基于深度卷积神经网络的视觉里程计研究

视觉里程计利用视频信息来估计相机运动的位姿参数,实现对智能体的定位。传统视觉里程计方法需要特征提取、特征匹配/跟踪、外点剔除、运动估计、优化等流程,解算非常复杂,因此,提出了基于卷积神经网络的方法来实现端对端的单目视觉里程计。借助卷积神经网络对彩色图片自动学习提取图像帧间变化的全局特征,将用于分类的卷积神经网络转化为帧间时序特征网络,通过三层全连接层输出相机的帧间相对位姿参数。在KITTI数据集上的实验结果表明,提出的Deep-CNN-VO模型可以较准确地估计车辆的运动轨迹,证明了方法的可行性。在简化了复杂模型的基础上,与传统的视觉里程计系统相比,该模型的精度也有所提高。     

样本不均衡时轴承故障的非平衡卷积网络诊断

为了提高样本不均衡条件下轴承故障诊断精度,提出了基于VAE-SNN的样本增广方法和基于非平衡损失网络的故障诊断方法。首先,使用变分自编码器用于数据生成,并依据孪生神经网络对生成数据的类别进行判定,实现了基于变分自编码器和孪生神经网络的样本增广;其次,分析了卷积神经网络无差别对待样本的缺点,针对不均衡样本的特殊性,提出了非平衡损失函数卷积网络,该网络能够自动关注数量少、难分的样本训练。经实验验证,生成对抗网络增广的样本相似度为0.847,孪生神经网络增广的样本相似度比对抗网络提高了6.61%,说明孪生神经网络的样本增广效果更好;在相同诊断方法前提下,样本增广后比增广前的准确率提高了9.42%,说明样本增广有利于提高轴承的故障诊断准确率;非均衡损失网络比卷积神经网络的诊断精度提高了7.17%,比自适应深度学习提高了4.12%,验证了非均衡损失网络的高准确率和优越性。     

基于谱相关密度和卷积神经网络的轴承故障诊断

针对短时傅里叶变换、小波变换等传统信号预处理方法易受噪声影响的问题,提出了一种基于谱相关密度和卷积神经网络的滚动轴承故障诊断方法(SCD-CNN)。首先,利用谱相关密度能有效抑制高斯噪声的优点,将一维振动信号转变为二维谱相关密度图,用于提高卷积神经网络输入信号的信噪比;然后,将谱相关密度图作为卷积神经网络的输入,通过二维卷积神经网络实现轴承故障特征提取和分类;最后,利用凯斯西储大学标准轴承数据集的试验结果表明,相对于STFT-CNN和CWT-CNN模型,SCD-CNN模型具有更高的故障识别准确率(98.97%)。另外,对SCD-CNN模型的诊断结果,不同阶段的特征图以及分类过程进行了可视化分析,探讨了SCD-CNN模型故障识别准确率提高的深层次原因。     

改进CNN的风力机叶片故障诊断方法

针对图像分辨率低的风力机叶片图像会导致故障诊断过程中精度和速度降低等问题,提出了一种基于小波变换、深度可分离卷积和卷积块注意力机制模块的轻量级改进VGG-19模型;使用DB4小波和基于形态学的增强技术来提高风力机叶片图像的质量,然后将VGG-19中的传统卷积层替换为深度可分离卷积层,以减少网络参数的数量并提高训练效率,最后引入卷积注意力机制模块（Convolutional Block Attention Module, CBAM）来提高风力机叶片故障诊断的准确性;研究结果表明：所提模型的准确率为93.91%,与其他传统卷积神经网络（Convolutional Neural Networks,CNN）模型LeNet、AlexNet、GoogleNet、ResNet-50和VGG-19相比分别提高了15.06%、8.57%、3.10%、-1.13%和7.13%;测试时间为每幅图像0.046秒,较传统CNN模型每幅图像分别减少了-0.004秒、-0.002秒、0.006秒、0.015秒和0.010秒的检测时间;该模型结构轻巧,相比于其他传统CNN具有更高的准确性和更快的检测速度。     

图像识别中的卷积神经网络应用研究

传统图像识别方法存在自适应能力弱的问题,如果待识别对象存在较大残缺或者其他外在噪声干扰,模型则无法获得理想结果.最早在图像处理中成功应用的深度学习是人工智能中非常重要的部分.在图像处理中,带有卷积结构的多层网络的卷积神经网络被加拿大教授及其小组成员提出并优化.在其过程有了突破性发展的情况下,利用卷积神经网络完成了图像识...     

基于强制特征适配的卷积抗噪模型的滚动轴承故障诊断

针对滚动轴承在噪声背景下的故障诊断研究不足的问题,提出一种基于卷积-注意力机制-强制特征适配(AMCNN-MFA)模型。卷积网络用于对振动信号进行高层特征提取,网络首尾加入通道注意力机制(CAM)用于动态分配特征通道的权重,过滤部分无效信息以减小干扰;强制特征适配(MFA)用于将原始样本和噪声样本中相同故障标签的特征进行领域重合,获取不变特征,实现了模型的适应噪声环境的能力。在不同轴承数据集中添加-10～10 dB噪声的测试集的试验结果表明：AMCNN-MFA模型的平均故障分类准确率高于96%且波动不超过0.4%,优于其他抗噪模型,具备较好的分类性能和鲁棒性,能够应对复杂噪声干扰场景下的滚动轴承故障诊断。     

迁移学习在热轧钢带表面缺陷分类中应用研究

为了提高热轧钢带表面缺陷分类的检测准确率和速度,同时鉴于热轧钢带缺陷的数据库规模较小,提出结合参数迁移学习的卷积神经网络模型,来解决少量样本导致网络过拟合和精度低的问题。使用源域的最优参数作为模型的参数初始化,节省训练的周期;构建训练目标域的神经网络模型,使用预训练模型网络中的参数和结构,对目标域进行特征迁移;进行finetune,结合inception-v3结构的全连接层映射到目标域所需要的特征向量维度。实验使用现有热轧钢带表面缺陷数据库中的图片,有6类缺陷。通过对比改进AlexNet模型和结合迁移学习的模型,在测试集的实验平均准确率分别约为96.6%,99.8%,分类效果优于传统视觉分类算法。并且在实验中观察到结合参数迁移学习的损失更小和权重收敛速度更快。     

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。     

基于一维CNN迁移学习的滚动轴承故障诊断

由于在工程实际中采集的故障振动数据分布不同且难以标记,使得卷积神经网络（convolutional neural network,简称CNN）在故障诊断过程中难以发挥最佳作用。针对此问题,提出了一种基于一维卷积神经网络迁移学习的滚动轴承故障诊断方法。首先,建立了可直接处理轴承振动信号的一维卷积神经网络模型并使用源域数据对其进行预训练;其次,利用最大均值差异（maximum mean discrepancy,简称MMD）度量源域和目标域在预训练模型中各层上的特征分布距离,并通过MMD判断卷积层和全连接层能否迁移,若不能迁移则使用初始化方式补全模型;最后,使用少量标记的目标域数据再次训练模型,进而对目标域故障数据进行分类辨识。利用故障轴承数据对方法有效性进行验证,结果显示,该方法在目标域只有少量标签的情况下能够实现变工况滚动轴承故障分类,并达到较高的诊断准确率。     

基于深度卷积神经网络的γ光子图像分类识别研究

通过对正电子探测成像技术获得的γ光子图像进行分类识别,有利于后续有针对性地快速获取图像所包含的有效信息。在MatConvNet上利用迁移学习的方法搭建深度卷积神经网络,通过对其参数的调整进一步提高网络分类识别的性能。为了验证网络性能,设计了10组不同形状的管材模型,利用仿真得到的扫描时间为1s的γ光子图像样本集对网络进行训练后,将其应用于扫描时间为0.1 s的γ光子图像样本进行分类识别,发现分类准确率在图像质量偏差、扫描时间为0.1 s的γ光子图像样本上仍然达到了94.72%。可见所搭建的深度卷积神经网络对γ光子图像具有很好的分类识别性能。     

基于卷积神经网络的增敏型光纤弯曲传感器

为了提高光纤弯曲传感器的灵敏度,增大线性范围,降低成本,本文提出一种基于深度神经网络分类塑料光纤弯曲角度及方向的方法。使用进行侧抛增敏处理的塑料光纤,在光纤输出端采集不同弯曲角度的散斑图。制作了包含五类弯曲角度的数据集一以及包含七类弯曲角度的数据集二,在预处理图像数据之后,利用多层卷积神经网络对散斑图像进行卷积和池化处理,得到散斑图像的特征图,softmax分类器用来得到分类准确率,最后对两种不同卷积神经网络模型的分类效果进行对比。结果显示:数据集一光纤弯曲的角度间隔为5°时分类准确率达到了96%,理论和实际分析结果表明该方案识别率较高,基于该方法有望实现一种简单、高效的光纤弯曲传感器。     

样本不均衡下的DCGAN轴承故障诊断方法

在实际工况下,轴承可采集到的故障样本分布往往呈现极强的不均衡特性,该特性对故障诊断精度具有不可忽略的影响。为提高样本不均衡情况下的轴承故障诊断精度,采用样本生成扩充的思路,提出一种基于深度卷积生成对抗网络的故障诊断方法。首先针对轴承振动数据信号的特性,采用快速傅里叶变换使其转化为频域,并通过归一化进行预处理;其次利用深度卷积生成对抗网络进行对抗训练,生成具有真实样本特征的虚拟样本。模型采用衰减学习率并增设Dropout层,提高了模型生成的效率及真实性。最后,构建一维卷积神经网络模型完成故障诊断。实验验证结果表明,提出的方法能有效提高样本不均衡情况下的诊断精度以及诊断稳定性。     

基于机器视觉和神经网络的低质量文本识别研究

针对流水线产品上的文本图片含有较多噪声和缺陷,造成机器视觉产品中字符识别准确率低,鲁棒性差的问题,对文本识别中的图像预处理、字符切分和归一化、字符识别等方面进行了研究,采用机器视觉技术中基于仿射变换的预处理方法对文本图片进行了倾斜校正,保证了后续字符的精确切分;提出了一种基于改进的BP神经网络算法,显著提高了字符识别的准确率和鲁棒性,利用附加动量法和自适应学习速率方法,避免了传统BP神经网络训练过程中易陷入局部极小值的情况,并提高了神经网络模型的收敛速度。研究结果表明:该方法能使倾斜的图片得到有效校正,神经网络模型的训练效率得到有效提高,且在含有噪声和缺陷的字符图片中仍能保持较高的识别率和鲁棒性。     

基于多尺度卷积神经网络的玻璃表面缺陷检测方法

卷积神经网络在图像处理中的应用越来越广泛,针对图像处理技术手段在玻璃生产表面缺陷有效检验,分析了基于卷积神经网络的机器学习原理与方法,提出一种基于多尺度卷积神经网络(MCNN)图像识别模型,将MCNN模型在玻璃表面缺陷识别中进行应用实践研究,通过采用不同的算法模型和分类器进行对比实验,并运用混淆矩阵和F1值来评估学习器性能。实验结果表明,所设计的MCNN均比传统卷积神经网络(CNN)识别方法的准确率较高,尤其是在划痕缺陷和杂质缺陷图像的识别准确率上提高了较大的幅度,F1值均提高了5.0%以上,在玻璃缺陷检测的整体识别准确率上较优。     

基于机器视觉的光伏电池板检测系统

光伏电池板生产过程中存在缺陷检测漏检、误检以及人工检测效率低的问题,容易造成二次损伤,为此提出一种基于机器视觉的光伏电池板检测系统。该系统使用图像预处理、图像去噪、图像分割以及特征提取等技术算法,采用卷积神经网络模型,通过交叉熵损失目标函数进行自主学习,提升检测的准确性。应用验证,该系统具有较高的检测效率和准确率,为企业带来提质、降本、增效的效果。     

基于ID3-CNN的旋转机械故障诊断研究

为解决旋转机械故障类型多、等级不均衡的故障诊断难题,构建了一种基于ID3决策树与卷积神经网络（ID3-CNN）的故障诊断模型。首先对原始信号进行人工时域特征提取,使用t-SNE降维可视化提取出特征混叠的故障,而后利用卷积运算对特征混叠的故障进行二次特征提取,提高模型的特征表达能力,最后使用ID3决策树和卷积神经网络对不同等级的故障进行分类。在轴承数据集上对模型进行了验证,结果表明,严重故障的诊断准确率达到100%,轻微故障的诊断准确率达到95%。与传统的支持向量机及二维卷积神经网络比较,提高了模型的诊断准确率及特征提取能力。     

结合多通道MTF和CNN的框架结构损伤识别方法

为提高复杂框架结构损伤识别的准确率,提出了一种基于多通道马尔可夫变迁场（multi-channel Markov transition field,简称MCMTF）和卷积神经网络（convolutional neural network,简称CNN）的框架结构损伤识别方法。首先,采用MCMTF理论将原始一维振动信号转换为二维图像,实现数据升维和多通道数据融合;其次,以MCMTF转换后的图像数据集作为输入训练CNN模型;最后,经调参优化自动提取损伤敏感特征,并实现损伤识别。将该方法应用于IASC-ASCE Benchmark框架结构数值模型及3层钢框架结构模型试验,对比研究了多通道MTF、单通道MTF和原始数据矩阵3种数据输入方式,CNN、长短时记忆（long short term memory,简称LSTM）神经网络和深度神经网络（deep neural network,简称DNN）3种网络模型,以及噪声对框架结构损伤识别准确率的影响。结果表明：MCMTF与CNN结合方法的损伤识别准确率最优且具有良好的鲁棒性,其对Benchmark框架数值模型模拟损伤的识别准确率可达94.4%,对3层...     

基于三级级联架构的接触网定位管开口销缺陷检测

针对高铁接触网定位管开口销在列车长期运行振动中容易松脱并且松脱样本数量匮乏的问题,本文提出一种基于深度卷积生成对抗网络(DCGAN),扩充缺陷样本集后,再训练卷积神经网络(CNN)检测开口销缺陷的三级级联架构。该架构首先采用中心点法提取训练需要的相同规格开口销图像。然后通过改进的DCGAN生成模拟缺陷样本,并搭建轻量级CNN网络对生成的模拟缺陷样本进行筛选。最后将添加了模拟缺陷样本的扩充缺陷样本集与正样本集输入优化后的VGG16卷积神经网络中,以训练分类模型,检测开口销缺陷。实验结果表明,本文所提方法检测接触网定位管开口销缺陷的准确率高达99%。     

基于分数阶微分的高光谱图像特征提取与分类

针对高光谱遥感图像的特征提取与地物分类,提出一种基于分数阶微分的高光谱图像特征提取方法,设计二维分数阶微分掩模提取高光谱图像的像素空间分数阶微分（SpaFD）特征,并提出一种空谱联合准则用于选取微分掩模阶数。为充分利用高光谱图像的空间特征与光谱特征,将SpaFD特征与原始特征直连融合获得SpaFD-Spe-Spa混合特征,并采用三维卷积神经网络（3DCNN）、先采用主成分分析（PCA）对像素光谱进行降维处理再送入三维卷积神经网络（3DCNNPCA）以及采用混合光谱网络（HybridSN）验证SpaFD-Spe-Spa混合特征的有效性。实验中分别采用3×3,5×5和7×7的分数阶微分掩模进行空间特征提取,4个真实高光谱图像的实验结果表明,所提取的SpaFD特征和SpaFDSpe-Spa特征可有效提升高光谱图像的地物分类精度,且SpaFD-Spe-Spa特征对地物分类准确率的提升更为明显：SpaFD特征相比原始特征在Indian Pines,Botswana,Pavia University和Salinas 4个数据上的分类识别率在最优情况下分别提升了3.87%,1.42%,2.41%和2...     

基于小波变换和Involution卷积神经网络的滚动轴承故障诊断方法

传统卷积神经网络在滚动轴承故障诊断中存在梯度扩散、参数爆炸和训练时间长等缺点,为此提出一种基于Involution卷积神经网络的滚动轴承故障诊断方法。首先,通过小波变换将原始数据转换为时频图,经过数据预处理后送入基于Involution的神经网络模型;然后,经过不同Convolution卷积核对原始图像的局部区域特征进行不同方式的提取,扩展输入图像通道数;最后,通过Involution对特征图的每个像素点进行进一步特征提取,经过softmax层输出分类结果。CWRU轴承数据集和试验轴承数据集的分析结果表明,基于Involution卷积的神经网络模型所包含的参数较少,训练时间短,故障分类准确率可达99.75%,优于传统的CNN,DBN,自编码器等模型。