基于残差网络和迁移学习的瓶坯表面质量检测研究

提出了一种基于残差网络和迁移学习的瓶坯表面质量检测方法,设计了一种采用ResNet的迁移学习网络模型,通过瓶坯图像采集平台来采集图像样本,通过图像增强方式扩展样本数量,实现瓶坯缺陷分类和识别.实验分析表明,该模型在瓶坯缺陷检测上具有可行性和一定的准确率.     

基于生成对抗网络和自动编码器的机械系统异常检测

现有的机械系统智能诊断模型需要不同健康状态下大量的历史数据和相对应的标签来完成模型训练,但有些机械系统难以采集到异常样本。在无异常样本训练情况下,本文提出一种新的机械系统异常检测方法。新方法结合生成对抗网络和自动编码器,构建了一种编码-解码-再编码的网络模型。所提模型首先通过早期采集的正常样本进行训练,然后用于对未知状态的实时监测样本进行测试,输出两次编码得到的潜在特征的差异值,最后通过观察差异值的变化对系统进行监测。3组实验分析结果验证了方法的有效性。与传统方法相比,新方法检测出异常的时间更早,所得差异值指标在异常发生时幅度增加得更大,且能更稳定表征故障演化过程。     

基于迁移学习和模型融合的粗糙度检测系统设计

针对传统粗糙度测量方法识别准确率不高的问题,提出了基于迁移学习和模型融合的粗糙度检测方法。首先,采用所设计粗糙度检测系统中的CCD相机模组采集工件表面图像并制作数据集;其次,通过迁移微调VGGNet-19、Inception-V3 以及DenseNet121进行多模型融合,得到了适用的粗糙度检测模型;最后,用数据集进行网络训练以提取图像中的纹理细节特征,实现对粗糙度等级的精准识别。针对车削、铣削和磨削共15种粗糙度等级图像进行实验验证,系统识别精度可达91%。结果表明,所提出的系统可有效地实现粗糙度等级自动检测。     

基于运动行为统计图的异常行驶车辆检测

为提高车辆监控效果,提出了一种被称作运动行为统计图的车辆运动行为描述模型,并将其应用于道路监控视频中异常行驶车辆的检测。模型通过从视频序列中记录所有运动物体的运动区域、运动方向和运动速度,累积统计这些运动信息,最终生成运动行为统计图,以表征该监控区域所有运动物体的运动状态。异常检测阶段以当前场景下正常视频序列生成的运动行为图为模版,通过计算其与现场观测视频的运动行为图之间的相似度,判断是否存在异常车辆。实验结果展示了运动行为图对物体运动状态描述的可靠性,证明了检测方法的实用性。     

基于支持向量回归机的航空发动机异常检测研究

准确判断发动机的工作状态,预知发动机的性能变化,为预防和排除故障提供充足的时间和决策依据。开发出利用(quick access recorder,QAR)数据的发动机异常检测系统,该系统基于发动机的QAR数据,采用支持向量回归机(support vector regression,SVR)算法,建立监控参数与相关参数的回归模型。利用健康回归模型,监控后续航班参数是否出现异常,从而实现发动机故障检测。采用该系统监控航空发动机低压转子转速N1及高压转子转速N2,及时发现发动机运行异常,证明了系统的可行性和有效性。     

基于卷积神经网络的分心驾驶行为识别

针对分心驾驶行为识别,提出基于ResNet18的多标签分心驾驶行为识别方法和基于迁移学习的多分类分心驾驶行为识别方法.首先基于ResNet18模型连接多个全连接层,对多种行为进行多标签识别;然后利用迁移学习,提出基于改进的ResNet34模型进行多分类识别.实验结果表明:文章提出的改进算法对分心驾驶行为识别的准确率最高...     

基于两阶段深度迁移学习的面料疵点检测算法

针对针织格纹面料疵点检测存在检测实时性差和疵点数据稀缺的问题,提出一种基于两阶段深度迁移学习的面料疵点检测算法,实现对疵点的实时高精度检测与检测模型的高效训练.第一阶段迁移:设计面料疵点先验知识迁移算法,通过聚类算法求得交并比最优的四类疵点预选框尺寸参数,使用带有先验知识的疵点预选框替代基于特征的定位方法,实现面料疵点尺寸特征先验知识的迁移,提高面料疵点的定位速度;第二阶段迁移:设计面料特征提取能力迁移算法,利用不同种面料之间具有通用特征的特性,通过将纯色棉麻布检测模型参数迁移至格纹面料检测模型,实现对面料通用特征提取能力的迁移,减少检测模型训练所需的样本数量,提高检测模型训练效率.实验结果表明,在检测性能方面,提出的面料疵点检测算法检测精度为95％、检测速度可达30 m/min,优于传统的目标检测算法,能够满足面料生产中对于检测性能的要求;在模型训练方面,检测模型训练所需疵点样本数量减少50％以上、检测模型训练速度同比提高3倍.     

基于支持向量机的农田水利灌溉分流机械运行异常检测

农田水利灌溉分流机械运行中未对运行数据进行处理,导致其存在检测性能差和检测率低等问题。为此,提出基于支持向量机的农田水利灌溉分流机械运行异常检测方法。采用组织映射算法聚类处理灌溉分流机械的运行数据,通过尺度不变特征变换 SIFT 方法获取运行数据特征,把免疫算法引入支持向量机中,将获取的运行数据特征输入支持向量机中,完成农田水利灌溉分流机械运行的异常检测。实验结果表明,该方法提升了农田水利灌溉分流机械检测的有效性。     

电梯轿厢内乘客异常行为检测探究

若电梯轿厢内部发生摔倒、抢劫、打架、冲突等意外、暴力或者恐慌事件,乘客的生命将安全受到严重威胁,为提高乘客的生命安全保障,电梯轿厢内部需要设置异常行为检测系统,当电梯轿厢内部发生恐慌或者暴力事件时,该系统可以立即发出警报.文中对电梯轿厢内乘客异常行为检测的研究背景简要概述,从国内和国外两个角度对当前对电梯轿厢内乘客异常...     

基于关键帧定位和时空图卷积的异常行为识别

为提高监控视频中行人异常行为检测效率,提出了结合关键帧定位和时空图卷积的异常行为识别方法。该方法在人体骨架关键点检测的基础上,采用关键点运动特性定位视频中行人异常行为关键序列,利用时空图卷积网络可以提取行人时空特征的优点,在关键帧序列上构建人体骨架时空图,同时建立基于瓶颈残差模块的时空图卷积网络行为识别模型,实现对监控视频中行人异常行为的高效识别。采用自建数据集和公开数据集对该方法有效性进行检验,结果表明,该键帧定位算法可高效实现异常行为定位,结合基于瓶颈残差模块时空图卷积网络,在减少时空图卷积网络计算复杂度的同时提升了网络性能,能够有效判断行人异常行为。     

基于深度迁移学习的齿轮故障诊断方法

针对齿轮故障样本欠缺问题，提出一种基于Hilbert-Huang谱和预训练VGG16模型的迁移学习故障诊断方法。对振动信号进行经验模态分解（Empirical Mode Decomposition,EMD）得到本征模态函数（Intrinsic Mode Function,IMF），同时取相关系数最大的IMF做Hilbert变换，获取时频谱；利用预训练VGG16提取变负载下和各健康状态下齿轮的Hilbert-Huang谱图像特征；采用全局均值池化层取代VGG16模型部分全连接层，进行分类输出。实验结果表明，在少量的样本数据下，该方法的齿轮故障诊断准确率达到98.86%，优于TLCNN和Tran VGG-19等迁移学习方法，证明了该方法在齿轮故障诊断中具有一定研究价值。     

基于球面正则化的支持向量描述视觉异常检测

异常检测作为视觉领域中一项独特而关键的任务,在医疗、安保等领域具有广泛的前景。 异常检测目前受限于大规模 异常数据标注,因此现有方法集中在单类分类和弱监督学习,深度支持向量描述(Deep SVDD)是实现单类分类的常见方法。 然 而,传统 Deep SVDD 在开展异常检测时往往面临球体崩塌。 针对这一问题,提出了基于球面正则化的 SVDD 异常检测算法,通 过引入软间隔损失与支持向量的思想,优化模型学习流程。 进一步地,面向可标注样本,提出了基于 SVDD 的弱监督异常检测 方法。 在公开数据集 MNIST 和 CIFAR-10 上进行消融和对比实验,实验证明,相比于有监督算法,在 MNIST 数据集上,SR-WSVDD 的性能提高了 3. 7% ,而在 CIFAR-10 数据集上则提高了 16. 7% 。 此外,与其他弱监督算法相比,SR-WSVDD 在 CIFAR- 10 数据集上提升了 1. 8% 。 所提出的 SR-SVDD 异常检测算法,弥补 Deep SVDD 容易发生球体崩塌的缺陷,使模型异常检测结 果更加准确。     

基于迁移学习的高铁线缆扣件装配检测

为了判断高铁线缆扣件的装配是否正确,这里采用一种基于迁移学习的卷积神经网络的算法对高铁线缆扣件装配进行检测.首先将预训练的网络与目标检测算法相结合,建立完整的装配检测网络,然后对制作好的数据集进行训练和测试.实验结果表明,相比传统对象识别的方法,该方法不仅提高了工件装配检测的准确度,还保证了工业检测中对实时性的要求.另外,由于卷积神经网络可以获取工件图像的深层特征,从而使得目标检测算法更加稳健,更能适应光照、灰尘等环境噪声的变化.     

基于SDP图像与VGG网络的旋转机械转子故障诊断研究

针对传统故障诊断方法对旋转机械转子故障状态识别精度较低的问题,提出了一种基于对称点模式图像特征信息融合与深度学习相结合的旋转机械转子故障诊断方法。采用SDP信息融合技术,对转子故障状态下的多通道振动信号进行了信息融合,通过SDP图形特征可简单直观地区分不同转子故障振动状态;结合深度学习VGG网络自适应提取了SDP图像的特征信息,对不同故障转化的SDP图像实现了准确的诊断识别,进而判别了其故障类型;通过变速器机械故障模拟实验验证了所提出方法的有效性,并与传统机器学习方法极限学习机(ELM)进行了比较。研究结果表明:基于SDP图像与VGG网络的旋转机械转子故障诊断方法解决了转子故障振动信号中存在的高复杂、非线性和不稳定问题,与传统机器学习方法ELM相比具有更高的识别精度。     

基于统计学习的人群异常行为检测

针对拥挤道路环境下的人群监控问题,提出了一种新的异常行为检测方法。该算法首先对去背景后的训练视频提取特征向量,并通过统计学习的方法建立高斯混合模型（GMM）,然后提取测试视频的特征向量,输入到GMM中计算概率密度,最后用mean shift算法判断每帧是否异常。在UCSD数据库上进行帧级别的实验,取得了16%的同等错误率（EER）,在像素级别的实验中,取得了62%的定位准确率。实验结果表明该算法能有效检测不同场景下的人群异常行为。     

基于无监督迁移成分分析和支持向量机的故障分类方法

针对因源域和目标域数据存在分布差异及故障样本缺乏影响故障分类准确度的问题，构建了基于无监督迁移成分分析—支持向量机(UTCA-SVM)的故障分类模型。首先，将不同工况的样本特征映射到Hilbert核空间；然后，通过最大均值差异(MMD)来度量迁移的源域样本数据，实现从源域到目标域的跨域特征信息迁移；最后，通过实验对所提故障分类方法进行验证。实验结果表明：所提方法与主成分分析—支持向量机分类模型(PCA-SVM)和SVM分类模型相比，能够减少域分布差异以更准确的进行样本数据分类，进而准确地检测出滚动轴承的故障状态。     

基于深度迁移学习的变工况气体泄漏检测

压力容器气体泄漏智能检测识别技术易受多种因素干扰,且智能检测模型需要大量的监测数据训练。 而在实际工业环 境中,可用数据特别是数据标签十分稀缺,为了克服多工况干扰和数据缺少标签信息等问题,提出了一种利用迁移学习的无监 督变工况智能检测技术。 首先采集实验室环境下的多种泄漏的样本,选择 3 种不同压力工况下将数据分为有标签的源域和无 标签的目标域;其次设计卷积特征提取器,针对两个域的边缘分布和条件分布,提出一种改进的联合分布适应机制,并进一步改 进了分布差异度量,以增强邻域混淆。 在 6 个迁移学习任务上的实验结果验证了该方法的有效性,对比经典域自适应算法有更 高的准确率。     

基于骨架关键点的车内异常行为识别方法

针对现有异常行为识别方法在车内场景应用少,并且受车内空间狭小、异常行为复杂多变等影响导致识别有效性差等问题。在Alpha pose模型提取驾乘人员骨架关键点基础上,构建驾乘人员人体坐姿模型,采用关键点位置信息描述异常状态,最后利用概率学习模型将位置信息转换为概率对行为进行识别分类。经实验测试,该方法对车内前排人员异常行为的识别准确率能够达到90%以上,且具有一定的实用价值。     

基于机器学习的船舶柴油机异常点检测技术研究

本文结合某船历史航行数据提出基于孤立森林和长短时记忆网络(LSTM)算法的柴油机异常点检测方法。运用孤立森林算法对柴油机气缸排气温度数据进行异常点检测;针对缺乏异常数据的船舶柴油机热工压力参数根据其和柴油机转速的强相关性提出基于LSTM算法的异常点检测方法,再通过实船数据验证两种算法异常点检测效果。研究表明基于LSTM和孤立森林算法的柴油机异常点检测算法具备可行性。