基于残差网络的航空发动机滚动轴承故障多任务诊断方法

针对当前基于深度学习的航空发动机滚动轴承故障诊断技术诊断任务单一的问题,提出一种基于多任务残差网络的滚动轴承故障诊断方法,该方法采用残差网络为深层特征提取与共享主框架,建立能够同时进行故障诊断的多任务模型。首先,在数据预处理中,将滚动轴承的振动加速度时域信号转换为频谱图,并直接作为网络的输入;然后,应用标签平滑技术对故障类别标签做了平滑处理以提高网络的测试精度;最后,利用两组实际的滚动轴承故障数据集对所建立的多任务模型进行试验验证,将诊断任务划分为：故障状态识别(正常和异常)、故障部位识别(内圈、外圈和滚动体故障)、以及故障程度识别(损伤尺寸大小预测)。结果表明,所搭建的多任务模型在故障状态识别和部位诊断中的准确率达到97%以上。同时,在故障识别中,损伤大小预测达到了满意的精度,充分表明该方法具有很强的故障多任务诊断能力。     

融合注意力机制与全局特征网络的行人重识别算法研究

行人重识别是近年来计算机视觉领域的研究热点,已被广泛应用在智能视频监控、安保系统等多个领域。但在实际应用场景中,图像数据会受到摄像机差异、物体遮挡、行人姿态视角改变等因素的影响,因此,克服以上问题成为了当前行人重识别研究所关注的重点问题。对于行人重识别方法在面对遮挡和复杂背景应用场景下的干扰信息影响精度的问题,提出了引入空间注意力机制,对拓扑关系遮挡行人重识别算法的全局特征提取网络进行改进,将基于空间注意力的特征提取网络与拓扑关系遮挡行人重识别算法中的作为Backbone网络的RestNet50进行优化改进。在公开的Occluded-Duke数据集和Market-1501数据集上进行测试,实验结果显示改进算法的评价指标有明显提升。     

基于风格迁移及度量融合的行人再识别研究

行人再识别是跨场景跨时间的行人图像匹配问题.锁定的目标从一个摄像头下消失后,在其它摄像头视角下再出现时,系统仍能够依据其特征重新锁定.目前该问题遇到的挑战主要来自光照、背景、行人姿态等变化造成的影响.此外,在与训练集不同的数据集上进行测试时性能严重下降,且对大量的数据进行标注的成本非常高.本文采用风格迁移和度量融合的方法:首先,采用循环对抗生成网络将一个数据集中带标签的数据图像风格转换到另一个无标签的数据集上;然后,在风格转换后的数据图像上进行训练,并采用直接度量和间接度量相结合的方式进行相似度度量;最后,在无标签数据集上测试,并将行人图像按相似度由高到低排列输出.实验结果表明:本文方法可明显提高跨数据集的行人再识别准确度.     

基于浅层Inception-MobileNet旋转机械故障诊断

针对现有的旋转机械故障诊断算法存在着时频表示模糊、特征提取困难,从而导致故障诊断效率和精度较低的问题,提出一种基于浅层Inception-MobileNet的旋转机械故障诊断模型。该模型通过拼接法将原始振动信号转换为二维图像,然后采用多尺度卷积核提取不同分辨率的特征图,并结合深度可分离卷积实现特征学习与分类。该网络在CWRU数据集和MFPT数据集上分别实现了十种故障分类和三种故障分类,分类精度为99.5%和95.78%。与传统的网络进行比较,该网络可提高特征提取能力,并且在相同数据集上该网络实现的故障识别精度最高。     

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数据集上获得了66.12％的准确率,优于多个对比网络.最后,本文搭建了一个可视化系统来验证所提模型在自然场景下的性能,验证结果与实验结论一致.     

基于局部最大概率特征和映射模型学习的行人再识别

进行了行人再识别研究。针对行人自身差异和相机视域差异的存在导致再识别率低的问题,提出了一种基于局部最大概率特征和映射模型学习的行人再识别算法。该算法首先对行人图像提取局部最大概率特征,克服光照变化并提取图像的完整信息;然后学习交叉映射模型,利用学习好的模型进行行人特征变换,从而消除不同摄像机拍摄区域的特征差异;最后进行距离度量和排序。实验表明,该算法合理有效,能够获得较为完整的判别性特征表示,成功地提高了行人再识别的匹配精度。     

基于非对称增强注意力与特征交叉融合的行人重识别方法

针对现有的行人重识别方法提取到的特征信息充分性与辨识性不足导致检索精度低的问题,提出一种基于非对称增强注意力与特征交叉融合的行人重识别方法。首先,构建非对称增强注意力模块,通过多重池化聚合的跨邻域通道交互注意力增强显著特征表示,使网络聚焦于图像中的行人区域;其次,考虑到网络各层特征间的差异性与关联性,构建特征交叉融合模块,利用交叉融合方式实现同层不同级特征的跨层级融合,进而实现多尺度融合;最后,水平切分输出特征以获取局部特征,从而实现在特定区域上描述行人。在Market1501、DukeMTMC-reID与CUHK03这3个公开数据集上对提出的方法进行了验证,首位命中率(Rank-1)分别达到了93.5%、85.1%和64.3%,证明了该方法在提升行人重识别性能上具有优越性。     

基于残差注意力机制和子领域自适应的时变转速下滚动轴承故障诊断EI北大核心CSCD

针对强噪音、时变转速下滚动轴承振动信号数据特征分布不一致及待监测故障样本不含标签的问题,提出一种残差注意力机制和子领域自适应的无监督迁移学习滚动轴承故障诊断方法。首先,为充分发挥卷积神经网络(convolutional neural networks, CNN)的图像分类能力,将时变转速下采集到的一维时域故障振动信号采用连续小波变换(continuous wavelet transform, CWT)转换成二维灰度图,作为该研究模型的输入;其次,为更好提取源域与目标域的通用特征,特征提取器利用该研究提出的残差通道注意力弱共享网络模型,该模型采用了残差网络的跨层连接方式和通道注意力机制,并弱化了传统网络模型强共享条件;再次,为匹配源域与目标域的条件分布差异,网络自适应层选择局部最大均值差异(local maximum mean discrepancy, LMMD)度量准则;最后,采用时变转速滚动轴承公开故障数据集进行试验验证与分析。结果表明,该研究提出的方法在强噪音、时变转速下平均识别精度达到93%以上,相比于传统CNN模型具有较好的泛化性、鲁棒性。     

小样本药用玻璃瓶缺陷生成方法及应用

目的 为了克服药包玻璃瓶缺陷样本不足带来的缺陷检测模型精度不准的问题,提出改进StyleGAN2-ADA的缺陷样本生成方法,提升模型鲁棒性。方法 首先,基于StyleGAN2-ADA算法,在无缺陷图像集上训练网络模型并作为骨干。其次,在骨干网络上添加缺陷感知残差块,生成缺陷掩码,在少量的缺陷图像数据集上训练网络模型操纵掩码区域的特征,模拟缺陷图像生成过程,合成缺陷图像。最后,采用YOLOv7检测网络验证该样本生成方法的效果。结果 实验结果表明,该方法在大量正常图像和少量缺陷图像基础上生成逼真且多样性的缺陷图像,应用该缺陷样本合成方法丰富数据集后,西林瓶缺陷检测平均准确率（mAP）达到97.3%,较原始数据集合和StyleGAN2-ADA算法分别提高了33.1%和4.1%。结论 该图像生成方法可以在少量缺陷样本下生成高质量的缺陷图像,优化不均衡数据集,增强模型训练的稳定性,提高药用玻璃包装产品的质量和合格率。     

面向不平衡数据的云模型旋转机械故障识别方法EI北大核心CSCD

因正常数据丰富、故障数据匮乏而引起的数据不平衡,已经成为工业大数据智能决策技术面临的关键问题之一。因此,针对机械设备故障诊断研究中经常遇到的不平衡数据集中少数样本类别识别精度偏低的问题,提出一种基于云模型的集成学习方法并将其用于旋转机械不平衡数据的模式识别。该方法首先将提取出的轴承故障特征数据集通过ReliefF算法计算各特征的权重,依据特征权重值降序排列的结果提取出权重趋大的特征构成低维特征集,并将低维特征集划分为不平衡训练集、测试集两部分;其次通过云模型理论中的正向云发生器、逆向云发生器对低维特征集中各个特征分别绘制云图,得到单一特征下各状态的训练数据与测试数据云图;然后通过距离公式判别与待测样本距离最近的训练数据云图,判断出单一特征下待测样本的类别;最后通过集成学习方法将各个特征下的识别结果进行整合,以相对多数投票法识别出待测样本的所属类别结果。与传统的BP神经网络、支持向量机两种分类器进行对比的试验表明,该方法不仅对不平衡数据的待测样本识别精度较高,而且具有一定的泛化性能。     

距离度量学习的摄像网络中行人重识别

针对在不同的摄像头场景下,光线、摄像头参数的差异较大使得行人重识别困难的问题,提出一种基于距离度量学习的方法进行行人重识别.该方法首先为每一对摄像头学习一个距离度量模型.其次,根据上述因素的影响强度为这些度量模型赋予相应的权值.最后,对度量模型与其相应权值的乘积进行累加与优化,得到最终的距离度量模型.经过在两个公共数据集中进行行人重识别实验,其结果显示所提出的方法能够提高行人重识别的正确率.     

一种基于极大团的蛋白质相互作用预测方法

针对大规模、高通量方法识别出的蛋白质相互作用数据集包含噪声较高的问题,根据蛋白质相互作用网络中噪声数据的特点和网络拓扑属性,提出了一种基于极大团的相互作用预测方法以提高识别出的这种数据集的可靠性.该方法通过蛋白质与蛋白质团之间的关联程度来预测蛋白质间是否存在相互作用,同时结合噪声数据在网络中的特点将预测结果放大并将伪相互作用分离出来,最后可获得可靠性较高的预测数据集.实验结果显示,所提出的方法不仅可以预测更多相互作用而且具有更高的可靠性.     

基于共有特征学习和数据增强的农作物病害识别算法

针对农作物病害图像类间差异较小,传统机器学习方法在农作物病害数据集上识别精度低、模型训练复杂等问题,本文提出一种基于共有特征学习和数据增强的农作物病害识别算法。首先,对于农作物病害数据集类间数据不均衡等问题,本文使用Mixup数据增强算法对数据集进行扩充,丰富样本数量;然后,对于特征提取模块,本文在深度残差网络中嵌入通道注意力模块,使之侧重学习农作物叶片病害特征,忽略背景信息对模型带来的干扰;最后,在提取完图像特征后,将特征图送入到共有特征学习模块中,提高图像之间线性关联,增强模型泛化性能和鲁棒性。为验证所提模型的有效性和实用性,本文在Plant Diagnosis Dataset农作物病害数据集上进行训练及测试,实验结果表明,所提模型准确率达到97.9%,可有效提高农作物病害图像识别精度。     

多核支持向量机多示例学习的行人再识别

行人再识别中的难点在于在不同摄像机中同一行人的图像差异较大,单一特征难以稳定地描述图像,而采用多种特征融合时无法准确分配权重。针对这一缺陷,本文提出了多核支持向量机多示例学习的行人再识别算法。首先提取行人在A、B摄像机下二张图片的分块HSV颜色特征和分块SIFT局部特征并构建词袋,将二者作为示例样本封装成包;其次对多核支持向量机模型进行了优化,采用高斯核和多项式核线性融合对包进行训练,并用多示例学习获得最优权重;最后本文算法在VIPe R标准数据集上进行了测试,识别准确率通过计算十次实验的平均准确度来获得,并用CMC曲线进行表示,同时也对样本的匹配结果进行排序。实验结果表明本文算法与多个优秀的算法相比,鲁棒性和识别准确度都获得了提高。     

基于改进YOLOv5s的药盒钢印日期识别方法

目的 药盒的钢印日期与背景对比度低,字符轮廓不明显,识别易受环境光线干扰,对此提出一种基于机器视觉的识别方法。方法 使用改进YOLOv5s模型,首先对采集的药盒数据集进行透视变换校正,并进行数据增强。通过在模型的骨干网络中融合位置注意力机制(CA),减少冗余信息的干扰;颈部网络根据加权双向特征金字塔网络(BiFPN)引入权重,更好地平衡不同尺寸图层的特征信息;引入动态聚焦损失函数(WIoU),降低高质量样本对训练的干预,提高模型的泛化能力。结果 在自建钢印字符数据集上的实验结果表明,改进网络对药盒钢印日期识别的平均精度值达到了99.41%,比原始模型提升了2.38%,帧率为80.01帧/s。结论 改进后的YOLOv5模型对药盒钢印日期的检测精度优于原有网络,对可以满足药盒生产线的实时性要求。     

基于语义信息的场景识别方法研究

在场景识别任务中,由于场景图像类内变化大,类间相似度高,不同场景类别之间表现出相似的外观和对象分布,从而容易导致场景识别任务的失败.为解决该问题,本文提出一种基于语义分割及高效网络相结合的场景识别模型.该模型由语义分支和RGB分支两部分组成,语义分支在语义分割基础上进一步提取图像上下文信息,RGB分支采用高效网络来提取图像的全局特征,通过注意力机制将两个分支的输出特征进行融合,最终输入线性分类器以实现场景识别的预测.将提出的网络模型在ADE20K,MIT Indoor 67和SUN3973个数据集进行训练与测试,实验结果表明,提出的模型可以显著减少网络参数数量,同时提高场景识别的准确率.     

复合材料结构损伤的属性理论综合评估

为获得一种实时判别复合材料结构损伤的方法研究了属性测度及其识别.用材料结构的应力变化和表面短裂纹群作为特征矢量对结构的状态进行离散化处理,将属性测度识别方法应用于各离散状态的识别,从而对材料结构的损伤程度进行评估.实验表明这种方法的综合识别效率优于径向基函数神经网络,为研究复合材料结构的损伤在线识别提供了一种研究方法.     

基于深度残差收缩网络的商品图像识别

为了降低噪声信息的干扰及提高商品图像识别的准确率,提出了基于深度残差收缩网络的商品图像识别模型.该模型在深度残差网络的基础上融入软阈值函数及注意力机制,软阈值函数将注意力机制注意到的不重要的特征置为0,从而降低噪声信息的干扰,提高图像识别的准确率.实验首先通过爬虫方式获取了包含了51种商品的数据集,并且对该数据集通过图像翻转以及对图像加噪等操作,形成具有44066张图像的商品数据库.然后将深度残差收缩网络与深度残差网络、SENet算法模型对数据进行训练对比,同时对部分商品图像进行了测试.实验结果表明,深度残差收缩网络不仅可以提高商品图像识别准确率,同时还提高了模型的运行速度.     

基于机器视觉的金属丝网缺陷识别方法

目的 提升金属丝网的检测效率与检测精度。方法 提出一种应用于金属丝网表面缺陷识别的EfficientNetV2改进网络,首先更改了网络的骨干结构,在特征提取模块前后分别引入通道拆分与通道转换等操作,以增大网络容量,提高特征利用率;其次重新设计网络的分类器,通过对提取的高级语义信息进行逐层分步压缩,以减小特征损失,提高分类精度;最后搭建图像采集系统,构造金属丝网缺陷数据集。结果 实验结果表明,文中改进的网络模型在数据集上的准确率、精确度和特异度分别达到99.43%、99.42%和99.88%,图像识别耗时为27.5ms,增强了缺陷识别效果。结论 该方法具有较高的准确率,在金属丝网缺陷检测上具有较好的实用性,也可为其他类似产品的缺陷检测提供参考。     

多特征聚合的红外-可见光行人重识别

红外-可见光行人重识别在视频监控、智能交通、安防等领域具有广泛应用。但是不同图像模态间的差异，给该领域带来了巨大的挑战。现有方法主要集中于缓解模态间差异以获得更具鉴别性的特征，但却忽略了邻级特征之间的关系以及多尺度信息对全局特征的影响。因此，本文提出一种基于多特征聚合的红外-可见光行人重识别方法(MFANet)解决现有方法的缺陷。首先在特征提取阶段融合邻级特征，引导低级特征信息的融入，以强化高级特征，使得特征更具健壮性；然后聚合不同感受野的多尺度特征以获得丰富的上下文信息；最后，以多尺度特征作为引导，强化特征以获得更具鉴别性的特征。在SYSU-MM01和RegDB数据集上的实验结果证明了所提方法的有效性，其中SYSU-MM01数据集在最困难的全搜索单镜头模式下平均精度达到了71.77%。