基于改进卷积神经网络的燃气调压器故障识别研究

针对传统故障识别方法不仅过分依赖专家经验对故障特征进行提取且识别准确率不高的问题,在深度学习理论基础上,提出了一种将一维卷积神经网络与SVM分类器相结合的改进深度卷积神经网络,实现调压器“端到端”的故障识别。首先,介绍了传统卷积神经网络结构;其次,将改进后的一维卷积神经网络与SVM相结合,提出了基于1-MsCNN-SVM算法的调压器故障识别模型,并对模型的组成部分进行了介绍;然后,通过对比实验确定了模型的卷积核长度和卷积层组数;最后,为验证模型的有效性,基于燃气调压器故障数据集,开展了燃气调压器故障识别研究。研究结果表明,改进后的1-MsCNN-SVM算法故障识别准确率高达99.20%,模型具有较好的分类准确率。     

CNN融合PCA-DT模型的金属缺陷识别研究

针对金属缺陷识别分类,传统机器学习需要人工提取特征,而深度学习需要大量样本的问题,本文针对中小规模缺陷数据集提出了一种基于浅层的卷积神经网络（CNN）和决策树（DT）的金属缺陷分类方法。利用卷积神经网络提取特征,通过决策树分类,实现缺陷分类。引入主成分分析（PCA）方法对特征向量降维,减小过拟合并提升算法识别分类效率。为验证本文方法的通用性,除图像缺陷数据外还引入非图像缺陷数据。实验结果表明,本文方法除了能分类图像缺陷也能分类非图像缺陷,且在识别率等3个评价指标上本文方法优于传统机器学习方法,与深度学习方法持平,但在分类消耗时间上少于深度学习。     

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。     

一维多尺度卷积神经网络及其在滚动轴承故障诊断中的应用

为了有效利用来自实际生产中监测系统的海量数据,并结合一维卷积网络在处理一维数据的优势,提出一种端到端的一维多尺度卷积神经网络滚动轴承故障诊断方法。首先使用两个一维卷积层和池化层将输入振动信号的长度缩减并增加通道数,然后利用多尺度并行一维卷积核对上层输出特征进行不同尺度上的反复提取和重构,最后将提取到的特征输入到一个全连接层进行故障分类。为验证算法的有效性,通过对滚动轴承不同工况、不同训练样本以及与支持向量机、BP神经网络和循环神经网络等算法对比分析。结果表明提出的模型及方法具有较好的识别效果,滚动轴承故障诊断正确率达到99.78%。     

多模深度卷积神经网络应用于视频表情识别

由于视频中的手工特征和主观情感之间的直接相关性很小,识别视频序列中的面部表情是一项很有挑战性的任务,为了克服这个缺陷,有效提高视频中的人脸表情识别性能。本方法采用两个深度卷积神经网络,即空间卷积神经网络和时间卷积神经网络,用于视频中的时空表情特征学习。其中,空间卷积神经网络用于提取视频中每一帧静态的表情图像的空间信息特征,而时间卷积神经网络用于从视频中多帧表情图像的光流信息中提取动态信息特征。然后,将这两个深度卷积神经网络学习到的时空特征进行基于深度信念网络(DBN)的特征层融合,输入到支持向量机实现视频中的人脸表情分类任务。在公共的RML和BAUM-1s视频情感数据集的测试结果表明,该方法分别取得了71.06%和52.18%的正确识别率,明显优于现有文献报导的结果。多模深度卷积神经网络的人脸表情识别方法能提高视频中人脸表情的识别性能。     

基于四元数时空卷积神经网络的人体行为识别

传统卷积神经网络(CNN)只适用于灰度图像或彩色图像分通道的特征提取,忽视了通道间的空间依赖性,破坏了真实环境的颜色特征,从而影响人体行为识别的准确率。为了解决上述问题,提出一种基于四元数时空卷积神经网络(QST-CNN)的人体行为识别方法。首先,采用码本算法预处理样本集所有图像,提取图像中人体运动的关键区域;然后将彩色图像的四元数矩阵形式作为网络的输入,并将CNN的空间卷积层扩展为四元数空间卷积层,将彩色图像的红、绿、蓝通道看作一个整体进行动作空间特征的提取,并在时间卷积层提取相邻帧的动态信息;最后,比较QST-CNN、灰度单通道CNN(Gray-CNN)和RGB 3通道CNN(3Channel-CNN)3种方法的识别率。实验结果表明,所提方法优于其他流行方法,在Weizmann和UCF sports数据集分别取得了85.34%和80.2%的识别率。     

基于关键帧的轻量化行为识别方法研究

针对目前双流卷积神经网络通常使用堆叠RGB帧和光流图分别提取视频的表观信息和运动信息,存在信息冗余和计算复杂度高的问题,基于时域分割网络提出了一种结合光流图、差分图像和并行卷积神经网络的行为识别算法。首先通过分析行为视频中存在的运动模糊现象,设计了一种基于图像特征量的关键帧选取算法,同时构建了一个包含表观信息流和运动信息流的改进时域分割网络,将关键帧RGB图像、非关键帧光流图像和差分图像并行地输入特征提取网络计算分类得分,最后将关键帧与非关键帧的行为类别得分进行平均融合后输入SoftMax层得到视频类别概率。为进一步降低算法的参数量和计算复杂度,设计了一种轻量化卷积神经网络作为特征提取网络。本文算法在UCF101数据集的识别准确率为94.7%,在HMDB51数据集的识别准确率为69.3%,推理速度相比于时域分割网络快了45.3%。实验结果表明,该算法能够高效利用视频的表观信息和运动信息,且具有较高的行为识别准确率。     

基于分布适配层和软标签学习的齿轮故障诊断

基于卷积神经网络的齿轮智能识别算法能有效地识别齿轮故障,但卷积神经网络需要大量的已标注训练数据,制约了卷积神经网络在齿轮故障诊断上的应用。针对该问题,提出了基于分布适配层和软标签学习的齿轮故障诊断方法。采用卷积神经网络提取特征和软标签;通过分布适配层提取分布差异,软标签学习生成软标签损失;以分布差异、软标签损失与分类损失生成的联合损失为目标函数,训练模型并进行目标域故障诊断。采用齿轮振动信号验证了提出方法,结果表明,提出方法能准确有效地分类齿轮故障数据。     

基于卷积神经网络的铁谱磨粒智能识别研究

针对传统的计算机磨粒识别方法对相似度高的严重滑动磨粒和疲劳磨粒存在识别过程复杂、识别准确率低等问题,提出利用卷积神经网络(Convolution Neural Network,CNN)自动提取铁谱磨粒图像的特征,再将提取到的特征传入全局平均池化层和新的全连接层进行训练分类的铁谱磨粒智能识别方法。试验显示,基于卷积神经网络模型Inception-v3+1FCL和迁移学习方法可以有效地对严重滑动磨粒和疲劳磨粒进行分类识别,准确率高达89. 35%。     

基于Attention-CGDNN模型的滚动轴承故障诊断方法

针对传统轴承故障诊断方法依赖人工进行特征提取时效率低且难以处理大规模数据等问题,将卷积长短时深度神经网络(CLDNN)引入轴承故障诊断并进行改进,提出一种基于注意力机制的卷积门控深度神经网络(Attention-CGDNN)的滚动轴承故障诊断模型,该模型将卷积神经网络、门控循环单元和全连接神经网络有效融合以实现滚动轴承信号特征提取,并加入注意力机制使网络更专注于重要特征,最后通过Softmax分类算法实现滚动轴承故障诊断。采用CWRU和XJTY-SY轴承数据集的验证结果表明,Attention-CGDNN模型具有训练参数少,训练难度小,收敛速度快和识别精度高的特点,特征提取能力更强,故障诊断性能优于传统模型。     

基于多特征卷积神经网路的运动想象脑电信号分析及意图识别

为了准确提取个体运动想象脑电信号的最优时段和频段特征以及有效提高其分类准确率,结合卷积神经网络和集成分类方法提出一种多特征卷积神经网络(MFCNN)算法,对运动想象脑电信号进行分类识别。首先对脑电信号进行预处理,然后将原始信号、能量特征、功率谱特征以及融合特征分别输入到卷积神经网络中得到其训练模型,最后通过加权投票的集成分类方法得到最终的分类结果。并利用2008年BCI竞赛Datasets 2b数据集和实测数据对所提出的方法进行实验分析。结果表明,所提的MFCNN方法可有效提高运动想象识别率,实验中所有受试者的平均分类正确率和平均Kappa值分别为78.6%和0.57,为运动想象类脑机接口的应用提供了新的思路和方法。     

基于改进的Faster R-CNN算法的机械零件图像识别

在传统的Faster R-CNN网络结构中减少原有的卷积层数,同时加入Inception结构层,提出一种基于Faster RCNN的零件识别的改进算法。该算法在保证不增加网络参数和计算量的前提下,增加深度和网络结构复杂度,进一步有效地提取图像的特征。结果表明:通过自制机械零件图像数据集,将传统Faster R-CNN与改进后的Faster R-CNN算法均成功应用于机械零件图像识别。与传统Faster R-CNN相比,基于改进后的Faster R-CNN深度学习算法识别机械零件的识别精度和准确度均更高。     

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。     

基于VGG16模型的快速闭环检测算法

深度卷积神经网络在图像特征表示方面优于传统手工特征,将其用于闭环检测时还存在计算时间随着数据增长不断增加的问题。为了解决这一问题,提出了一种基于VGG16模型的快速闭环检测算法。该算法使用在ImageNet上预训练的VGG16网络模型提取图像卷积特征,并通过一种自适应粒子滤波方法得到闭环候选帧,以固定运算时间。在主流的闭环检测数据集City Centre和New College上对此算法进行测试,实验结果显示,该算法在两个数据集上可以分别达到92%准确率下70%召回率和96%准确率下61%召回率,超过了同类算法,并有效解决了计算时间增长的问题。     

采用优化卷积神经网络的红外目标识别系统

针对视频数据利用低效和光测设备目标识别能力较弱的问题,提出一种使用海量视频数据建立数据库进而构建红外目标识别系统的方法。首先设计快速红外目标检测算法,提取目标并分类建立数据库;然后结合特定任务建立一组较匹配且结构不同的卷积神经网络,并提出基于测试准确度均值统计分析和参数规模的选型策略,选出泛化能力较好且结构简单的卷积神经网络以及适当的训练轮数;最后加载优选模型及其参数作为分类器,与检测器结合实现红外目标特征事件实时检测分类。仿真结果表明,目标分类准确率均值可达95%以上,速率约为50 pixel/s。卷积神经网络结构的设计和选型策略有效,构建的系统可以满足红外目标识别的精度和实时性要求。     

基于改进BP算法在深度神经网络学习中的研究

深度学习能够使包含多个处理层的计算模型去学习含有多层次抽象表示的数据。这种学习方式在最先进的语音识别、视觉物体识别、物体检测以及许多其它领域,比如生物基因学和医学等都带来了明显的改善。深度学习能够发现大数据中的复杂结构,而卷积神经网络作为深度学习的重要模型之一在处理语音、图像、视频和文本等方面带来了新的突破。它是利用BP算法来引导机器如何从前一层获取误差来调整本层的参数,从而使这些参数更有利于模型的计算。针对传统BP算法存在的收敛速度慢、常陷入局部极小点的不足,提出了一种快速的BP改进算法。利用改进后的卷积神经网络分别在数据集MNIST、英文字符识别以及医学图像中做实验验证,仿真结果表明了该算法的有效性。     

基于格拉姆角场和CNN-RNN的滚动轴承故障诊断方法

针对卷积神经网络难以处理时间序列数据和循环神经网络难以提取数据深层特征的问题,提出了一种基于深度卷积网络和循环神经网络相结合的滚动轴承故障诊断方法.首先,使用格拉姆角场(GAF)编码将一维轴承振动信号构造为时序图像并划分为训练集、验证集和测试集;然后,将训练集和验证集输入VGG16模型进行特征提取,将提取到的特征输入R...     

基于改进深度卷积网络的铁路入侵行人分类算法

异物侵入铁路限界严重影响行车安全,识别铁路限界内的人员侵入对保证铁路运营安全具有重要意义。由于既有铁路图像异物侵入检测系统只能检测报警图像,无法区分是人员侵入的正确报警还是光线干扰导致的误报警,为了降低上述误报警,本文建立了铁路异物侵限报警样本的训练集和测试集,提出了将改进的深度卷积网络提取的高层Alex特征和HOG特征相结合并用于深度卷积网络模型训练的分类算法。首先引入了改进的AlexNet深度卷积神经网络模型,提取了自动学习的Alex高层特征,然后将其与HOG特征相结合形成Alex-HOG组合特征,最后利用组合特征对分类网络进行训练。铁路异物侵限报警测试样本库的实验表明,该方法对1 498张测试样本图像的识别准确率高达98.46%,时间为3.78s,实时性和准确率均有较大提高,对降低系统误报率具有重大意义。     

基于集成卷积神经网络的行星齿轮智能诊断方法

针对行星齿轮箱故障振动特征需要预处理、识别困难以及诊断模型收敛速度较慢的问题,提出基于集成卷积神经网络的行星齿轮箱智能故障诊断方法。首先,采用一维卷积对齿轮的原始时域振动信号提取特征,之后通过采用两个弱分类器,根据弱分类学习错误率的性能更新样本权重,调整权重后根据训练集训练弱分类器。重复此过程,最后通过设置策略整合弱分类器,形成集成卷积神经网络;建立一个稳定用于行星齿轮箱的智能故障诊断的模型。实验结果表明：集成卷积神经网络能很好地对行星齿轮原始振动信号进行快速诊断。相对于传统卷积神经网络对齿轮原始时域振动故障信号的诊断具有更强的辨识能力和更快的收敛速度;所建立的智能诊断模型可以有效地诊断齿轮不同的故障状态。     

基于SCNN-ELM模型的手机外壳缺陷检测方法研究

针对现有方法在手机外壳缺陷检测过程中存在耗时长、准确率低和需要手工提取特征等问题,提出了一种基于空间金字塔池的卷积神经网络与极限学习机相结合的缺陷检测方法。首先,在经典卷积神经网络AlexNet中引入空间金字塔池化,作为网络结构的最后一层池化层,构建特征提取模型并进行模型的预训练。使得不同维度的图片可以输入网络,更完整地提取原始图片的特征信息。然后,在检测阶段,用极限学习机对训练模型提取的特征进行缺陷分类检测。实验过程中,对2400张三种不同类型手机外壳缺陷图片测试集进行检测,获得98%以上的检测精度。结果表明:所提方法能够实现特征的自动提取,有效检测出缺陷类型,检测精度相对于传统卷积神经网络提高了5%左右。