基于卷积神经网络的PCB缺陷图像识别

PCB缺陷图像检测是确保PCB生产质量的重要环节,但传统的人工PCB缺陷检测具有劳动强度大、工作效率低等不足.为此,本文研究了一种基于卷积神经网络的PCB缺陷图像识别方法,建立了包括三种PCB缺陷和无缺陷图像的数据集,基于ResNet101网络模型搭建了PCB缺陷图像识别分类模型.引入迁移学习的方法,基于在大数据集上充...     

基于卷积神经网络的烟火智能识别算法应用研究

事实证明,将深度学习与烟火检测结合所得智能算法,具有成本低、智能水平高以及覆盖范围大的优点,通常只需借助普通相机便能够做到精准检测并识别不同形态的烟火,现已在很多领域得到推广。该文以该算法的应用为研究重点,在对研究背景、算法理论进行介绍的基础上,详细说明了模型建立过程,并对该模型所具有可靠性进行了检测。结果表明,该算法所具有平均精度较传统算法提高了约5.5%,对该算法加以应用可使烟火预警以及险情跟踪等工作得到高效开展,确保人员得到及时救助,与此同时,相关机构对事故灾害进行管理的能力也会得到显著提升。     

基于改进一维卷积神经网络的滚动轴承故障识别

滚动轴承的故障识别对于防止旋转机械系统故障恶化并保证其安全运行具有重要意义。针对现有智能诊断模型参数多、识别效率低的问题,提出一种基于改进一维卷积神经网络的滚动轴承故障识别(FRICNN–1D)方法。通过引入1×1卷积核增强一维卷积神经网络模型的非线性表达能力;并用全局平局池化层代替传统卷积神经(CNN)网络中的全连接层,以降低模型参数和计算量,且防止过拟合现象。试验结果表明,该方法可以准确识别滚动轴承不同故障状态,具有一定的工程实际应用潜力。     

基于浅层卷积神经网络的面部表情识别

面部表情识别在人机交互等领域中发挥着重要作用,采用深度学习方法提高了模型精度,但过深的网络加大了计算成本,造成识别滞后和性能低下的问题.本文提出了一种浅层卷积神经网络模型,它受到Xception网络的启发,结合了残差模块和深度可分离卷积,同时引入了功能模块与网络进行融合.微调后的网络结构简单、模型较小,在FER2013...     

基于卷积神经网络的电梯火灾识别算法改进

针对传统电梯火灾识别算法存在的识别率低、延迟大等问题,本文提出一种改进的基于卷积神经网络的电梯火灾识别方法。通过融合RGB-HSV双色彩空间对疑似火灾区域进行预处理和分割,采用改进的VGG16网络提取深层特征,并结合注意力机制增强关键区域特征表达。试验结果表明,改进后的算法在电梯火灾识别准确率达到95.8%,处理速度为12f/s,对不同光照、烟雾干扰具有较强的鲁棒性,可为电梯火灾早期预警提供更可靠的技术支持。     

基于环形特征的卷积神经网络轮毂识别

针对实际生产中不同种类轮毂的混流生产问题,提出了一种基于环形特征的卷积神经网络轮毂识别算法。将直角坐标下的环形轮毂映射到极坐标中,归一化为标准形式的矩形,提取轮毂图像的环形特征信息,减少冗余特征产生的影响;设计了一种改进的VGG网络架构,利用深度可分离卷积打破输出通道维度与卷积核大小的联系,在不损失网络性能的同时降低了计算量,能够在实际生产中轮毂识别任务在有限的算力情况下实时进行计算;从有效性和实时性两个方面对轮毂识别算法进行评估,且通过Inception V3、SVM、KNN等模型的对比实验,验证了该算法可以实时地对轮毂自适应分类。实验表明: 该方法对轮毂图像的处理精度达到99%以上,单幅图像平均处理时间降低至11.78ms。     

基于小波散射卷积神经网络的结构损伤识别

损伤识别是结构状态评估领域的关键问题之一,对确保结构安全性有重要意义。深度学习算法在基于振动的结构损伤识别方面带来了许多突破,但从海量数据中挖掘结构损伤关键信息仍是亟待解决的技术难题。该研究提出了基于一维卷积神经网络(one-dimensional-convolutional neural network, 1D-CNN)深度学习的结构多类型损伤识别模型,采用小波散射变换对1D-CNN架构第一层卷积滤波器进行替换,通过散射系数实现输入层原始数据降维与特征提取,结合CNN卷积层、激活层和池化层实现监测数据特征增强处理。在此基础上,结合1D-CNN全连接层与Softmax函数实现特征数据分类,从而实现结构多类型损伤定位与定量高效识别。通过钢桁架结构和斜拉桥两种数值模型对上述框架进行了验证。结果表明：与普通卷积神经网络模型相比,基于小波散射卷积神经网络的结构损伤识别精度显著提升,损伤分类准确率达95.0%以上。随着传感数据环境噪声比例的增加,小波散射卷积神经网络损伤分类准确率虽略有下降,但仍保持较高精准度,说明该方法具有较强的鲁棒性抗噪能力。     

基于跨层卷积神经网络的石刻碑文识别

石刻碑文的研究具有重要的历史价值和文化价值,但是由于受到自然环境的风化、腐蚀和人为的破坏,碑刻文字存在很大的识别难度.传统的识别方法通过选择特征的提取方式,得到笔画、部首等浅层特征,准确率不高.卷积神经网络可以利用深层网络自动提取到更抽象的特征用于识别,具有更高的准确率.本文针对碑刻数据收集困难,数据量较少的问题,提出了一种基于VGG-16的跨层卷积神经网络进行石刻碑文的识别,使用投影分割改进法实现碑文的分割,该方法在本文构建的测试数据集上对石刻碑文的识别具有很好的效果.     

基于卷积神经网络和Transformer网络的鸟声识别

针对传统鸟声识别算法中特征提取方式单一、分类识别准确率低等问题,提出一种结合卷积神经网络和Transformer网络的鸟声识别方法。该方法综合考虑网络局部特征学习和全局上下文依赖性构造,从原始鸟声音频信号中提取短时傅里叶变换(Short Time Fourier Transform,STFT)语谱图特征,将其输入到卷积神经网络(ConvolutionalNeural Network,CNN)中提取局部频谱特征信息,同时提取鸟声信号的对数梅尔特征及一阶差分、二阶差分特征用于合成梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)混合特征向量,将其输入到Transformer网络中获取全局序列特征信息,最后融合所提取的特征可得到更丰富的鸟声特征参数,通过Softmax分类器得到鸟声识别结果。在Birdsdata和xeno-canto鸟声数据集上进行实验,平均识别准确率分别达到了97.81%和89.47%。实验结果表明该方法相较于其他现有的鸟声识别模型具有更高的识别准确率。