基于局部特征和深度神经网络的人脸性别判别模型研究

深度学习方法可以自动发现更佳数据以改善分类器性能。然而,在计算机视觉任务中,比如性别识别问题,有时候很难直接从整个图像进行学习。因此,提出一种新的基于局部特征和深度神经网络的人脸性别识别模型。首先,该模型从输入图像中提取数个局部特征,并将这些特征反馈给判别图像的深度神经网络,然后根据图像所属标签将每个局部特征分类。最后,使用简单的投票方案对整体图像进行判决。在FERET和CAS-PEAL-R1两个人脸图像资料库上进行了人脸性别分类实验,结果显示提出的方法优于其他深度学习方法,具有较好的准确性和稳定性。     

基于深度学习的大规模图像高效识别算法研究（英文）

面对规模较大的图像识别任务时,基于卷积神经网络的深度学习方法存在训练时间过长的问题,导致识别效率不高。因此,提出一种基于局部特征深度信念网络的大规模图像高效识别算法。首先,该方法从原始图像中提取多个局部特征,并根据分配给图像的标签将每个局部特征分类。然后利用分类后的图像局部特征训练深度信念网络,获得网络的相关参数。最后利用深度信念网络进行图像识别。在CAS-PEAL-R1大规模图像数据集上进行了图像识别实验,结果显示:提出的算法优于其他深度学习方法,具有较好的准确性和高效性。     

基于深度学习的大规模图像高效识别算法研究

面对规模较大的图像识别任务时,基于卷积神经网络的深度学习方法存在训练时间过长的问题,导致识别效率不高。因此,提出一种基于局部特征深度信念网络的大规模图像高效识别算法。首先,该方法从原始图像中提取多个局部特征,并根据分配给图像的标签将每个局部特征分类。然后利用分类后的图像局部特征训练深度信念网络,获得网络的相关参数。最后利用深度信念网络进行图像识别。在CAS PEAL R1 大规模图像数据集上进行了图像识别实验,结果显示:提出的算法优于其他深度学习方法,具有较好的准确性和高效性。     

基于局部分类器和深度神经网络的遥感图像分类（英文）

深度学习方法作为大数据自动分类工具时表现出较高的性能,但是在处理遥感图像任务时(比如图像分类问题)表现出效率较低。为此,提出一种新的基于局部分类器和深度神经网络的遥感图像分类算法。首先从原始图像中提取多个局部特征,并将这些特征输入给用于判决的深度神经网络,然后按照分配给图像标签对每个局部特征进行分类。最后根据简易的投票方法判决整体图像的结果。利用World View2高分辨率卫星遥感影像数据进行了分类实验,结果显示:提出的方法优于其他分类方法具有较好的分类准确性和分类效率。     

基于局部分类器和深度神经网络的遥感图像分类

深度学习方法作为大数据自动分类工具时表现出较高的性能,但是在处理遥感图像任务时(比如图像分类问题)表现出效率较低。为此，提出一种新的基于局部分类器和深度神经网络的遥感图像分类算法。首先从原始图像中提取多个局部特征，并将这些特征输入给用于判决的深度神经网络，然后按照分配给图像标签对每个局部特征进行分类。最后根据简易的投票方法判决整体图像的结果。利用WorldView2 高分辨率卫星遥感影像数据进行了分类实验，结果显示：提出的方法优于其他分类方法具有较好的分类准确性和分类效率。     

基于深度学习方法的N5/NiCrAlY涂层图像识别的研究

利用深度学习方法,将图像处理技术运用于NiCrAlY涂层/Ni基高温合金服役过程中微观形貌的图像特征信息识别和检索。以NiCrAlY涂层/N5合金为研究对象,基于获取的3600张64×64像素的截面特征图像数据集,采用深度学习技术搭建对基体的TCP相、基体与涂层的界面、氧化层这三类特征进行分类识别。分别训练有二、三层卷积层的卷积神经网络实现这三类特征的分类识别与滑动窗口检索定位。选用RMSProp优化器,配合二、三层卷积层的神经网络的测试集识别准确率分别为98%、90.67%。利用Adam优化器训练三层卷积层的卷积神经网络的测试集识别准确率为99.17%,并且此网络在检索1024×943像素图像的三大特征时表现最佳,检索正确率达到100%。     

基于卷积神经网络与虚拟训练集的零件识别

针对工业环境中零件识别效率低,准确率不高以及难以获取大量训练集的问题,对基于深度学习的零件识别进行了研究,提出一种基于卷积神经网络与虚拟训练集的零件识别方法。首先,通过OpenSceneGraph(OSG)在虚拟场景内渲染大量深度图像训练集;然后,构建了两种不同深度与结构的卷积神经网络模型并使用虚拟深度图像进行训练;最后,使用深度相机采集零件真实深度图像对网络模型进行测试并选择适合的零件分类模型。结果表明,该方法使用虚拟训练集训练,实现了对真实零件的精准识别,使用深度图像对于零件反光和少纹理情况具有一定的鲁棒性,为工业自动化分拣装配提供稳定的信息基础。     

基于WPD-CNN二维时频图像的滚动轴承故障诊断

滚动轴承故障诊断是现代工业发展中的重要技术。针对滚动轴承信号特征提取与智能诊断问题,提出了一种基于WPD-CNN二维时频图像的滚动轴承故障诊断方法。首先通过小波包分解(WPD)将信号转换为二维时频图像;其次将时频图像输入VGG19卷积神经网络(CNN)模型自动提取有效特征,并输入Softmax分类器进行训练;最后使用训练好的分类器完成滚动轴承故障诊断任务。实验结果表明,10类故障数据的识别准确率均在98.3%左右,高于其他深度学习和传统方法,因此所提出的故障诊断模型能有效地进行滚动轴承复杂信号的特征提取以及分类任务。     

基于混合特征和堆栈稀疏自编码器的齿轮箱故障诊断

针对复杂工况下齿轮箱多故障信号诊断准确率低的问题,提出了一种基于混合特征和堆栈稀疏自编码器的齿轮箱故障诊断方法。从微观信号特征角度提取奇异值特征和小波分解后的样本熵特征;从宏观角度提取故障信号时域特征,将3种特征进行融合,并输入到由稀疏自编码和Softmax堆栈得到的深度神经网络中进行特征优化和分类识别。实验结果表明:在2种不同工况下,对6种齿轮箱故障数据进行诊断均表现出较高分类识别精度,且所构建的分类模型综合性能上均高于文中其他对比模型,因此本文作者所提出的方法能有效地进行齿轮箱故障诊断。     

基于深度学习的齿轮泵故障诊断方法研究

为降低齿轮泵发生故障后对工作效率的影响,将深度学习技术应用到齿轮泵故障诊断分析中,以BP神经网络为基础搭建多层感知器模型。首先,对齿轮泵的出口压力信号进行特征量提取、归一化处理等一系列处理,构建特征向量;然后,将特征信号输入到BP神经网络模型中进行模型训练,通过调节学习率、误差容限、动量因子等初始值将实验样本进行分类、预测;接着,再次将特征信号输入到多层感知器模型中,实现对齿轮泵的故障状态识别。结果表明,与BP神经网络算法相比,利用深度神经网络构建多层感知模型能够有效地诊断出齿轮泵是否发生故障,准确率可以达到95.56%以上。     

基于PSO-SVM的FPC焊盘表面缺陷检测研究

针对柔性线路板(FPC)焊盘表面的缺陷检测,建立了一种利用粒子群算法(PSO)进行参数寻优的PSO-SVM分类识别模型。首先通过OTSU法将焊盘从原始图像中分割出来,然后对其5种表面缺陷从形状、灰度、纹理三个方面提取了14维特征,接着用粒子群算法方法对支持向量机的参数优化以获得较高的识别准确率,最后对缺陷样本进行分类识别,并将其与GS-SVM和BP神经网络分类性能进行对比。实验证明了该方法可以对焊盘缺陷进行准确的分类识别。     

基于小波包神经网络的轴承故障识别模型

针对传统故障特征提取过程复杂、诊断方案单一且准确性差等问题,提出了基于多阈值小波包和深度置信网络(DBN)的轴承故障识别方案。本文作者采用最优小波基函数和软硬阈值结合方法对原始振动信号进行三层分解降噪处理,得到8个从低频到高频段的信号成分,对其进行组合重构作为神经网络的输入样本;通过DBN在数据处理上的特征重构优势,建立了DBNBP神经网络的轴承故障识别模型,确定模型的各类参数。经多次实验,探究不同样本输入对模型识别率的影响,并与传统的浅层神经网络识别模型做对比分析,结果表明:经训练的DBNBP轴承故障识别模型可从原始数据、小波包分解信号实现轴承故障信号的准确特征学习和分类,结合识别率和诊断时间考虑,经小波包分解信号输入具有更优的诊断效率。     

基于机器视觉与Faster-RCNN的Delta机器人工件识别检测

针对传统并联机器人在工作环境中存在抓取不精确、定位与分类识别效率低下的问题,提出一种基于机器视觉与Faster-RCNN神经网络的工件识别检测技术。采用Delta机器人实验平台采集图像,进行图像的预处理操作并将其添加至网络训练集。通过Python3.7-torch1.7搭建深度学习中的Faster R-CNN卷积神经网络,作为基本框架训练工件图像数据集。最后将训练后的卷积神经网络得到的工件检测结果与原实验工件识别系统对比。结果表明：改进后的识别平均精确度比原有识别系统有所提高,反应时间缩短,并且能识别不同类型的工件。     

应用于彩色图像数字化过程的图像校正技术研究

图像和文档的数字化已经成为了现代信息化建设必不可少的内容。针对彩色美术图像数字化过程的图像校正问题,提出一种基于改进成像模型和深度神经网络的图像处理算法,能够有效去除噪声并增加图像清晰度。首先构建了由全局照度、局部照度和反射率组成的改进成像模型,并将输入RGB彩色图像被转换为HSV彩色图像。然后提取输入图像的局部特征,并利用这些特征构建一个深度神经网络以便实现噪声去除。仿真试验结果显示,相比传统BP神经网络和广义回归神经网络,提出算法的图像校正能力更强,具有较高的峰值信噪比和对比度增量,验证了提出算法的可行和先进性。     

基于深度学习和多传感器的数控机床铣刀磨损状态信号监测方法研究

由于单一传感器存在获取信息量有限、抗干扰能力较弱等问题及传统网络模型诊断时间长、诊断率低等现象,采用振动、噪声等多个传感器监测铣刀的磨损状态。提出将深度学习和多传感器相结合的铣刀磨损状态信号监测方法;将经核主元筛选和未筛选的数据分别输入到BP神经网络、RBF神经网络和深度卷积神经网络中进行模式识别,并对识别结果进行对比和分析。结果表明:深度学习和多传感器相结合的铣刀磨损状态监测方法在特征量比较大、数据量比较多的情况下诊断速度、准确率均比较高,在铣刀磨损状态监测中具有明显的优势。     

应用于彩色图像数字化过程的图像校正技术研究（英文）

图像和文档的数字化已经成为了现代信息化建设必不可少的内容。针对彩色美术图像数字化过程的图像校正问题,提出一种基于改进成像模型和深度神经网络的图像处理算法,能够有效去除噪声并增加图像清晰度。首先构建了由全局照度、局部照度和反射率组成的改进成像模型,并将输入RGB彩色图像被转换为HSV彩色图像。然后提取输入图像的局部特征,并利用这些特征构建一个深度神经网络以便实现噪声去除。仿真试验结果显示,相比传统BP神经网络和广义回归神经网络,提出算法的图像校正能力更强,具有较高的峰值信噪比和对比度增量,验证了提出算法的可行和先进性。     

LCD模糊熵和SOM神经网络在液压泵故障诊断中的应用

针对液压泵故障诊断问题,提出了一种基于局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)、模糊熵和SOM神经网络三者相结合的故障诊断方法。对液压泵振动信号进行LCD分解,得到若干个内禀尺度分量(Intrinsic Scale Component,ISC);将ISC分量分别与原信号进行相关分析,筛选出包含主要故障信息的前几个ISC分量,计算其模糊熵并组成特征矩阵;将特征矩阵输入SOM神经网络进行分类识别。液压泵故障诊断实例表明,该方法能够准确识别液压泵典型故障,具有一定优势。通过与BP神经网络分类结果相对比,显示了SOM神经网络在特征分类方面的优越性。     

基于空时模型的航空管路卡箍故障诊断研究

针对航空液压管路卡箍振动信号受强噪声干扰,导致航空卡箍故障难以精准识别的问题,提出一种空时模型的航空卡箍故障诊断新方法。建立空间特征提取模型,对航空卡箍的故障特征进行局部融合。在空间模型中引入GRU模块,提取航空卡箍故障信号中的全局特征。结果表明：设计的空时故障诊断模型可实现航空卡箍故障的精准识别。与目前所用的深度卷积神经网络模型、门控循环单元神经网络模型、循环神经网络模型、支持向量机和误差反向传播神经网络模型等5种先进的故障诊断方法进行对比分析,所提方法对航空卡箍故障识别具有优越性。     

基于机器视觉和深度神经网络的零件装配检测

针对工业生产中存在着大量的零件识别定位以及装配检测等,传统人工检测效率低、劳动强度大、识别不准确。文章提出了一种基于深度神经网络的零件装配检测方法。首先该方法对零件图像和装配图像进行采集,选择Mask-RCNN网络进行训练,对装配零件进行分类以及定位,通过已识别的零件类型判定装配件是否存在漏装;然后将分割后的零件图像进行二值化处理,利用Canny算子提取零件图像轮廓;最后利用图像的Hu矩特征与正确的零件图像轮廓进行对比,判断装配是否正确。通过实验验证可得,该方法在零件装配中的漏装和换装检测中效果较好,并表现出较高的鲁棒性。     

基于支持向量机的焊缝超声TOFD缺陷分类识别

为了实现对大型厚壁压力容器焊缝缺陷的准确识别,提高缺陷评定的准确性和检测效率,在基于标记的改进分水岭TOFD检测图像分割的基础上,结合典型缺陷图像的纹理特征,从图像空间域和频域特征,分别利用局部相位量化和局部二值模式获取缺陷区域的局部邻域特征参数,将二者特征参数进行归一化融合,再将融合特征向量用支持向量机进行分类识别。试验结果表明,检测图像4×4分块后提取的熔合特征识别率最优,分类识别正确率达到87.10%。