基于卷积神经网络的磁瓦表面缺陷识别

针对现有的磁瓦表面缺陷识别算法准确率低且泛化能力不足的问题,提出一种基于卷积神经网络的磁瓦表面缺陷识别算法.该算法在轻量级NASNet卷积神经网络的基础上,引入双线性模型增强网络的特征表达力,提高算法识别精度.其次,为了减少模型参数量与计算量,改进NASNet模型结构进行特征降维.同时采用Adam算法作为网络的优化算法...     

基于PSO-Gabor特征增强的钢板表面缺陷识别研究北大核心CSCD

为了解决钢板表面类内缺陷形态差异大、类间缺陷相似度高且传统方法难以准确识别的问题,提出了基于PSO-Gabor特征增强的钢板表面缺陷识别方法。首先采用粒子群优化算法(PSO)对Gabor滤波器的频率、方向、尺度和滤波窗口尺寸进行迭代寻优,根据得到的最优参数构造Gabor滤波器;然后利用该滤波器与钢板表面缺陷图像进行卷积操作,并计算其能量响应值获得对应的能量图;最后将能量图输入到卷积神经网络中进行训练和测试。实验结果表明,该方法对钢板表面缺陷识别准确率达到97.5%,检测时间约为50 ms,与传统的模式识别方法相比,识别准确率大幅提升,识别速度快。     

基于卷积神经网络的水果图像分类识别研究

为了解决传统水果图像分类识别算法人工提取特征的缺陷,将卷积神经网络应用到水果图像识别上,基所创建的数据集,参照经典的卷积神经网络模型Le Net-5结构,提出更适合本数据集的卷积神经网络结构,首先对水果数据集进行分类标签,将苹果、梨、橙子、橘子、桃子分别标记为0、1、2、3、4,然后将图片分批次投入模型训练,该模型构建了一个输入层、两个卷积层、两个池化层、两个全连接层和一个输出层。卷积神经网络通过底层提取特征,再进一步更深层次提取特征,最后得到目标的分类。实验结果表明,所提出的卷积神经网络结构不仅在数据集上取得了较高的识别准确率,而且与传统的水果图像分类识别算法相比较,卷积神经网络避免了人工提取特征的繁琐过程。     

基于机器视觉的玻璃缺陷检测

随着科学技术的进步,高端显示屏产品对平板玻璃的质量要求越来越高,玻璃的表面缺陷检测技术也因此备受关注。传统的人眼检测方法工作量大且准确率低,已经无法满足生产实际要求。研究了一种基于机器视觉的玻璃质量检测系统,采用先进的CCD成像技术和背光式照明获取图像,用MATLAB图像处理工具箱对采集到的图像进行灰度值化、滤波降噪和阈值分割处理,实现对缺陷区域的特征提取和识别。最后用BP神经网络对玻璃表面的三种缺陷进行分类,该神经网络识别的平均误差率为9.84%,表明此检测方法具有一定的应用价值。     

基于改进Laplace小波和改进卷积神经网络的压裂车动力端轴承故障识别

在强背景噪声工况下,压裂车动力端轴承振动信号故障特征较微弱,导致轴承故障诊断的准确率较低。针对这一问题,提出了一种基于改进Laplace小波(ELW)和改进卷积神经网络(ECNN)的压裂车动力端轴承故障识别方法。首先,采用了一种Laplace小波振荡频率参数选取策略,使Laplace小波搜寻到了最佳频率参数;然后,采用改进Laplace小波,对采集到的压裂车动力端轴承故障振动信号进行了降噪处理,并在卷积神经网络(CNN)的基础上引入了自注意力机制和编码器、解码器结构,设计出了改进卷积神经网络(ECNN)模型;最后,将压裂车动力端轴承降噪后的信号输入改进卷积神经网络,进行了自动特征提取和故障识别;为了验证该方法的有效性和先进性,将其与其他方法(模型)进行了对比分析。研究结果表明：采用基于改进Laplace小波与和改进卷积神经网络的方法(模型),对压裂车动力端轴承故障进行识别的准确率可高达99.67%,单个样本的测试时间仅为0.14 s;在识别准确率、召回率、F1得分和统计检验等方面,与其他方法(模型)相比,基于改进Laplace小波与改进卷积神经网络的组合模型具有更为优秀的故障识别性能。     

模拟初级视觉皮层增强CNN神经网络结构的稳定性

针对卷积网络模型的稳定性能较差,对抗训练方法会使得网络结构过于复杂并占用大量运算资源的问题,提出了一种基于人体视觉神经系统生物特征的卷积神经网络模型改进方法（VVNet）。在卷积神经网络的基础上,融合人体视觉的结构特征,在不增加网络层数或保持准确率不变的情况下,提高神经网络面对噪声干扰的稳定性。在数据集Cifar10上对3种不同神经网络模型（VVNet,VOneNet以及原网络模型）进行测试。实验结果表明,使用VVNet网络模型、VOneNet网络模型和原始的网络模型DenseNet121对四类图像（噪声图像、模糊图像、遮挡图像和饱和曝光图像）的分类准确率进行对比,验证了提出的VVNet网络结构对不同类型图像的分类准确率几乎不变,在使用对抗样本情况下,VVNet网络结构的图像分类准确率提高了约10%。与深度学习网络相比,基于人体视觉系统结构的网络能够在保持准确率的同时有效地提高神经网络的稳定性,并具有可移植性。     

基于卷积神经网络的林火烟雾识别

基于传统的人工神经网络(Artificial Neural Network, ANN)提出了一种算法用来进行森林林火烟雾的图像识别。应用卷积神经网络(Convolutional Neural Network, CNN)结合反向传播法(Backpropagation, BP),选取适当的激励函数,训练神经网络。同时通过适当的池化方法大大提高了算法的效率,从而有效地通过神经网络对目标图像的特征学习,识别出烟雾图像。在对图像识别学习前对图像进行灰度化,并且在对图像进行二值化之后,再进行学习训练,排除了所需识别目标之外图像引入的干扰,从而提高了图像识别准确率。     

基于改进卷积神经网络的燃气调压器故障识别研究

针对传统故障识别方法不仅过分依赖专家经验对故障特征进行提取且识别准确率不高的问题,在深度学习理论基础上,提出了一种将一维卷积神经网络与SVM分类器相结合的改进深度卷积神经网络,实现调压器“端到端”的故障识别。首先,介绍了传统卷积神经网络结构;其次,将改进后的一维卷积神经网络与SVM相结合,提出了基于1-MsCNN-SVM算法的调压器故障识别模型,并对模型的组成部分进行了介绍;然后,通过对比实验确定了模型的卷积核长度和卷积层组数;最后,为验证模型的有效性,基于燃气调压器故障数据集,开展了燃气调压器故障识别研究。研究结果表明,改进后的1-MsCNN-SVM算法故障识别准确率高达99.20%,模型具有较好的分类准确率。     

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,最后通过自适应训练数据抽样提高正负训练样本抽取的有效性,从而提高算法缺陷识别准确率.实测数据实验表明,改进模型的目标函数可以在较少的迭代次数下实现稳定实收,在准确率、召回率和运行时间等评价指标上优于传统Faster RCNN模型、SIFT算子模型等已有模型,从而验证了算法的有效性和对不同背景干扰的有效性.     

基于机器学习的灭弧栅片表面缺陷检测方法

为了实现金属灭弧栅片表面缺陷的自动检测,引入了CCD成像系统并提出了表面缺陷检测三步法:第一步对原始图像进行去噪,第二步将灭弧栅片从背景中提取出来,第三步利用分类器对缺陷产品进行识别。提出了基于方向梯度直方图(HOG)与Gabor特征结合的图像特征提取算法,与传统的基于HOG和基于Gabor特征的算法相比,多分类支持向量机的训练结果显示本方法识别率分别提高了13%和7%。通过设计卷积神经网络框架对缺陷产品进行检测,结果显示正确率为93%。在二分类情况下对支持向量机和卷积神经网络的分类性能进行了比较,结果显示卷积神经网络性能更优。     

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。     

改进的AlexNet模型在玻壳缺陷检测中的应用

针对玻壳缺陷检测的准确率不高的问题,提出了一种基于改进AlexNet的玻壳缺陷检测模型。该模型在AlexNet网络模型基础上,引入1×1卷积、通道洗牌卷积层和残差网络,优化了模型的结构。将改进前后的模型分别对玻壳图库随机抽取的玻壳图片进行测试,实验结果表明:改进后的模型能够识别玻壳残缝、破口、污点等缺陷,识别准确率达95.9%。改进后的AlexNet模型在玻壳缺陷识别具有良好的适用性。     

基于卷积神经网络的设备安装位置智能识别方法

该文针对IT系统集成机柜建立了一套基于卷积神经网络的柜内设备智能识别系统。设计基于图像处理和深度学习的识别算法以实现机柜内设备安装位置的检测识别。建立设备图像数据集对YOLO模型进行训练,得到合适的加权系数,使模型损失函数值最小;将训练好的模型对实际环境中的机柜进行检测并与其他经典方法进行对比。实验结果显示,该系统检测的准确率和实时性都优于其他算法,准确率最高达到93.9%。对于建立基于机器视觉的设备识别和控制系统有重要意义,可以在一定程度是上取代人工识别和操作。     

基于卷积神经网络的铁谱磨粒智能识别研究

针对传统的计算机磨粒识别方法对相似度高的严重滑动磨粒和疲劳磨粒存在识别过程复杂、识别准确率低等问题,提出利用卷积神经网络(Convolution Neural Network,CNN)自动提取铁谱磨粒图像的特征,再将提取到的特征传入全局平均池化层和新的全连接层进行训练分类的铁谱磨粒智能识别方法。试验显示,基于卷积神经网络模型Inception-v3+1FCL和迁移学习方法可以有效地对严重滑动磨粒和疲劳磨粒进行分类识别,准确率高达89. 35%。     

面向石质文物裂隙的超声定位系统及算法研究

面向石质文物多年风化、干裂，急需修复的场景，针对深度学习在文物裂隙检测应用中的不足，提出一种基于缺陷特征增强和卷积神经网络(CNN)的石质文物缺陷定位算法。算法通过小波包分解进行特征提取并选择包含丰富特征信息的有效频段，作为CNN网络的输入，通过模型训练和波形分类识别，缩小定位范围，提高缺陷定位算法的泛化能力和识别率。本文搭建了以现场可编程门阵列(FPGA)为核心的超声检测平台，并在边长为40 cm的立方体试件上进行了实验验证，实验结果表明，波形识别准确率相较传统算法提高了11.3%,平均定位误差小于10%,为石质文物裂隙检测提供了可靠依据，有助于文物保护和修复。     

一种改进卷积神经网络模型的焊缝缺陷识别方法

针对传统卷积神经网络(Convolutional neural network,CNN)应用于焊缝缺陷识别时,池化模型适应差及特征选择能力低、以及易导致过拟合问题,提出了一种基于改进卷积神经网络(Improved pooling model and feature selection of CNN,IPFCNN)的焊缝缺陷识别方法。结合焊缝缺陷图像本身的特点,对传统平均池化模型做出改进,提出一种综合考虑池化域与其所在区域特征图分布的池化模型;为增强模型特征选择能力,提出将随机森林与卷积神经网络相结合的强化特征选择方法。以某汽轮机制造过程中焊缝缺陷识别案例对所提方法进行了验证和说明,结果表明提出的池化模型在处理不同特征分布的池化域时具有动态自适应性,并通过提高特征选择能力,使得所提方法比传统CNN方法具有更高的缺陷识别率。     

基于卷积神经网络的带钢表面缺陷检测算法

针对现有带钢表面缺陷检测方法准确率低、特征泛化性不强、参数多、识别速度慢等缺陷,基于卷积神经网络,采用DenseNet网络的密集连接算法解决梯度消失和梯度爆炸问题,堆叠式空洞卷积扩大卷积核感受野,深度可分离卷积减少网络参数量,提出一种用于带钢表面陷检测的深度神经网络模型Ds-DenseNet算法。以NEU带钢表面缺陷数据集为基础缺陷样本,加入正样本,并对其进行数据增强操作,创建AUG-NEU数据集,本算法在AUG-NEU数据集上的测试精度高达99.38%,参数量为117958,仅占DenseNet121和ResNet50参数量的1.7%和0.5%,识别速度高达1.3ms/frame,分别是DenseNet121、ResNet50识别速度的2.3倍和2倍,完全可以满足带钢生产线实时检测的需求。     

基于红外图像分析的TSV内部缺陷识别方法研究

TSV三维封装内部缺陷难以用传统方法检测。然而其内部缺陷的存在会导致热阻发生变化，对系统温度分布产生影响，因此可以通过对红外图像的分析达到对缺陷进行识别及定位的目的。文中研究了缺陷对温度场的影响，分别通过理论分析、有限元仿真及实验方法对TSV三维封装系统进行了热-电耦合分析，得到了缺陷铜柱类型及位置不同时的温度分布数据集，搭建了卷积神经网络(CNN)模型对2组数据集单独进行分类预测。实验结果表明：利用仿真数据集与试验数据集分别对CNN模型进行特征训练，得到的缺陷识别与定位准确率为98.65%,98.36%。由上可知，缺陷类型及位置的不同会对温度场产生不同影响，利用CNN模型对TSV红外热图像进行特征训练可以有效识别与定位内部缺陷。     

基于RFE-BXGBoost的轴承套圈沟道表面缺陷识别方法

轴承套圈是轴承部件的重要组成部分，其表面缺陷影响轴承的服役期限。为了解决轴承沟道表面缺陷难以被准确识别的问题，提出了一种基于特征递归消除的贝叶斯极度梯度提升树(RFE-BXGBoost)的轴承套圈沟道表面缺陷识别模型(方法)。首先，基于特征衍生的思想，对轴承沟道的时域、频域等特征进行了提取，使用了极度梯度提升树(XGBoost)作为基于特征递归消除(RFE)的基学习器，对影响轴承沟道表面缺陷最佳特征子集进行了选择，并过滤了冗余特征；然后，利用基于贝叶斯优化的XGBoost模型组成弱分类器，为了降低模型预测结果的方差，使用有放回随机抽样法，对基分类器进行了选取；最后，根据抽样结果，利用投票法获得了最终的表面缺陷识别结果，并使用轴承套圈沟道实测数据集进行了模型预测性能的测试。实验结果表明：基于RFE-BXGBoost的表面缺陷识别模型的识别准确率为0.90,F1-score为0.879,优于仅使用自适应提升法(Adaboost)、随机森林、梯度提升树的表面缺陷识别结果。研究结果表明：该表面缺陷识别模型对复杂零部件和系统的表面缺陷识别有一定的效果。     

基于MEEMD-SDP图像特征和DRN的行星齿轮箱故障诊断

在行星齿轮箱齿轮的实际工程应用中,针对故障发生的早期阶段,其非平稳性、非线性振动特征信号导致故障诊断准确率低的问题,提出了一种基于MEEMD-SDP图像特征和深度残差网络的齿轮故障诊断方法。首先,采用了改进的集总平均经验模态分解(MEEMD)方法对齿轮振动信号进行了分解,获得了能够反映齿轮振动信号信息的固有模态函数(IMF);然后,通过对称点图案(SDP)分解方法提取了IMF分量,将其变换到极坐标下的雪花图像特征,并组成了特征向量;最后,引入深度残差网络(DRN)模型,实现了对行星齿轮箱齿轮不同故障的识别与分类,同时将其与卷积神经网络(CNN)模型进行了对比,并在东南大学公开的齿轮箱数据集上进行了不同模型对齿轮状态故障识别准确率的对比实验。研究结果表明：SDP图像特征能够全面表征齿轮的状态信息,相较于CNN模型,采用DRN模型对齿轮进行诊断得到的平均准确率有明显提高,可达到98.1%,能验证基于MEEMD-SDP图像特征和深度残差网络方法的有效性;研究结果对提升现有行星齿轮箱齿轮故障识别的准确率具有一定的价值。