基于深度卷积神经网络的未知复合故障诊断

针对振动信号的非平稳性、非线性以及未知复合故障难以诊断的问题,提出了一种基于深度卷积网络的未知复合故障诊断模型。首先将采集到的时域振动信号通过小波变换生成频谱图像;然后将频谱图输入卷积神经网络(convolutional neural network,CNH),利用卷积网络自适应的特征提取能力对复合故障进行特征学习;最后将深度卷积网络输出的特征通过分类器对故障进行诊断分类。在实验室模拟采集的不同数据集上进行实验,结果表明:基于深度卷积网络的未知复合故障诊断模型与基于改进CDCGAN的复合故障诊断方法相比,对未知复合故障的诊断率提高了44%,达到85.77%;使用不同类型的单一未知复合故障和多种未知复合故障进行实验,验证了所提模型的泛化能力和鲁棒性。     

归类精度导引的在线图像集自适应压缩方法

针对多源视频流中的图像分类任务,提出了归类精度导引的在线图像集自适应压缩方法,首先对初始的在线图像集进行基于卷积神经网络(convolutional neural network,CNN)的模型训练,得到图像分类器;然后根据连续图像集之间的相似性,后一在线图像集的双参数参考前一在线图像集的双参数,通过引入自适应的参数判决机制有效地压缩连续的在线图像集。实验结果表明,所提方法能够保持足够大的平均压缩比,与现有的图像集压缩方法相比,可将平均归类精度提高3.3%。     

结合迁移学习和Inception-v3模型的路面干湿状态识别方法

针对传统方法对路面干湿状态识别分类正确率较低的情况,提出了基于迁移学习的路面干湿状态识别方法。利用深度卷积神经网络强大的特征学习和表达能力,自动学习干湿路面的特征,并采用迁移学习的方法将Inception-v3模型在ImageNet图像数据集上学习得到的知识深度迁移至路面干湿状态识别任务。实验结果表明,所提算法在测试集上测得的分类准确率约为94.5%,与非迁移学习算法和基于底层视觉特征识别学习的算法相比,具有更高的准确性和良好的鲁棒性,以及较强的泛化能力。     

多通道卷积神经网络图像识别方法

为了更好地利用图像数据中隐含的特征信息,将多方向梯度信息作为边缘信息的基本表达,提出了一种基于图像梯度的多通道卷积神经网络图像识别方法。先将图像进行Sobel算子处理,得到水平方向、垂直方向及两个对角方向的4个梯度图像。然后,建立4个多层卷积神经网络,学习4个不同方向梯度图像的特征。再将4个不同方向的特征进行随机化特征融合,得到样本的特征后经过批标准化处理。最后,通过分类器得到分类结果。在数据库Cifar-10和MNIST上进行了验证,验证结果表明:本文提出的模型具有较好的泛化能力,相比单通道卷积神经网络,在两个数据库中识别错误率分别降低了9.85%和0.38%。     

基于卷积神经网络的结构损伤识别研究进展

为系统梳理基于卷积神经网络的工程结构损伤识别方法的发展脉络和研究现状,分别从结构损伤的识别目的和在不同类型结构中的应用两方面进行了归类、分析和评价。介绍了卷积神经网络的基本结构和评价指标,回顾了卷积神经网络的研究和应用历程。在损伤的识别目的方面,主要针对混凝土结构损伤的分类、定位和分割,详细介绍了基于不同类型卷积神经网络的结构损伤识别方法,即基于分类的方法、基于回归的方法和像素级的图像分割算法; 分析了各类方法所使用的卷积神经网络模型的结构特点、计算流程、训练方法和损伤识别性能。在不同类型结构的损伤识别方面,分析了卷积神经网络在砌体结构、钢结构桥梁和古建筑木结构裂缝识别中的应用。最后,基于对卷积神经网络优缺点的思考,提出了发展建议和展望。结果表明:训练样本中结构损伤的多样性对模型的损伤识别效果影响较大; 现有基于卷积神经网络的损伤分割方法模型参数较多,计算量大; 采用数据增广和迁移学习方法可有效防止模型过拟合,提高模型训练效率; 针对微小损伤和不同类型结构损伤的识别,此类方法的性能有待提高。     

基于卷积神经网络的混凝土裂缝识别

针对基于图像处理和边缘检测的混凝土裂缝识别方法易受外部环境干扰,且在图像处理过程中会产生大量噪声,从而导致识别效果不佳的问题,提出一种基于卷积神经网络的裂缝识别方法。通过与当前主流卷积神经网络模型进行对比研究以及对真实的混凝土裂缝图像的识别验证,结果表明,文中所建立的CrackNet模型能够有效识别混凝土图像中的裂缝目标,具有高效性和强鲁棒性。     

水下高分辨率声图中小目标的深度网络分类方法

针对声成像数据缺少条件下的水下沉底小目标分类问题,提出一种深度网络分类算法。首先,采用高斯混合模型对声影区统计特性进行建模并提取声图阴影,在此基础上构建仿真数据集和真实数据集。将仿真数据集输入卷积神经网络进行训练,保留其特征提取部分,用于对真实数据集进行特征提取.重建网络分类部分并采用真实数据集的特征向量进行训练。结果表明,所提出的方法分类正确率可达88.24%,与6种对照方法相比平均分类正确率分别提升8.67%,20.47%,19.78%,11.59%,9.01%,11.58%。验证了所提出方法在小样本条件下具有较好对水下沉底小目标的分类能力。其学习曲线收敛到96.25%,仅比验证曲线高5.14%,说明在一定程度上缓解了过拟合问题。将改进的卷积神经网络应用于融合分类器,通过与逻辑回归分类器、支持向量机对目标进行分类并融合决策,正确率为93.33%,可进一步提高算法的正确率和稳定性.     

基于深度全卷积神经网络的图像识别研究

将要建立多层卷积网络模型，并使用AlexNet预训练模型，在此基础上进行迁移学习，使用kaggle的猫狗数据集进一步训练，模型最终能高灵活度、高准确率的识别猫狗图像，并且不受图像中猫狗的占比大小影响。该网络模型共有6 000万参数，一共包含8个卷积层，其中某些卷积层带有归一化层和池化层，最后一层是具有两个通道的图像输出，每个通道的值分别代表图像为猫和狗的概率。整个网络模型，弃用全连接层，选用全卷积网络来代替全连接层，大大提高网络的灵活性，解决了输入图像分辨率的限制问题，并且全卷积网络的前向传播更加高效，加快了训练的速度。为了方便分析以及进一步的研究，将可视化一层卷积和二层卷积所得到的卷积核和特征图。     

复杂背景下的车型自动分类研究

针对复杂背景下的车辆自动分类问题,提出了一种新的车型识别方法.该方法是首先采用自适应高斯混合模型进行背景抽取,然后以背景抽取后的车辆侧面图像作为特征图像,设计了顶长比、顶高比和前后比3种参数对车型进行表达,最后通过训练-BP神经网络分类器对车型进行自动分类.对9个样本进行分类测试时,取得了均方误差小于0.0023、识别率达到100%的测试结果,表明笔者设计的车型分类系统可有效地实现车型的自动分类.     

基于图像网格化分割的实时车道线识别算法

车道线识别技术是利用光学传感器对环境进行感知,为车辆行为的决策和控制提供重要的车道信息,其本质是从图像中提取车道线的轨迹坐标。基于深度学习的车道线识别算法大多采用密集预测型方法提取车道线轨迹,因而在提取过程会重复处理大量的冗余信息。针对这一问题提出一种改进算法,该算法将图像划分为多个小网格,并对各网格进行分类,从而减少提取过程中冗余信息的处理次数。在此基础上,设计深度神经网络用于网格分类,其与常规密集预测型神经网络的区别在于:利用了无参数的亚像素卷积替代转置卷积以避免棋盘格效应;采用1×1卷积替代全连接层分类器,实现在网格分类过程中保留关键空间位置信息,同时降低网络规模。在CULane数据集上分别训练Lane Net与改进算法,并进行对比分析,分析结果表明,改进后的车道线检测算法在准确性与实时性方面均具有明显优势。