基于改进LeNet-5卷积神经网络的发票识别研究

增值税发票信息在金融领域至关重要,自动识别发票信息可以节约人工成本和时间成本。因此,文中提出设计一种基于改进LeNet-5卷积神经网络的发票自动识别方法,将改进LeNet-5卷积神经网络算法应用于发票识别后,经验证表明,应用改进LeNet-5卷积神经网络算法的发票信息识别率得到了提高。     

基于人工智能的手写数字识别方法研究

手写数字识别属于图像分类问题。因个体手写数字的差异，传统的图像分类方法实现快速有效识别的难度相对较大。随着人工智能和计算机硬件技术的快速发展，基于深度学习卷积网络的手写数字识别逐渐成为研究热点。使用PyTorch搭建了经典的网络模型LeNet-5和改进的ResNet18模型进行手写数字识别。采用交叉熵损失函数和Adam优化算法，并设置学习率为0.001，在MNIST数据集上进行了训练和测试，鉴于ResNet18比LeNet-5网络结构深，在训练时花费的时间比LeNet-5多。经过100个Epoch后，使用LeNet-5模型在测试集上准确率达到了99.18%，使用ResNet18卷积模型的准确率高达99.55%，可以识别自制的手写数字，为人工智能识别系统的发展提供了一定的参考价值。     

基于改进LeNet-5神经网络的微表情识别研究

将深度卷积神经网技术应用于人脸微表情识别是近年来的研究热点,但是,研究成果还未进一步完善,主要表现在其识别能力还是拥有精度不足等问题.本文提出了一种改进的LeNet-5卷积神经网络,在卷积神经网络中引入随机失活法(Dropout),消除过拟合现象,提升神经网络算法精度.     

基于改进型LeNet-5的工业机器人工件自动识别研究

针对机器人关节工件组装生产过程中,工件种类多、产量大、人工分拣与装配耗时费力等问题,在经典LeNet-5模型基础上,提出一种改进型LeNet-5网络,该网络输入图像的大小修改为32×32,卷积层增加至4层,激励函数改用Leaky ReLU以防止过拟合。同时,将改进型LeNet-5与经典LeNet-5、GoogLeNet模型进行训练、测试与对比,试验结果表明,改进型LeNet-5效果最好,测试集的准确率达到98.32%、曲线下降面积AUC为0.916 3,识别一个待装配工件仅需约0.016 s,满足工厂工业机器人实时性检测要求,为类似的识别提供了有效参考,具有较高的应用价值。     

基于改进麻雀搜索算法的带钢面标识别方法

为了解决带钢面标识别精度低、时间长等问题,构建了字符分割和识别模型。在分割模型的多阈值分割过程中,通过改进的麻雀搜索算法(Improved Sparrow Search Algorithm, IMSSA)寻优最佳阈值组向量,提升了图像分割效果。IMSSA在算法改进方面,首先采用Tent映射初始化种群,增强种群多样性;然后利用精英反向学习方法提升搜索能力;最后通过改进的高斯扰动策略增强全局和局部搜索能力。字符识别模型改进了LeNet-5卷积神经网络的网络结构,并增强了激活和损失函数。实验表明,IMSSA在三类基准函数的测试中均表现更好,改进的LeNet-5卷积神经网络结构平均测试精度达到95.0%,识别过程仅2.3 s。该模型耗时少、精度高,满足实时与准确性要求。     

基于卷积神经网络的水果图像分类识别研究

为了解决传统水果图像分类识别算法人工提取特征的缺陷,将卷积神经网络应用到水果图像识别上,基所创建的数据集,参照经典的卷积神经网络模型Le Net-5结构,提出更适合本数据集的卷积神经网络结构,首先对水果数据集进行分类标签,将苹果、梨、橙子、橘子、桃子分别标记为0、1、2、3、4,然后将图片分批次投入模型训练,该模型构建了一个输入层、两个卷积层、两个池化层、两个全连接层和一个输出层。卷积神经网络通过底层提取特征,再进一步更深层次提取特征,最后得到目标的分类。实验结果表明,所提出的卷积神经网络结构不仅在数据集上取得了较高的识别准确率,而且与传统的水果图像分类识别算法相比较,卷积神经网络避免了人工提取特征的繁琐过程。     

基于迁移学习和微调的起重机类型识别策略

起重机具有诸多类型,不同类型的起重机具有不同的分析或保养方法,因此对起重机类型进行识别意义重大。针对深度卷积神经网络中存在的数据需求量大、训练时间长、计算成本高等问题,提出一种基于迁移学习和微调的起重机类型识别策略。通过搭建不包含分类层的预训练InceptionV3模型并连接自定义的分类层,利用迁移学习和微调技术,训练出适用于起重机类型识别任务的卷积神经网络。实验结果表明,相较于从头搭建并训练深度卷积神经网络,利用迁移学习和微调方法对预训练模型进行训练可得到较高的识别准确率,并且训练速度更快,训练时间显著缩短。验证集和测试集的识别准确率分别为98.24%和97.67%。     

一种基于PPCNN的金属激光熔化沉积熔池状态识别方法

金属激光熔化沉积质量与熔池状态具有密切的关联,根据熔池视觉特征对加工中的熔池状态进行识别,进而实现沉积质量的在线预测对金属激光熔化沉积技术具有重要意义。为构建上述映射关系,本文提出了一种基于金字塔池化卷积神经网络的金属激光熔化沉积熔池状态识别方法。针对所采集的熔池同轴图像,建立用于训练和测试的数据集;构建了金字塔池化卷积神经网络(Pyramid pooling convolutional neural networks,PPCNN),并进行网络关键参数的研究。结果表明:第一层卷积核尺寸为5×5,卷积层和金字塔池化模块含有64+8×3个卷积核使网络在识别准确率上达到最佳。所提方法取得了最高96.80%的识别准确率。     

基于融合CNN与PSO-SVM的滚动轴承故障诊断

针对滚动轴承故障识别过程中,难以提取细微故障特征的问题,提出一种基于融合卷积神经网络与基于粒子群优化算法的支持向量机相结合的滚动轴承故障诊断方法.该方法将轴承振动信号同时作为一维卷积神经网络和二维卷积神经网络的输入信号,并在汇聚层中将提取到的故障信息融合,最后通过优化后的分类器提高故障识别准确率.为了验证该方法的诊断性能,将与融合卷积神经网络同规格的一维卷积神经网络和二维卷积神经网络进行对比.试验结果表明,该方法不仅可以提高故障识别准确率,还可以在信号受到噪声污染时保持良好的诊断性能.     

基于卷积神经网络的数码仪表识别方法

为了在复杂多变的环境中实现对数码仪表正负号和小数点的实时识别,提出了一种基于卷积神经网络的数码仪表识别方法。先采用模板匹配方法对目标图像提取感兴趣区域,并对感兴趣区域进行分割,然后对分割的单字符区域采用卷积神经网络进行0~9数字、正负号的识别,再对分割的小数点区域采用MOSSE算法进行小数点识别,最后根据单字符、正负号和小数点的识别结果获取读数。实验结果表明,该方法能够在复杂的环境下准确且稳定地识别数码仪表读数。     

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。     

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%。     

基于改进卷积神经网络的行星齿轮箱故障诊断研究

行星齿轮箱作为机械设备的重要传动部件,其运行的好坏直接影响到整个设备的运行状况。通过引入批量归一化层和丢弃层对卷积神经网络模型进行改进,提出了基于改进卷积神经网络的齿轮箱故障诊断模型。搭建齿轮箱实验平台,使用该模型对齿轮箱的振动信号进行故障识别。实验结果表明:该模型能够有效地对齿轮箱不同的故障类型进行识别分类,分类准确率达到了99.2%。     

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。     

基于深度学习的分布式光纤损伤识别方法

航空航天复合材料结构服役环境恶劣,为保证结构安全运行需要发展结构健康监测技术,基于背向瑞利散射的分布式光纤传感器因其便于埋入、抗干扰能力强等优点被广泛应用于结构健康监测领域。如何从复杂的光纤数据中识别结构损伤是健康监测的研究难点之一,基于此问题提出一种用于损伤识别的深度学习方法,采用一维卷积神经网络对复合材料层合板中的脱粘和裂纹损伤进行识别。为了验证方法的可靠性,设置预制损伤的酚醛树脂层合板的悬臂加载试验,其埋入的分布式光纤传感器很好地监测到了损伤区域的应变变化特征,采用试验数据对网络结构进行参数调整,最终确定卷积核大小和卷积层数目。试验结果表明,训练后的一维卷积神经网络能够从复杂的应变曲线中识别出损伤特征,并对损伤特征进行准确定位。在目前的研究中,该方法能够准确识别3 cm2的脱粘损伤和20 mm长的裂纹损伤,同时定位精度小于4 mm。     

基于卷积神经网络的人脸识别系统设计

人脸识别技术应用广泛,文章以Python和OpenCV库为基础,设计一个采用卷积神经网络算法训练的人脸识别模型,实现人脸信息采集、检测等功能的人脸识别系统.系统首先通过电脑前置摄像头采集人脸信息录入并保存在指定的目录当中,启动人脸识别程序,系统自动捕捉人脸图像并辨认是否为已录入信息的人脸,并为识别出来的人脸打上标签信息...     

基于改进CNN的起重机械滚动轴承故障诊断

针对起重机械中的滚动轴承在高转速、重载荷和强噪声背景下,早期故障特征难以提取及有效识别的问题,提出一种改进卷积神经网络(CNN)的故障诊断方法。该方法首先应用短时傅里叶变换(STFT)将传感器采集到的一维振动信号转换为二维时频图,并将其作为改进卷积神经网络的输入,然后利用卷积神经网络强大的特征提取能力自适应地提取故障特征。最后,通过CNN模型最后一层的Softmax层对提取到的特征进行分类从而实现故障诊断的目的。     

轴承变工况故障的域自适应迁移深度学习诊断

为了实现变设备、变工况条件下的轴承故障精确识别,提出了基于域自适应迁移深度卷积神经网络的诊断方法。对于具有不同分布特征（即不同域）的训练集和测试集,在深度卷积神经网络中构造了故障特征提取模块、域识别模块、标签分类模块,以特征提取模块与域识别模块对抗训练的方式实现域自适应迁移能力,使深度卷积神经网络能够有效提取不同域的共同特征参数。使用凯斯西储大学和智能维护系统中心数据设计了4组迁移实验,传统深度卷积神经网络的识别精度均值为64.5%,域自适应迁移卷积神经网络的识别精度均值为94.9%,充分说明了域自适应迁移深度卷积神经网络能够有效识别变设备、变工况条件下的轴承故障。     

基于工业物联网的推焦车远程监控系统研究

炼焦过程中的炉号识别与“四车连锁”是关乎生产安全的重要问题,随着物联网技术和神经网络技术的快速发展,推焦车的监控系统需要装备现代化的技术。为了提高推焦过程的自动化,以工业物联网技术为基础,结合卷积神经网络技术设计了推焦车远程监控系统。采用嵌入式开发板和小型摄像头传感器进行数据采集,通过WiFi通信技术实现与云服务器的数据传输,并设计了基于B/S架构的浏览器显示端,实际应用效果表明该系统可有效实现推焦车的远程监控。