基于轻量深度学习网络的机房人物检测研究

机房内的服务器受到破坏、信息泄露等问题时将对电网系统造成不可逆转的损失。该文提出一种基于轻量级深度学习网络的机房人物检测方法,以实时提醒管理人员监控视频中的异常信息。该方法以MobileNet作为特征提取网络,并调整SSD中的特征金字塔结构使其更适应于机房环境中的人物检测。以某电网系统机房为平台进行检测实验,结果表明,该方法较好地完成了机房人物检测任务,满足对视频流分析时的精度及实时性需求。     

基于深度学习算法的高压输电线路隐患自动检测方法

为实现输电线路多元状态的全面、准确检测,提高线路运行的安全性和稳定性,文章提出了一种基于深度学习算法的高压输电线路隐患自动检测方法。通过卷积神经网络构建模型,提取输电线路图像运行特征,并对该特征分类识别,实现对线路潜在隐患问题的自动检测。实验结果表明,该方法进行自动检测得到的准确率为98%,查全率为96%,查准率为97%,F1分数为97%,且将其应用于不同隐患类型的识别后,准确率均高于95%。该方法为电力系统的智能化检测提供了有效的技术支持。     

基于点云深度学习的加工特征识别方法

在计算机辅助设计与制造系统中,加工特征识别是一项关键技术。针对传统的特征识别技术可扩展性差、鲁棒性差等问题,提出一种基于点云深度学习的加工特征识别方法。通过对加工特征表面进行均匀点采样,构建加工特征的点云数据集。使用K近邻算法构建点云的旋转不变表示,提出一种融入几何先验知识的点云分类网络。对于多特征模型的点云数据,提出一种加工特征点集的提取方法和相交特征的分离方法。通过具体实例验证了所提方法的有效性,表明该方法能识别CAD模型中的单一特征和相交特征。     

基于YOLO深度学习模型的铝型材表面缺陷识别方法

针对铝型材表面缺陷快速准确检测的需求,提出一种基于YOLO深度学习模型的铝型材表面缺陷识别方法.对铝型材数据集进行图像增广,解决原始数据集中图像数量少且缺陷数据不均衡问题.建立基于YOLO的铝型材表面缺陷识别模型,通过增加模型预测尺度,提高对微小缺陷的识别能力.对铝型材缺陷数据集的目标框重新进行聚类分析,改进YOLO算...     

深度学习的车间零件分拣机器人目标识别方法

针对目前方法识别机器人目标时,由于未能详细分析分拣机器人运动规律,导致该方法开展目标识别时,存在平均置信度低、识别效果差等问题,提出深度学习的车间零件分拣机器人目标识别方法。该方法通过分析分拣机器人运动规律,提取待检测目标的特征向量值;结合深度学习理论建立目标识别模型,并寻找模型最佳参数;建立待检测目标的相关测试集放入模型中训练,基于模型输出结果,完成机器人的目标识别。实验结果表明,运用该方法识别目标时,其在特征提取后,分拣目标数量为1000个时,识别准确率达到了97.5%以上,识别耗时在100s以下,平均置信度约为0.8,有效提高了平均置信度、降低了识别时间,识别效果好。     

基于深度学习的航天密封圈表面缺陷检测

针对航天密封圈表面缺陷人工检测效率低、传统图像处理检测算法通用性差的问题,提出了两种基于深度学习的密封圈表面缺陷检测算法。首先,针对缺陷大部分为小目标的特点,选取对小目标较敏感的RetinaNet网络作为检测算法的基本架构,通过在RetinaNet网络中引入轻量级网络MoGaA构建出MoGaA-RetinaNet算法。然后,为了提高检测精度,在MoGaA-RetinaNet基础上,用分解卷积模块代替MoGaA骨干网络中的深度卷积构建了newMoGaA骨干网络,设计出newMoGaA-RetinaNet算法。最后,在测试集上的实验结果表明,MoGaA-RetinaNet算法比RetinaNet算法检测速度更快,但检测准确率略低;而newMoGaA-RetinaNet算法实现了检测精度与检测速度的良好平衡,比RetinaNet算法准确率提升4.5%,达到92%,检测速度提升55%,达到31 frame/s,网络参数量减少50%。所设计的newMoGaA-RetinaNet算法可以实现密封圈表面缺陷的快速准确检测。     

基于集成学习的铸件缺陷识别方法

针对铸件图像噪声多和对比度不足引起的缺陷识别困难的问题,文中提出了一种基于集成学习的铸件缺陷识别方法。首先,该方法采用灰度变换法、双边滤波以及自适应图像分割法对铸件图像进行预处理。然后,通过提取方向梯度直方图（Histogram of Oriented Gradients, HOG）特征、不变矩特征和局部二值模式（Local Binary Pattern, LBP）纹理特征构建全信息特征集,并结合支持向量机递归特征消除（Support Vector Machine-Recursive Feature Elimination, SVM-RFE）算法筛选铸件缺陷敏感特征。最后,利用Adaboost-RF（Adaptive Boosting-Random Forest）方法构建铸件缺陷识别模型。对比实验结果表明,该模型不仅可以有效提取缺陷敏感特征,而且相较于其他分类器具有更好的分类性能和泛化能力。     

基于多源同步信号与深度学习的刀具磨损在线识别方法

为提高刀具状态监测系统的实用性、避免实际加工过程中工序变换产生的信号干扰,提出一种基于多源同步信号与深度学习的刀具磨损在线识别方法。该方法利用自动触发的方式实现了机床运行在特定工序时的刀具振动、主轴功率、数控系统参数等多源信号的同步在线采集,保证信号同步性的同时有效避免了因工序变换而产生的信号波动干扰;进一步利用高频振动特征实现了 “切削过程”与“切削间隙”采集样本的准确划分,并基于皮尔逊积矩相关系数筛选出强关联特征,保证了多源监测信号融合样本的可用性;最后基于一维卷积神经网络建立了刀具磨损在线识别模型。实验结果表明,该方法无论从识别精度还是诊断效率,均能实现实际加工过程中刀具磨损状态的在线识别。     

基于深度学习的电器目标检测

针对传统目标检测算法无法自适应提取目标相应特征并完成识别的现象,提出一种基于快速区域卷积神经网络(Faster R-CNN)模型的电器识别方法,其优势在于可以自适应获取不同场景下目标的特征,避免由于人为设计目标的特征而带来的主观因素影响,具有良好的鲁棒性与准确性。FasterR-CNN中首先通过建立区域建议网络RPN(Region Proposal Network)代替Fast R-CNN中的Selective Search方法,得到建议位置后再进行检测。为了解决训练过程当中正负样本失衡问题,在Faster R-CNN中引入了难负样本挖掘策略,增强了模型的判别能力,提高检测的精度。     

深度学习的多目标跟踪研究进展

多目标跟踪在诸多行业中具有广泛的应用前景,但也面临着目标形变、目标重叠、目标数量变化、遮挡和自遮挡以及缺少足够的标记数据等难题。由于深度学习的快速发展,使用深度学习的多目标跟踪方法迅速发展,有效的提升了多目标跟踪的性能。介绍了深度学习的多目标跟踪研究进展,并将其分为基于深度特征、基于端到端数据关联、基于单目标跟踪器扩展和联合检测跟踪的四类方法,详细说明每类方法的设计原理及其优缺点。最后,介绍了常用的数据集和评价指标并对比相关算法的性能,针对现有的多目标跟踪算法的不足,展望未来的发展趋势,以期为多目标跟踪的深入研究提供理论支持和技术指导。     

基于深度支持向量机的曲轴智能识别方法

针对拓扑形状结构相似、仅在局部细节上有差别的曲轴识别问题,提出一种基于特征融合的深度支持向量机(DSVM)识别方法,该方法将深度神经网络与多个支持向量机(SVM)相结合构成一种网络模型,通过最大限度地利用支持向量结构风险最小化原理提取深层特征,以建立特征和目标值之间的复杂非线性映射关系,保证模型的泛化能力.该模型包含数...     

改进深度学习优化电力设备缺陷图像识别

红外图像特征对具有发热特征的电力特设缺陷具有较好的表达能力,随着电力企业设备红外图像的积累,传统检测方法遇到效率和准确率瓶颈,为此,提出了基于改进Faster RCNN的缺陷识别算法,算法通过模型中RPN网络卷积核的优化,减少RPN网络的计算量,通过多分辨率特征融合提高网络对缺陷特征语义信息和细节定位信息的应用,最后通...     

基于深度学习的陶瓷衬垫码片识别研究

传统的陶瓷衬垫码片识别主要依赖于人工,由人工手动摆正方向错误的码片,识别效率低,还有可能形成错检、漏检,造成后续工程问题.对此,提出一种基于深度学习的陶瓷衬垫码片识别方法.这一方法通过预训练的Mask区域卷积神经网络对已标记的样本进行试验,使用Res Net-50网络进行特征提取,调节神经网络的结构,并计算求解.在研究...     

基于深度学习的机房人物重识别研究

机房内的各类设施通常由管理员统一调度,对视频中管理人员的路径追踪至关重要。为此该文提出一种基于深度学习的机房人物重识别方法,以为后续的责任追查过程提供依据。该方法以残差神经网络ResNet-50作为特征提取网络,并使用三元损失函数使模型更适用于人物重识别任务。以贵州省某电网系统机房作为试验平台进行测试。结果表明,该方法的准确率与召回率均满足实际要求,具备一定的工程参考价值。     

基于深度学习的航空发动机磨损部位识别方法

针对航空发动机润滑系统中摩擦副部件复杂、磨损颗粒能谱监测元素众多,靠人工经验难于进行磨损部位精确识别的问题,提出一种基于深度学习的航空发动机润滑系统磨损部位识别方法。该方法应用一维卷积核为计算单元,搭建一维卷积残差网络模型。以航空发动机润滑油中磨损颗粒能谱分析数据为输入,采用所搭建的一维卷积残差网络模型实现对能谱数据的特征提取以及航空发动机磨损部位的定位识别;以某型航空发动机润滑油中磨损颗粒实测能谱数据验证该方法的有效性,并和Resnet18、Resnet34、CNN等网络模型进行对比验证。结果表明,所提方法对航空发动机磨损部位的识别精度达到95%以上。为了验证模型的鲁棒性和泛化能力,在真实的某型航空发动机能谱数据基础上,对含氧数据和噪声数据分别进行测试,进一步说明该模型用于对磨损定位识别的有效性,具备实际应用的可行性。     

基于图像深度学习的零件加工特征信息提取方法

针对各类基于模型定义(MBD)的零件模型加工特征的信息集成问题,提出一种多层次提取架构的加工特征全息信息提取方法.通过对零件的结构特点进行分析,以具有制造语义且无法拆分的最简化特征实现加工特征的分类;在阐述提取策略的基础上,构建了基于深度学习图像识别技术的加工特征分类器;依据MBD模型信息标注的特点快速定位、抽取加工特...     

基于相位一致性最大响应方向的虹膜识别方法

为了进一步提高虹膜识别的准确性,提出了一种基于相位一致性最大响应方向的虹膜识别方法.该方法对人眼图像进行图像预处理,得到归一化的虹膜图像;然后,提取像素对于相位一致性的最大响应方向作为可区分性特征,并将最大响应方向的序号编码为简单易处理的二进制虹膜代码;最后,通过计算两个虹膜代码之间的加权汉明距离衡量二者的差异,并给出识别结果.实验结果表明,该方法的等错率为0.871 5%,正确识别率为99.851 8%.与经典的虹膜识别方法相比,该方法具有更高的识别准确性.     

基于深度字典学习的滚动轴承故障识别

针对传统滚动轴承故障识别算法存在的特征提取与选择困难的问题,提出了一种基于深度字典学习(DDL)的滚动轴承故障诊断方法.首先,利用传感器采集了不同工况下的滚动轴承故障振动数据,并利用字典学习的稀疏性约束逐层学习了轴承故障数据中的典型结构特征;然后,借鉴深度学习的"逐层特征提取"思想,根据故障样本结构构造了深度故障字典,...