基于改进Faster RCNN的轮对踏面缺陷检测

针对目前传统图像处理算法对踏面缺陷检测存在效率不高、对环境鲁棒性不足等问题，本文提出基于改进Faster RCNN的踏面缺陷检测方法。改进的网络首先使用Resnet50作为特征提取网络，并在特征金字塔层（FPN）特征融合输出部分加入自注意力机制，加强了检测网络对小缺陷的检测能力，最后使用K-means++聚类算法对踏面缺陷数据集锚框进行聚类，并通过聚类结果定制出更适合轮对踏面缺陷的锚框。实验结果表明，改进后的Faster RCNN网络对轮对踏面缺陷检测的平均检测速度为68 ms,平均精度（mAP）达到了97.3%，对小目标缺陷的检测精度（mAPsmall）达到了39.3%。     

基于Inception-DLSTM双通道的滚动轴承故障诊断方法

卷积神经网络(CNN)对空间特征具有敏感性，而Inception相比CNN具备多尺度提取特征优势；长短时记忆网络(LSTM)对时间特征具有敏感性，而深层长短时记忆网络(DLSTM)比LSTM具备更深层次提取特征优势。为了多尺度充分提取滚动轴承振动信号在空间和时间上的特征，实现滚动轴承故障诊断，提出了一种Inception通道和DLSTM通道结合的Inception DLSTM双通道滚动轴承故障诊断模型。对于Inception通道，把轴承振动信号经过小波变换生成的时频图作为输入，利用Inception网络多尺度提取时频图的空间特征信息；对于DLSTM通道，直接把轴承振动信号作为输入，利用DLSTM网络充分提取信号的时间特征信息。然后把两个通道输出的特征信息连接成一个时空特征向量，最后利用分类器进行轴承故障诊断识别。对轴承故障数据进行对比实验可得，Inception DLSTM双通道的故障识别准确率可达100%，具备良好的故障诊断和特征提取能力。