基于改进胶囊网络的绝缘子破损识别与定位

针对接触网绝缘子破损识别,传统的特征匹配和神经网络分类识别率较低,同时因其需要人工提取和训练等问题,识别速率也较慢.相比传统卷积神经网络(CNN),胶囊网络(CapsNet)首次采用矢量作为输入,可以很好的保留目标的方向,角度等特征信息,更适合于识别复杂背景下的绝缘子.因此提出一种基于改进胶囊网络和CV模型结合的绝缘子...     

基于多标签卷积神经网络的结构损伤识别

准确识别结构多位置损伤一直是结构损伤识别的难题。为提升结构多位置损伤识别的准确率,提出一种基于卷积神经网络(CNN)的多标签分类(MLC)方法(CNN-MLC)进行结构损伤识别。该方法将结构多个位置损伤识别转换为多标签分类问题,每个损伤位置均用一个对应的标签表示;利用CNN强大的特征提取能力,深入挖掘不同损伤工况之间公共损伤位置的相关性,实现结构多位置损伤识别。通过四层框架结构和一座铁路连续梁桥多位置损伤识别验证了CNN-MLC方法的识别准确率,并将其识别结果与基于CNN的多类别分类(MCC)方法(CNN-MCC)和基于示例差异化算法(InsDif)的多标签分类方法(InsDif-MLC)进行了对比。结果表明：框架结构在两位置和三位置损伤工况下,CNN-MLC方法比CNN-MCC方法的识别准确率分别提升2.50%和9.64%,比InsDif-MLC方法识别准确率提升17.50%和29.28%;对于铁路连续梁桥的两位置损伤和三位置损伤,CNN-MLC方法比CNN-MCC方法识别准确率提升1.63%和6.85%,比InsDif-MLC方法识别准确率提升4.18%和18.49%;随着损伤位置...     

卷积神经网络在结构损伤诊断中的应用

对卷积神经网络(CNN)在工程结构损伤诊断中的应用进行了深入探讨; 以多层框架结构节点损伤位置的识别问题为研究对象,构建了可以直接从结构动力反应信号中进行学习并完成分类诊断的基于原始信号和傅里叶频域信息的一维卷积神经网络模型和基于小波变换数据的二维卷积神经网络模型; 从输入数据样本类别、训练时间、预测准确率、浅层与深层卷积神经网络以及不同损伤程度的影响等多方面进行了研究。结果表明:卷积神经网络能从结构动力反应信息中有效提取结构的损伤特征,且具有很高的识别精度; 相比直接用加速度反应样本,使用傅里叶变换后的频域数据作为训练样本能使CNN的收敛速度更快、更稳定,并且深层CNN的性能要好于浅层CNN; 将卷积神经网络用于工程结构损伤诊断具有可行性,特别是在大数据处理和解决复杂问题能力方面与其他传统诊断方法相比有很大优势,应用前景广阔。     

基于神经网络的无人机拍摄图像识别

针对无人机(unmanned aerial vehicle,UAV)拍摄图像识别准确率不高,以及由于图像数量庞大导致的时间长、效率低等问题,本文将基于神经网络的图像识别技术应用于无人机拍摄中。以拍摄的各类桥梁图像为例,将图片分别作出标注,分成实验所需的训练集和测试集。在TensorFlow网络框架上对VGG16进行改进,并运用全卷积层代替全连接层,对图像进行准确分类;同时在生成候选区域时提出一种网格聚类筛选法用于提取图片特征。研究结果表明,采用本文算法可使图像的分类准确率达到90%,且运行速度也有很大的提升,缩短了将近一半。该研究为无人机拍摄影像的识别提供了良好的应用前景。     

煤泥浮选泡沫图像大小对其识别的影响

通过对煤泥浮选泡沫图像的任意大小、200×200象素图像和256×256象素图像的纹理特征分析,得出表征图像的纹理特征,并用此纹理特征作为图像识别的学习样本,在自组织神经网络的竞争学习下进行分类,得出了不同大小图像的识别结果,200×200象素图像的识别正确率达74%,256×256象素图像的识别正确率达到77%。     

耦合岩石图像与锤击音频的岩性分类智能识别分析方法

在野外地质勘探过程中,地质工程师一般通过岩石表面纹理、颜色和敲击岩石音频等信息,对岩性分类进行初步判断。基于专家经验和智能模式,提出一种耦合岩石图像与锤击音频的岩性分类深度学习与智能识别分析方法。该方法基于所采集的不同类别岩石图像和锤击音频数据,首先采用基于Inception-V3的迁移学习方法,对所采集的6类岩石图像进行深度学习与训练;然后利用回弹仪测定岩石强度,通过"阈值法"得到锤击音频片段,以回弹指数的平均值作为岩石强度值,建立波形和强度的SVM(support vector machine)回归模型,实现岩石表面强度预测;最后耦合岩石图像识别模型与岩石音频强度回归模型进行岩性分类智能识别,岩石种类识别准确率从83.5%(采用单纯的图像识别)提高到90.5%。采用该耦合模型不仅能有效识别岩石岩性分类,还能初步给出岩石表面强度,为野外工程地质勘察提供了新的辅助手段,有利于提高初期野外勘探的工作效率。     

基于图像识别技术的汽油、无水乙醇燃烧火焰识别研究

为了实现基于视频图像对火灾现场存在助燃剂的分类识别,对燃烧火焰的特征进行分析,根据汽油和无水乙醇引燃后各自特有的燃烧现象,结合火焰的视频图像识别算法实现对汽油和无水乙醇燃烧火焰的识别。首先,基于图像的灰度阈值得到其疑似火焰区域,再提取其H、S、I颜色分量和面积变化特征;并提取燃烧图像的小波高频能量特征和LBP直方图特征;最后将特征向量输入SVM分类器进行分类识别。试验表明,SVM对汽油和无水乙醇燃烧火焰的识别分类准确率可达98.5%,可较好地实现对汽油、无水乙醇燃烧火焰的区分。     

基于深度学习的SPD人脸识别算法

本文提出一种自商图像法(SQI)、主成分分析法(PCA)和深度信念网络(DBN)相结合的SPD人脸识别算法。首先将人脸图像经过自商图像处理,勾勒其边缘特征。然后使用主成分分析法将高维自商图像降维至低维子空间。接着将训练集低维子空间的数据作为深度信念网络的输入,并对网络逐层进行训练。最后使用训练好的深度信念网络对测试集低维子空间的数据进行识别。对于遮挡性识别,采用遮挡分割法,减弱局部遮挡对整个图像的影响因子。经过反复实验验证,本文提出的算法在小样本中对脸部识别效果较好。     

基于深度学习的腹膜腔脱落细胞病理图像识别

针对体液细胞病理诊断自动分类识别的问题,构建一种基于深度卷积神经网络的自动化识别模型(CNN-LS)。首先对图像样本进行灰度级转换、ZCA白化、归一化与标注处理,降低图像特征间的相关性与数据冗余。其次,在CNN-LS模型构建过程中引入改进的激活函数(LReLU-Softplus)用于提高模型的收敛速度和避免可能出现的饱和非线性问题,并通过实验验证获取CNN-LS模型的最佳卷积核数量和尺寸大小。最后将CNN-LS与CS+SVM,PCA+QSOFM,ANN,CNN这4种分类方法做性能对比。实验表明CNN-LS模型在针对腹膜腔脱落细胞病理图像的癌细胞分类识别过程中具有较明显的优势。     

基于深度学习的人体低氧状态识别

通过低氧实验提出一种快速识别人体低氧状态的方法.通过搭建深层神经网络训练实验数据识别氧气体积分数(16%～21%)与人体可耐受极端低氧气体积分数(15. 5%～16%)条件下光电容积脉搏波(photoplethysmography,PPG)信号,获得人体生理状态的模式识别网络.经测试该网络的识别正确率可达92. 8%.利用混淆矩阵及接受者操作性能(receiver operating characteristic,ROC)曲线分析,混淆矩阵的训练集、验证集、测试集、全集识别正确率分别达到97. 9%、94. 8%、92. 8%和96. 3%,AUC (area under curve)值接近1,认为该网络分类性能优良,并且可在4 s内完成整个识别过程.