基于LSTM-RNN的滚动轴承故障多标签分类方法

为了提高长短时记忆神经网络模型(long short-term memory recurrent neural network, 简称LSTM-RNN)对滚动轴承故障分类的正确率并减少训练样本量,提出一种基于多标签LSTM-RNN的滚动轴承故障分类方法。首先,建立滚动轴承故障信号仿真模型,分析滚动轴承故障仿真信号频谱特征及其故障分类特点;其次,结合多标签LSTM-RNN模型结构特点,对滚动轴承频谱特征向量进行编码,并利用仿真故障信号验证多标签LSTM-RNN分类方法的有效性;最后,搭建滚动轴承故障模拟试验台,采集3类转速不同故障类型滚动轴承故障振动信号,并采用3种特征提取方法得到共9组试验数据,基于该数据对多标签LSTM-RNN分类方法和单标签LSTM-RNN分类方法进行对比试验。试验结果表明：多标签LSTM-RNN分类方法相比于单标签LSTM-RNN分类方法,平均分类正确率从69.07%提高到99.21%;在保证两种分类方法正确率相近情况下,多标签LSTM-RNN分类方法训练所需样本量比单标签LSTM-RNN分类方法平均减少69.55%。多标签LSTM-RNN分类方法适用于复杂振动信号分类,对于实现快速准确的旋转机械故障诊断具有应用价值。     

基于融合门网络的图像理解算法设计与应用

为了提高图像理解(Image Captioning)的预测性能,设计了一种基于"融合门"的深度神经网络模型.该"融合门"网络模型基于编码器-解码器结构设计,是卷积神经网络与循环神经网络的融合.算法首先将输入图像通过VGGNet-16网络进行卷积,得到对应的4096维输出向量,然后将卷积后的输出向量与标注语句向量合并,作...     

基于卷积神经网络的物流货物图像分类研究

基于卷积神经网络(CNN)针对物流环境下货物的图像分类问题进行了研究.首先,在实际物流环境下收集了13种货物的ROI图像,并通过每隔10°旋转的方式来扩充数据集以防止过拟合现象的发生;然后,在考虑了实际硬件条件的情况下构建了轻量级CNN,并进行了基于自建数据集的训练,训练实验发现,轻量级CNN模型具有很快的收敛速度并在验证集取得了100％的准确率;最后,研究了旋转对货物图像分类性能的影响,并进行了可视化分析,验证了CNN对旋转操作基本不具备一致性.     

基于多尺度特征融合网络的多聚焦图像融合技术

多聚焦图像融合技术是为了突破传统相机景深的限制,将焦点不同的多幅图像合成一幅全聚焦图像,以获得更加全面的信息。以往基于空间域和基于变换域的方法,需要手动进行活动水平的测量和融合规则的设计,较为复杂。所提出的方法与传统的神经网络相比增加了提取浅层特征信息的部分,提高了分类准确率。将源图像输入训练好的多尺度特征网络中获得初始焦点图,然后对焦点图进行后处理,最后使用逐像素加权平均规则获得全聚焦融合图像。实验结果表明,本文方法融合而成的全聚焦图像清晰度高,保有细节丰富且失真度小,主、客观评价结果均优于其他方法。     

多标签分类的传统民族服饰纹样图像语义理解

针对当前图像多标签分类方法只关注图像本体类别信息(本体),而忽略图像深层次语义信息(隐义)的问题,本文提出了一种"本体-隐义"融合学习的图像多标签分类模型。该模型首先利用CNN中间层和较高层分别学习图像的本体信息和隐义信息,然后利用本体信息与隐义信息之间的依赖关系设计了融合学习模型,同时对提出模型的不同中间层特征和模型的不同结构进行了深入研究,最终实现了对图像中多类别以及各类别蕴含的隐义信息分类。在传统民族服饰纹样图像数据集上进行实验,得到图像本体多标签分类和隐义多标签分类的mAP分别为0.88和0.82;在Scene数据集上进行对比实验,本文模型在Hamming loss,One-error以及Average precision指标上分别优于其他最好方法0.103,0.091和0.083,实验结果证明了本文方法的有效性和优越性。     

基于深度学习方法的航空发动机寿命预测模型

为提高航空发动机剩余寿命（remaining useful life,简称RUL）预测能力,构建了一种注意力机制与长短期记忆网络（long short-term memory,简称LSTM）融合的深度学习模型。首先,分析多元高维的运行参数与RUL之间的协方差相关性,实现数据降维,优化模型权重;其次,利用运行参数的时序退化特性提高模型的回归预测效果。在NASA发动机数据集上实验的均方根误差（root mean square error,简称RMSE）范围为[4.83,13.66],与卷积神经网络（convolutionneuralnetworks,简称CNN）、LSTM和双向长短期记忆网络（bi-directionallongshort-term memory,简称Bi-LSTM）方法相比,极大地提高了预测的准确度,实现了超前预测。合并样本的方法提高了模型的泛化性,对不同类型的发动机RUL预测具有指导意义。     

多尺度密集连接注意力的红外与可见光图像融合

针对现有红外与可见光图像融合时,融合结果存在细节信息丢失、特征提取不足等问题,提出了一种多尺度密集连接注意力的红外与可见光图像融合深度学习网络模型。首先,设计多尺度卷积提取红外与可见光图像中不同尺度信息,增大感受野特征提取范围,克服了单一尺度特征提取不足的问题。然后,通过密集连接网络增强特征提取,并在编码子网络末端采用提出的可变形卷积注意力机制,密切联系全局上下文信息,增强对红外与可见光图像中重要特征信息的聚焦能力。最后,由全卷积层构成解码网络,重构生成融合图像。本文选取了六种图像融合客观评价指标,红外与可见光图像公开数据集融合实验结果表明：与其他8种方法相比,本文算法对比实验指标均有所提高,其中结构相似性（SSIM）、空间频率（SF）指标分别平均提高了0.26倍、0.45倍。所提方法的融合结果保留了更清晰的边缘及目标信息,具有更好的对比度和清晰度,在客观评价方面均优于对比方法。     

遥感图像云检测的多尺度融合分割网络方法

在进行可见光遥感图像高精度云检测时,云自身特征的多变性,以及地物与云之间的特征相似性,会降低检测精度。因此,提出一种带权重的多尺度融合分割网络云检测方法。首先,通过有云区域和无云区域的特征学习,降低对云状的敏感性,同时利用全卷积网络进行端到端训练,实现对每个像素点分类。该方法能够自动提取深层特征,并可将云的深层语义特征与浅层细节特征结合,不但有利于区分下垫面中与云特征相似的地物,还可提高云边缘检测效果,从而提升云量值的检测精度。与其他深度学习分割网络的实验比较分析表明,所提方法可以实现95. 39%的像素分类准确度,云量值检测误差优于1%,为解决遥感图像云污染问题提供了新的思路。     

融合多尺度图像的密集神经网络肺部肿瘤识别算法

针对CT模态医学图像采用卷积神经网络训练时的特征提取不充分、特征维度较高等问题,本文提出了基于融合多尺度图像的非负稀疏协同表示分类的密集神经网络肺部肿瘤(Multi Scale DenseNet-NSCR)的识别方法.第一,使用迁移学习将预训练密集神经网络模型初始化参数;第二,将肺部图像预处理,提取多尺度病灶ROI区域...     

通道注意力与残差级联的图像超分辨率重建

为了改善图像超分辨率重建的效果,针对很多超分辨率重建方法中忽略了特征通道间相关信息以及网络数据传递中信息丢失问题,提出了一种通道注意力与残差级联超分辨率重构网络.首先,对输入的低分辨率图像进行浅层的特征提取;随后,通过残差级联组提取深层特征,利用注意力模块自适应地对特征通道的权重进行校正,融合节点将残差级联组的输出特征...     

基于CNN的火炮身管全景图像疵病识别方法

针对火炮身管内膛疵病种类多、定性定量分析难和检测自动化程度低等问题,本文提出一种以卷积神经网络为基础的疵病识别方法。首先,对全景图像进行预处理,主要包括全景展开、光照强度调整、膛线去除等;其次,通过最优阈值法对图像进行二值化处理,并利用四连通域法提取疵病区域;最后,采用卷积神经网络对疵病进行自动的分类识别。实验结果表明,该方法能有效避免人工疵病特征提取和人工特征描述计算等复杂步骤,实现了"采集-识别-判定"全过程的自动运行,真正实现了窥膛检测的自动化,身管疵病的识别率超过92%,识别准确率远高于基于统计学原理及支持向量机的分类方式,具有较高的准确性,为火炮身管修复及寿命预估等奠定了坚实的基础。     

Dilated and soft attention-guided convolutional neural network for breast cancer histology images classification

Breast cancer is one of the most common types of cancer in women, and histopathological imaging is considered the gold standard for its diagnosis. However, the great complexity of histopathological images and the considerable workload make this work extremely time-consuming, and the results may be affected by the subjectivity of the pathologist. Therefore, the development of an accurate, automated method for analysis of histopathological images is critical to this field. In this article, we propose a deep learning method guided by the attention mechanism for fast and effective classification of haematoxylin and eosin-stained breast biopsy images. First, this method takes advantage of DenseNet and uses the feature map's information. Second, we introduce dilated convolution to produce a larger receptive field. Finally, spatial attention and channel attention are used to guide the extraction of the most useful visual features. With the use of fivefold cross-validation, the best model obtained an accuracy of 96.47% on the BACH2018 dataset. We also evaluated our method on other datasets, and the experimental results demonstrated that our model has reliable performance. This study indicates that our histopathological image classifier with a soft attention-guided deep learning model for breast cancer shows significantly better results than the latest methods. It has great potential as an effective tool for automatic evaluation of digital histopathological microscopic images for computer-aided diagnosis.     

代价敏感卷积神经网络：一种机械故障数据不平衡分类方法

机械设备实际工作过程中正常样本丰富、故障样本匮乏,卷积神经网络在处理这种分布不平衡的数据时对少数类的识别率很低。为解决上述问题,提出一种代价敏感卷积神经网络,首先经过多层卷积和池化运算学习原始监测数据中的机械设备本征性能状态知识;其次通过全连接层将本征性能状态知识映射为机械设备健康状态;最后利用代价敏感损失函数为少数类样本赋予较大的误分类代价,实现对不平衡的机械故障数据的有效分类。为验证所提方法的有效性,使用具有不同不平衡比的刀具数据集和轴承数据集,利用代价敏感卷积神经网络以及主流的分类算法分别测试其对于不平衡数据的分类性能。实验结果表明,所提方法对不平衡数据集中的少数类样本识别率相对于传统卷积神经网络提升了22%以上。     

一种用于故障分类与预测的多任务特征共享神经网络

智能故障诊断与预测技术在工业实际中得到了广泛地应用,但仍存在以下局限性:1)将不同退化程度的同类型故障作为多种不同的故障模式进行分类识别,脱离了工程应用的实际; 2)基于特定数据训练的诊断模型工况泛化能力差。针对上述问题,提出一种多任务特征共享神经网络,并将其应用于轴承的智能故障诊断与预测。首先,利用卷积神经网络(CNN)构建自适应特征提取器,从原始振动信号中提取深层次特征;其次,同时建立分类与预测的多任务特征共享诊断模型,实现故障类型分类以及故障尺寸预测。最后,通过凯斯西储大学轴承数据集验证了所提方法。试验结果表明:所提方法不但能同时实现对故障类型的分类以及故障尺寸的预测,而且具有较强的工况泛化能力。     

Application of convolutional neural network to acquisition of clear images for objects with large vertical size in stereo light microscope vision system

For an object with large vertical size that exceeds the certain depth of a stereo light microscope (SLM), its image will be blurred. To obtain clear images, we proposed an image fusion method based on the convolutional neural network (CNN) for the microscopic image sequence. The CNN was designed to discriminate clear and blurred pixels in the source images according to the neighborhood information. To train the CNN, a training set that contained correctly labeled clear and blurred images was created from an open‐access database. The image sequence to be fused was aligned at first. The trained CNN was then used to measure the activity level of each pixel in the aligned source images. The fused image was obtained by taking the pixels with the highest activity levels in the source image sequence. The performance was evaluated using five microscopic image sequences. Compared with other two fusion methods, the proposed method obtained better performance in terms of both visual quality and objective assessment. It is suitable for fusion of the SLM image sequence.     

基于深度卷积神经网络的车标分类

基于深度学习框架Caffe和具有强大计算能力的GPU,运用深度神经网络AlexNet和GoogleNet,对具有不同背景的汽车图像进行网络训练,以达到车辆自动识别的目的。分别对4类车标进行网络训练与测试,实验结果表明,在图像识别分类方面,与传统识别方法相比,深度卷积神经网络更具优势。     

基于迁移学习的VGG-16网络芯片图像分类

针对芯片图像分类过程中图像数量过少、需要大量人工标注以及效率低的问题,提出一种基于迁移学习的VGG-16网络芯片图像分类方法。该方法通过VGG-16网络直接从原始像素中自动学习图像特征,有效减少人工标注的成本,同时对比了VGG-16网络模型和基于迁移学习的VGG-16网络模型的准确率及其混淆矩阵。实验结果表明,所提出的基于迁移学习的VGG-16网络模型对芯片图像分类效果要优于原VGG-16网络模型。     

Microscopic segmentation and classification of COVID-19 infection with ensemble convolutional neural network

The detection of biological RNA from sputum has a comparatively poor positive rate in the initial/early stages of discovering COVID-19, as per the World Health Organization. It has a different morphological structure as compared to healthy images, manifested by computer tomography (CT). COVID-19 diagnosis at an early stage can aid in the timely cure of patients, lowering the mortality rate. In this reported research, three-phase model is proposed for COVID-19 detection. In Phase I, noise is removed from CT images using a denoise convolutional neural network (DnCNN). In the Phase II, the actual lesion region is segmented from the enhanced CT images by using deeplabv3 and ResNet-18. In Phase III, segmented images are passed to the stack sparse autoencoder (SSAE) deep learning model having two stack auto-encoders (SAE) with the selected hidden layers. The designed SSAE model is based on both SAE and softmax layers for COVID19 classification. The proposed method is evaluated on actual patient data of Pakistan Ordinance Factories and other public benchmark data sets with different scanners/mediums. The proposed method achieved global segmentation accuracy of 0.96 and 0.97 for classification.     

ART2神经网络辨识发酵过程的不同阶段

传统划分菌体生长时期是建立在菌体浓度的基础上，并未考虑菌体生长过程中的影响因素。本文在分析菌体生长过程的基础上，建立了ART2神经网络来实时判断菌体所处的生长阶段。模型的特征向量采用菌体浓度以及反映菌体生长状况的呼吸参数和其所处的环境因素参数。实验表明，该方法能准确地判断菌体所处的生长阶段。     

采用深度级联卷积神经网络的三维点云识别与分割

三维目标识别和模型语义分割在自动驾驶、机器人导航、3D打印和智能交通等领域均有着广泛应用。针对PointNet++未能结合三维模型的上下文几何结构信息的问题,提出一种采用深度级联卷积神经网络的三维点云识别与分割方法。首先,通过构建深度动态图卷积神经网络捕捉点云的深层语义几何特征;其次,通过将深度动态图卷积神经网络作为深度级联卷积神经网络的子网络递归地应用于输入点集的嵌套分区,以充分挖掘三维模型的深层细粒度几何特征;最后,针对点集特征学习中的点云采样不均匀问题,构建一种密度自适应层,利用循环神经网络编码每个采样点的多尺度邻域特征以捕捉上下文细粒度几何特征。实验结果表明,本算法在三维目标识别数据集ModelNet40和MoelNet10上的识别准确率分别为91.9%和94.3%,在语义分割数据集ShapeNet Part,S3DIS和vKITTI上的平均交并比分别为85.6%,58.3%和38.6%。该算法能够提高三维点云目标识别和模型语义分割的准确率,且具有较高的鲁棒性。