在采用布尔台42103大采高工作面、上湾矿12401大采高工作面少量矿压数据的前提下,使用迁移学习方法,对矿压数据进行预测检验,结果表明:LSTM模型具有很好的泛化能力,相比于不使用迁移学习方法,迁移学习可提高模型的泛化能力。最后,探讨了模型在3个大采高工作面矿压预测表现的差别,发现数据量本身对模型预测行为影响较大,增大数据量可弥补原始数据缺失等问题。在预测模型基础上设计了周期来压预警模型,集成形成相应矿压分析与预警系统,经工程验证判定预警系统分析效果良好。     

基于近红外光谱技术的马铃薯叶片含水率高效预测

提出了运用近红外光谱技术检测新鲜马铃薯叶片中含水量的方法，并通过预测结果和运算量的对比得出一种高效率的预测方法。采集了900～2100 nm波段范围内110个新鲜马铃薯叶片的光谱反射率信息，经SG（Savitzky-Golay）平滑、多元散射校正（MSC）和标准正态变量变换（SNV）3种预处理后，分别建立偏最小二乘回归（PLSR）模型和BP神经网络模型，再运用回归系数（regression coefficients, RC）法在全波段光谱中提取特征波长，同样经3种预处理后分别建立预测模型。结果表明：在运用光谱全波段信息构建的模型中，经多元散射校正（MSC）预处理建立的BP神经网络模型预测效果最好，预测集决定系数R²为0.9791，均方根误差RMSE为0.3723；在基于特征波长构建的模型中，经SG平滑预处理建立的神经网络模型预测效果最优，预测集决定系数R²为0.9658，均方根误差RMSE为0.4759；验证了特征波段结合BP神经网络建立的模型与全波段建立的模型预测结果相差不大，因而能够极大地减少运算量，提高预测效率。     

云/边缘协同的轴承故障诊断方法

现有轴承故障诊断技术存在以下问题:①传统诊断方法需要人工提取特征,耗时长,诊断结果不稳定;②卷积神经网络诊断方法需要大量的计算资源和较长的训练时间,与故障诊断的实时响应要求存在矛盾。针对以上问题,提出一种云/边缘协同的实时轴承故障诊断方案。经过实验验证,该方案在拥有少量样本情况下与不进行云/边缘协同相比可大幅提高诊断准确率,并节约大量的训练时间。通过改进的轴承故障诊断算法达到了较高的故障诊断准确性,并通过模型的迁移学习与边缘端协同,增强了故障诊断算法对个性化应用的适应性和故障诊断的实时性。     

改进Elman神经网络在短期热负荷预测中的应用

热电厂的短期热负荷预测在城市集中供暖中起着至关重要的作用,直接影响热电厂的经济效益和热能利用率。电厂的短期热负荷一般采用神经网络预测模型进行预测,而BP神经网络应用最为广泛。Elman神经网络算法在BP神经网络基础上加入了承接层,作为一步延时算子,实现记忆能力,使系统具备适应时变能力,增强系统全局稳定性。但Elman神经网络算法模型的构造依然需要大量样本的支撑,而且输入层的变量多,导致预测时间依然很长,收敛速度慢。该文在Elman神经网络预测前,进行了相关系数预处理和对样本中异常值的平均化预处理,通过数据归一化运算,使Elman神经网络输入层变量大幅减少。仿真实验表明,改进的Elman神经网络算法使预测模型快速寻优,减少预测时间的同时明显提高预测精度。     

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。