基于改进降噪自编码器半监督学习模型的热轧带钢水梁印识别算法

针对水梁印识别困难且工作量大问题,提出一种基于改进降噪自编码器半监督学习模型的热轧带钢水梁印识别算法。该算法在降噪自编码器（Denoising auto-encoder, DAE）的基础上对编码层的每一层添加随机噪声,在隐藏层后添加分类层,并对数据添加伪标签,在解码的同时进行分类训练,使得DAE具有半监督学习能力。通过提取热轧带钢粗轧出口温度数据中的温差特征,用相应特征对模型进行训练。实验结果表明,算法能够准确识别出带钢的水梁印,在模型精确度上,与主流分类识别模型对比,提出的模型在带标签样本数量较小时,分类精度相比其他模型高5.0%～10.0%;在带标签样本数量较大时,提出的模型分类精度达到93.8%,现场能够根据模型的识别结果提高生产效率。      

基于SE注意力机制的废钢分类评级方法

为了解决传统人工方法对废钢分类评级人为因素干扰大且效率低下等问题,提出基于挤压?激励（Squeeze?Excitation,SE）注意力机制构建废钢分类评级的深度学习网络模型,并对采集到的废钢卸载过程图像进行模型训练和验证。首先,搭建物理尺寸比例为1∶3废钢质量查验物理模型,采用高分辨率视觉传感器模拟采集货车卸载废钢作业场景下不同废钢的形貌特征;然后,对采集到的废钢图像使用跨阶段局部网络进行特征提取,利用空间金字塔结构解决特征丢失问题,采用注意力机制关注通道间的相关性;最后,在包含7个标签分类的两个数据集进行模型训练与验证。实验表明:该模型能够有效地对不同级别的废钢进行自动评级判定,全类别准确率达到83.7%,全类别平均精度为88.8%,在准确性方面相比于传统人工验质方法具有显著优势,解决了废钢入库过程中质量评价的公正性难题。      

基于红外图像的矿石传送带托辊异常检测

为了解决传统的传送带托辊异常检测方法效率低、实时性差等问题,提出一种基于红外图像识别的托辊异常检测模型。通过现场采集并使用标签平滑和Mosaic数据增强处理对托辊红外图像数据集进行扩充,降低模型的训练成本。在特征提取模块提出使用GhostNet骨干特征提取网络,能够有效地降低特征提取所需成本。在特征融合模块,提出使用SPP-Net模块优化PaNet特征融合网络,增加模型的感受野。通过深度可分离卷积块简化模型结构,降低模型的计算量和参数量,并通过LeakyReLU激活函数提高模型的学习能力。试验结果表明：该检测模型能够有效识别托辊异常。在实际检测中,该方法在托辊检测中平均准确率达到94.9%,检测速度达到39.2 FPS,为矿山传送带托辊的准确高效巡检提供了保障。     

基于脑电多视图混合神经网络的时空半监督睡眠分期

睡眠分期是评价睡眠质量的必要基础,现阶段的工作大部分采用全监督学习和单一维度视图信息进行,这不仅需要技师进行大量的睡眠数据标注,还可能因特征提取不充分而导致分期准确率受限的问题。利用半监督学习策略,实现对脑电无标注数据的学习。提出一种多视图混合神经网络,首先用多通道视图时频域机制分别提取时域信号特征和空域信号特征,实现多视图特征提取;再通过注意力机制加强对显著性特征的提取;最后将上述混合特征融合并分类。在三个公开数据集和一个私有数据集中与全监督学习进行了对比评估,半监督学习取得平均准确率为81.0%,卡帕值为73.2%。结果表明,本文模型可以与全监督学习的睡眠分期模型相媲美,同时显著减少技师标注数据的工作量。      

基于循环神经网络的板形模式识别模型

板形模式识别是板形控制关键一环。传统的板形模式识别模型存在识别精度差、抗干扰能力差等缺点。随着数据回归任务复杂程度的增加,以深度学习为基础的深度神经网络已经大量用于数据分类、图像处理、模式识别、特征提取等任务。深度学习可通过学习一种深层非线性网络结构,实现复杂函数逼近。基于这一背景提出了基于循环神经网络RNN的板形模式识别模型。结果表明,基于RNN的板形模式识别模型可以完成板形的大数据训练,模型的识别精度和泛化能力都很高,为进一步提高板形控制精度提供了新方法。     

基于Mask RCNN的矿仓入料口

针对矿仓入料口堵塞矿石识别过程中现场工况环境复杂、矿石识别检测难度大等问题,采用深度学习和图像处理技术开展矿石智能识别检测的研究,提出基于Mask RCNN的矿石识别检测方法。该方法可以实现对矿石识别的同时进行实例分割,并提出利用矿石轮廓的形心坐标取代Mask RCNN中的外接矩形框定位方法,有效解决矿石定位不精确的问题。实验结果表明:基于Mask RCNN网络的矿石识别模型可以实现对多种数量、不同位姿以及堆叠的矿石精准识别,综合准确率达到97.6%,采用矿石轮廓形心坐标的定位方式可以有效避免因矿石形状和位姿而带来的定位误差,为智能清堵机械手提供精确的视觉引导。      

一种改进的最大相关最小冗余选择性贝叶斯分类器

利用K均值聚类和增量学习算法扩大训练样本规模,提出一种改进的mRMR SBC.一方面,利用K均值聚类预测测试样本的类标签,将已标记的测试样本添加到训练集中,并在属性选择过程中引入一个调节因子以降低K均值聚类误标记带来的风险.另一方面,从测试样本集中选择有助于提高当前分类器精度的实例,把它加入到训练集中,来增量地修正贝叶斯分类器的参数.实验结果表明,与mRMR SBC相比,所提方法具有较好的分类效果,适于解决高维且含有较少类标签的数据集分类问题.      

基于支持向量机算法的连铸坯端面信息码识别方法

针对传统的连铸坯端面信息码人工识别存在的受生产现场环境和人为操作因素影响大且易出错的问题,提出了基于支持向量机算法的连铸坯端面信息码识别方法.该方法使用Python语言,利用滑动窗口从采集的图像中抽取对象,进而对数据集样本进行训练,通过使用滑动窗口物体检测算法和支持向量机分类器模型,完成对连铸坯端面信息码的智能识别.详...     

基于深度核与多核联合学习的镀层质量评估系统

针对传统核学习方法在处理复杂非线性数据存在过拟合和分类精度不高等问题，影响对镀层质量评估的准确性，提出基于深度核学习(deep kernel learning, DKL)与多核学习(multiple kernel learning, MKL)双向促进的联合学习方法，将多核方法组合深度自编码器(stack auto encoder, SAE)的输入层、最高编码层与最高解码层网络建模，获得更全面的信息。同时，将深度核以非线性乘积方式融入到高斯多核的优化训练中，形成非线性组合核。通过大量基准数据集和实际工业数据试验表明，本联合方法取得了最高的分类精度，验证了其对复杂时变镀锌过程的自适应性，大幅提高了镀层质量评估的准确性。     

面向材料数据的主动回归学习方法

材料的生产环境和测量条件不同,导致用于机器学习的材料数据的噪声较大.对材料数据进行标注需要一定的专业知识和专业技能,因此标注成本也相对较高.这两方面的因素给机器学习应用于材料领域带来了巨大挑战.为应对这个挑战,提出了一个主动回归学习方法,由离群点检测模块、贪婪采样模块和最小变化采样模块组成.同其他主动学习方法相比,该方法整合了离群点检测机制,选取高质量样本的同时有效地排除了噪声数据的影响,避免了沉没成本.在公开数据集和非公开数据集上与最新的主动回归学习方法进行了对比实验,实验结果表明本文方法在相同的数据量下训练的任务模型性能指标相比于其他模型平均提高15%,且只需30%～40%的数据量作为训练集就可以达到甚至超过使用全部数据训练任务模型的精度.     

基于深度学习的辊道电机故障诊断分析方法

为了避免电机频繁无预警停机,机电设备诊断分析是一项非常重要的任务。针对辊道电机中单个电机故障,根据所有电机正常运行状况和故障状况下收集的电机电流数据,提出一种基于深度学习的智能化电机故障诊断分析策略。首次提出了考虑用协同工作的其他电机的电流来对被监测电机进行故障诊断。该方案选择采用Lenet-5模型进行分类预测训练,以诊断电机中的故障,在生产现场实际应用此方案并进行数据结果验证。结果表明,所提出的方法在电机故障诊断中可行且有效。     

一种用于电力变压器故障识别的理论方法研究

支持向量机方法基于小样本的统计学习理论,其本质上是个优化和分类问题。本文设计了一种使用遗传算法优化多分类支持向量机参数,并将参数优化后的多分类支持向量机用于电力变压器故障识别的方法。该方法对色谱分析法检测到的特征气体含量进行数值预处理,提取出故障识别所需要的n+1个特征量,然后利用数值预处理后得到的数据样本对多分类支持向量机进行训练和识别,通过输出结果判断变压器所处的状态,以达到设备状态监测的目的。     

基于半监督流形学习的无线传感器网络定位方法及其应用

提出了一种基于流形半监督学习的移动节点定位算法.该算法利用基于流形学习的半监督方法,通过一定量的有标签样本和无标签样本,获取隐含在节点接收信号强度信息中的流形结构,直接建立节点物理位置与接收信号强度之间的映射关系.算法不需要使用现有的理论或经验信号传播模型,避免了模型不准确带来的定位误差,而且允许网络中存在大量无标签样本,降低了数据采集难度,提高了算法实用性.冶金工业现场的实际应用结果表明,相对RADAR算法,本文算法具有较高的定位精度.     

基于深度学习的矿石图像处理研究综述

聚焦于矿石勘探和将矿石破碎筛分后的皮带运输两个环节,系统总结了深度学习技术在矿石图像处理中的主要应用,包括矿石分类、粒度分析和异物识别等任务,并分门别类地梳理了完成以上三大任务的常用算法及其优缺点.其中,矿石分类在地质勘探中起着重要作用;粒度分析能为破碎机和传送皮带的控制提供参考依据,还能识别出给矿皮带上过大尺寸的矿石,防止处于给矿皮带和受矿皮带之间的转运缓冲仓内发生堵料事故;异物识别能将皮带上混在矿石中的有害物品检测出来.     

基于集成神经网络的剩余寿命预测

针对机器或设备的剩余寿命（Remaining useful life, RUL）预测精度低的问题,提出基于一维卷积神经网络（Convolutional neural network, CNN）和双向长短期记忆（Bidirectional long short-term memory, BD-LSTM）的集成神经网络模型。为了更好地抽取时间序列上的特征,以及产生更多的训练样本,采用滑动窗口对数据进行处理,同时采用卡尔曼滤波对数据进行降噪处理,将数据标准化以及设置RUL标签。与人工提取特征不同,利用一维CNN对数据进行特征提取,并舍弃了CNN中的池化层。然后将提取到的高维特征输入到BD-LSTM进行回归预测,并采用Bagging的方式对此神经网络进行集成来预测RUL。最后通过在NASA的数据集上验证该模型的有效性,以及相比于其他机器学习或者深度学习模型的优越性,实验表明所提模型在RUL预测方面更加准确。      

基于深度学习的带钢精轧过程自由宽展预测

为提高带钢精轧过程宽度的控制精度,以实际生产数据为驱动,建立深度学习网络模型,对自由宽展进行预测。采用拉伊达准则对实际生产数据进行清洗,对清洗后的数据进行相关性分析,并提取相关系数大于给定阈值的特征。基于预处理后的特征数据,对深度学习网络进行训练,建立自由宽展预测模型。针对测试实例,分别采用该模型与传统数学模型进行预测,并从均方误差、最大偏差以及误差分布等多个方面进行对比分析。结果表明,所建立的深度学习预测模型,具有更高的预测精度和更好的性能指标。     

基于视频序列的矿卡司机不安全行为识别

目前许多矿山对于矿卡司机的不安全行为监督仍依赖于人为监管,无法及时准确地发现问题,利用计算机技术识别不安全行为是替代人工检测的一条高效途径.本文利用深度学习来解决视频序列的矿卡司机不安全行为识别,深度学习方法不依赖人工设计特征,而是自适应地学习更好的高维特征,具有稳健性更好、速度更快及准确率更高的优点.首先,对帧图像采...     

基于深度卷积神经网络的卡车装载矿石量估计研究

卡车装载矿石量一般采用人工方式进行统计,人工统计不具有客观性,可能影响卡车司机的绩效考核;此外还有使用激光扫描技术或地磅对装载矿石量进行精确统计,但设备成本过高。为节约成本并提高测量精度,研究采用基于深度卷积神经网络的技术实现卡车装载矿石量的估计。由于实际场景下矿车装载矿石的图片不便获取,故使用三维物理引擎Chrono模拟矿石堆落入卡车的过程,从而生成装载矿石量和矿石分布区域均不同的卡车图片。通过构建深度卷积神经网络对生成的样本进行拟合,用最后一层神经元的预测值与真实值的欧式距离作为代价函数。然后,对卷积核与特征图进行可视化,分析卷积神经网络实现矿石量估计的过程。试验结果表明,构建的深度卷积神经网络在实验测试集上的准确度较好,测试样本预测误差大部分在4%以内。说明用深度学习技术实现自然场景下卡车装载矿石量的估计切实可行,且具有较好的应用前景。     

基于深度学习算法的区域地质矿产资源量预测方法

为了提供准确的资源量预测结果,设计了基于深度学习算法的区域地质矿产资源量预测方法。首先进行人工采样,并测试土壤湿度、重金属含量等参数,然后根据地区勘查历史数据统计该区域的岩浆活动频率并提取控制成矿的因素以了解其地质条件。接着使用网格化处理技术来校正地质勘查测线,调整勘查与探测中的线距并划分区域网格。在20m×20m的网格内,采用线性变量Kriging作为线性处理的插值,并磁化处理数据以完成对矿区地质勘查数据的预处理。随后利用这些预处理数据,使用深度学习模型建立区域地质矿产资源模型,并利用自编码神经网络来划分成矿网格。最后使用随机变量函数的概率分布采样来构建资源的概率分布模型以预测区域的矿产资源量。     

基于领域词典与CRF双层标注的中文电子病历实体识别

医疗实体识别是电子病历文本信息抽取的基本任务。针对中文电子病历文本复合实体较多、实体长度较长、句子成分缺失严重、实体边界不清的语言特点以及标注语料难以获取的现状,提出了一种基于领域词典和条件随机场（CRF）的双层标注模型。该模型通过对外部资源的统计分析构建医疗领域词典,再结合条件随机场,进行了两次不同粒度的标注,将领域词典识别的准确性和机器学习的自动性融为一体,从中文电子病历文本中识别出疾病、症状、药品、操作四类医疗实体。该模型在测试数据中的宏精确率为96.7%、宏召回率为97.7%、宏F1值为97.2%。同时对比分析了采用注意力机制的深度神经网络的识别效果,因受到领域数据集大小的限制,在该测试数据集中后者表现不佳。实验结果表明了该双层标注模型对中文医疗实体识别的高效性。