一种改进卷积神经网络的逆变器故障诊断

针对传统二极管钳位式三电平逆变器故障诊断方法存在的诊断效率低且准确率不高的问题,将一种自适应正则化系数引入卷积神经网络CNN(convolutional neural network),对逆变器进行故障诊断。在传统CNN模型引入正则化去拟合中,正则化系数常采用全局统一的常数型参数,训练过程中需不断试错且效果甚微,针对此提出根据目标损失函数梯度变化,自适应调整正则化系数的CNN模型,能够加快其在逆变器故障诊断中的收敛速度,增强模型泛化能力,提高故障识别准确率。实验表明,与传统BP神经网络和原始CNN模型相比,改进的CNN模型能对逆变器复杂故障做出实时准确诊断。     

一种改进的基于卷积神经网络的绝缘子检测算法研究

针对现场中采集的绝缘子图像存在目标图像大小尺度不一,以及拍摄角度所造成的目标图像相互遮挡等因素而导致误检或漏检等问题,提出了一种改进的基于卷积神经网络的绝缘子图像检测方法。采用轻量化的ZF网络实现特征提取;确定优化的锚窗比例提升目标图像的检测精度;对NMS后处理算法进行了改进,提出多阶段的惩罚因子算法,适应于多尺度、多比例、绝缘子重叠遮挡等复杂情况。实验结果表明,改进后的Faster R-CNN的检测方法将AP由0.797 7提高到了0.905 8,显著地提升了绝缘子目标图像的检测精度,降低了绝缘子的漏检和误检的概率。     

卷积神经网络在油浸式变压器故障诊断的应用*

变压器作为变电站的主要电气设备,其智能化程度直接决定了智能变电站的发展程度,是电力系统中关系国民生产生活的重要环节。采集变压器油中溶解气体的含量及类型,通过建立卷积神经网络模型确定变压器的故障类型。在卷积神经网络算法原理的基础上,利用Java编程构建模型,将一维卷积神经网络应用到变压器故障诊断中,以变压器油中溶解的5种气体含量值作为输入向量,变压器的6种状态对应的编码值作为输出向量,并对网络中的池化层进行改进。在模型建立过程中讨论了卷积核的大小、数量、样本长度对模型精度的影响,并通过优选函数的方法确定激活函数。实验表明,将该方法生成的网络应用于变压器故障诊断,可为合理诊断变压器故障提供有价值的参考。     

基于改进卷积神经网络的火灾实时检测方法

针对火灾检测时间长,影响最佳抢救时间的问题,设计了基于改进CNN的火灾实时检测方法。提取火灾图像数据,充分分析火势与烟势;基于改进CNN构建火灾检测模型,缩短检测时间,提高火灾检测精准度,进而实现火灾高效检测。采用对比实验的方式,验证该方法的检测时间较短,可符合实时性需求,极具推广价值。     

基于卷积神经网络的苹果分级算法研究∗

针对传统水果分级方式容易损伤水果表面且分级准确率低的问题,以苹果分级为例,提出了一种基于卷积神经网络的苹果分级算法,并分析比较多种卷积神经网络模型,分别用各网络模型训练一个卷积神经网络并对同一测试集图像样本进行分级试验,其中DFNet模型在苹果的一级果、二级果和三级果的分级上,表现出了97％ 左右的分级准确率,达到了良好的分级效果.     

基于卷积神经网络的变压器套管故障红外图像识别方法

作为电力变压器的重要部件,套管的管理与维护对于设备的安全稳定运行起着至关重要的作用。为提升电力设备巡检的智能化水平,文中提出一种基于卷积神经网络的套管故障红外图像识别方法,该方法在特征提取方面具有显著的优势,避免了人为提取描述特征的低效和易误判问题。首先,建立了包含正常、缺油与局部过热3种状态类型的套管红外图像样本库;然后,将规范化处理后的红外图像作为卷积神经网络的输入,搭建了套管故障红外图像识别模型;最后,通过对网络超参数的选取进行实验分析,确定了激活函数种类、池化方法及卷积核数目。针对文中样本库,文中所提模型对套管3种状态类型的分类结果准确率达到96%,相较于SVM算法和BP神经网络算法分别提升约14%和15%,识别性能更为优异。     

基于卷积神经网络的轮胎缺陷X光图像分类

轮胎缺陷的类型直接决定着轮胎是否为残次品或废品,对于轮胎定级具有重要参考价值,探索高性能的轮胎缺陷分类方法至关重要.采用卷积神经网络技术,提出一个端到端的图像自动分类算法.首先,从国内某轮胎生产线上通过现场运行的轮胎X光射线缺陷检测系统采集胎侧异物缺陷、胎冠异物缺陷、气泡缺陷、胎冠劈缝、胎侧开根5种最常见缺陷类型和1种正常胎侧图像作为分类目标,并且依据缺陷图像的缺陷尺度,将每幅图像缩放到127×127像素的统一大小;然后,设计含有5个卷积层、3个池化层、3个全连接层的网络结构.最后,用采集的缺陷样本对所设计的深度网络进行训练学习与测试.并将该算法和大量传统分类算法进行实验对比,取得更好的分类效果,平均测试识别率高达96.51％.     

基于图像滤波预处理的卷积神经网络汉字识别

利用卷积神经网络可以对破损、模糊不清的文字进行有效识别.为了实现速度快、精度高等优点,通过卷积神经网络中的LeNet-５网络模型对手写汉字图像进行识别.首先,在模拟写字板中建立手写汉字的图像数据集,搭建并训练卷积神经网络模型保存图像特征;然后对输入的手写汉字图像进行模拟污染并采用７种滤波去噪方式;最后对加噪、滤波处理后的图像进行识别,对比不同滤波处理的准确性.实验结果可表明,该方法能高效、稳定地从有噪声图像中识别出文字,同时经高斯滤波与PCA滤波处理后的图像识别精确度更高.     

基于卷积神经网络的近红外光谱模型迁移研究

由于不同仪器传递函数的差异,会出现同物不同谱,同谱不同物等现象,因此在旧仪器建好的模型不能被新仪器上采集的数据集直接共享使用.传统方法是在新仪器上采集大量数据重新建模,此过程费时费力,导致光谱的模型利用率低.针对这些问题,采用卷积神经网络(convolutional neural network,CNN)架构建模,完成...     

基于改进深度卷积神经网络的步态识别算法

针对传统步态识别算法因服饰携带物变换、视角等协变量因素变化导致的识别能力下降问题,提出了一种基于改进深度卷积神经网络的步态识别算法。该算法利用分层处理机制从步态数据中提取步态特征,能够降低常见变化和遮挡等情况对识别精度的影响,同时,算法根据实验确定了网络中每层特征图的最佳数量、特征图的最佳尺寸以及要用于步态识别的输入特征的类型,能够处理相对较小的数据集而无需使用任何增强或微调技术。CASIA-B步态数据库仿真实验表明,所提出的卷积神经网络覆盖了交叉视图步态识别和无主题的步态识别问题,能够克服与步态识别相关的协变量因素问题,具有更优的步态识别精度。     

基于卷积神经网络的LED灯类字体数字识别

针对自然场景下由LED灯组合形成的数字具有易受光照、背景和成像扭曲等因素影响识别困难的特点,提出了一种LED-LeNet卷积网络识别算法。对自采集LED灯类字体数据集按数字进行分类,将图像ROI操作、分辨率调整至32×32和数据增强等预处理后,在LeNe-5网络架构上通过卷积核重构、使用Swish激活函并数引入Dropout正则化等方法改进网络。采用自然场景下采集的交通信号灯倒计时数字图像数据库TST对算法进行了验证,算法识别正确率可达99.52%,识别速度为1 ms。实验结果表明在调整网络结构与卷积核参数并通过改变训练策略后算法识别LED灯类字体具有明显优势。     

基于忆阻器卷积神经网络的表情识别

忆阻器具有纳米级尺寸、低功耗、类似神经突触等优点,在神经计算、图像分类等领域具有广阔的应用前景。本文提出了一种基于忆阻器卷积神经网络的面部表情识别方法,首先基于忆阻器构建了ResNet卷积神经网络,并对ResNet网络进行剪枝操作,然后将ResNet模型的所有卷积层以及全连接层的权重映射为忆阻器十字交叉阵列中忆阻器的忆导值。实验结果显示忆阻器卷积神经网络模型在FER2013数据集上的识别准确率为63.82%,在CK+数据集上的识别准确率为93.95%。相比与原卷积网路,准确率损失仅分别为0.31%和0.76%。最后测试了忆阻器的非理想特性对准确率的影响,为忆阻器神经网络的实际部署提供参考。     

基于卷积神经网络的表情不变三维人脸识别

针对三维人脸识别中的表情问题,提出一种基于卷积神经网络的三维人脸识别方法.根据人脸先验知识,构建基于测地线距离的三维人脸特征点模型;利用该模型,提取输入三维人脸的局域Gabor特征和测地线距离特征,进而获得表情不变的人脸表述;将上述特征输入类Lenet-5卷积神经网络,获得最终的识别结果.在Facewarehouse三维人脸数据库上的实验结果表明,该方法的正确识别率达到97.60%,优于几种经典三维人脸识别方法,对表情变化均有较强的稳健性.     

航拍绝缘子卷积神经网络检测及自爆识别研究

无人机巡检通过搭载的高清相机和图传设备可获取大量详实的巡检影像。绝缘子是输电线路中极其重要且用量庞大的部件,在图像视频中快速准确地检测出绝缘子可为无人机贴近铁塔和输电线路进行细节巡视的测距和避障飞行提供可靠的依据;同时绝缘子为故障多发元件严重威胁电网的安全,需充分利计算机技术对其进行故障诊断。通过搭建卷积神经网络,在由5个卷积池化模块和2个全连接模块组成的经典架构的基础上,对网络进行改进,实现在复杂航拍背景中绝缘子检测。同时在训练的网络模型中抽取绝缘子的特征融入自组织特征映射网络中实现显著性检测,结合超像素分割和轮廓检测等图像处理方法对绝缘子进行数学建模,提出一种针对绝缘子自爆故障的识别算法,取代人工分析,降低由人为经验判断可能造成的误差。经测试,复杂航拍背景下的绝缘子检测精度达90%以上,自爆识别准确率达到85%以上,均满足工程需求,有效提升巡检的效率和智能化水平。     

基于特征融合一维卷积神经网络的电能质量扰动分类

现有基于特征选取的电能质量扰动分类算法存在鲁棒性差、抗噪性能不强等问题。提出了一种改进的一维卷积神经网络用于电能质量扰动信号的分类。首先通过三个卷积神经网络子模型分别提取电能质量扰动信号的特征向量,然后将提取的特征向量融合为一个新的特征向量,最后通过BP神经网络实现分类。与改进前的一维卷积神经网络模型以及现有的电能质量扰动分类算法相比,该算法提取的特征向量具有更大的区分度。仿真结果表明,该算法有更好的鲁棒性和识别率,且抗噪能力强,为电能质量扰动信号分类提供了一种新思路。     

一种改进的神经网络车牌识别算法研究

根据实际应用要求,要求使车牌实时识别系统识别准确率高,提出了一种改进的神经网络车牌识别算法,基于标准的神经网络的识别算法上进行了改进,在标准神经网络算法中增加惯性冲量分批处理的方法进行改进,并通过训练大量样本进行了实验。实验结果表明,改进的神经网络识别算法与未改进的标准神经网络字符识别算法相比其识别率和处理速度有了很大的提高,已在小区停车场应用,达到了应用的要求,证明了改进后的神经网络车牌识别算法与标准神经网络算法相比在实时识别正确率上有了很大提高。     

基于卷积神经网络的高压电缆局部放电模式识别

由高压电缆不同类型缺陷诱发的局部放电(PD)的识别难度较大,尤其是某些相似度较高的电缆绝缘缺陷类型难以区分。提出了一种基于卷积神经网络(CNN)的高压电缆PD模式识别方法,研究了不同网络层数、不同激活函数以及不同池化方式对识别效果的影响,并与传统的支持向量机(SVM)和反向传播神经网络(BPNN)算法进行了对比。结果表明,相比SVM和BPNN,CNN的总体识别精度分别提高了3.71%和4.06%,且能较好地识别具有高相似度的电缆缺陷类型。     

基于神经网络内模控制在机械手中的研究

将内模控制与神经网络相结合的方法来解决机械手的控制问题,使机械手沿着一定的期望轨迹运行。神经网络对机械手建模作为内模控制中的模型,训练方法采用前向网络的BP学习算法。单个神经元使用静态模型,输入神经元之间的延迟引入系统的动态。仿真结果表明,该方法具有有效性和实用性。     

基于SoC的卷积神经网络系统设计

近些年，卷积神经网络（CNN）出色地完成了许多机器视觉任务。但现有的软件实施方案无法很好地在便携式设备中实现，为此设计一种基于Xilinx 全可编程SoC的CNN系统，在固定资源的SoC平台下，只需较少资源即可实现快速的检测系统。系统实现多级流水线和输入数据复用的方法提高计算效率。系统硬件部分实现CNN计算，软件实现图片预处理及图片检测后处理，从而提高运行效率，系统可实现多种卷核的卷积操作，平均值池化，非极大值抑制抑制算法，实现图片中多人脸的准确定位。实验结果表明，在100 MHz的工作频率下，系统的平均计算速率为0.19 Gops/s，功耗仅为通用CPU的4.07%。     

基于深度卷积神经网络的轴承故障诊断方法

针对传统浅层轴承故障诊断方法依赖于人工特征提取和诊断专业知识从而缺乏自适应性问题,结合卷积神经网络善于识别二维形状的特点,提出一种基于深度卷积神经网络的故障诊断方法(DCNN)。首先,为充分展现滚动轴承故障特征信息,利用短时傅里叶变换得到滚动轴承振动时间序列的二维时频谱;其次,通过卷积神经网络自适应提取时频谱中不同故障特征;最后,将提取的轴承故障特征利用Softmax分类器输出诊断结果,实现轴承故障诊断。通过实测故障轴承数据对该方法进行验证,结果表明DCNN在多故障、变负载的轴承故障诊断准确率高达99.9%,证明了所提方法具有良好的泛化性能和可行性。