排序方式: 共有19条查询结果,搜索用时 15 毫秒
11.
针对高度粘连和堆叠严重的生球影像噪声点多、边界模糊的问题,本文提出一种融入注意力机制的深度学习图像语义分割模型(CBAM-Unet)进行球团边缘检测和分割的方法。方法步骤:(1)样本数据集制备,采集30张包括深度分离、高度粘连到堆叠严重等不同状态的图片,通过数据增广形成900张图片的样本数据集;(2)模型建立,将卷积块状注意力模块(Convolution Block Attention Module, CBAM)融入到Unet网络模型,形成CBAM-Unet模型,对生球边缘进行检测和分割。研究结果表明:相比于Unet方法,CBAM-Unet方法的相似度系数(eDice)、类别平均像素准确率(emPA)、平均交并比(emIoU)分别提高9.8%、9.7%、14.7%。本文提出的识别模型可提高球团分割的准确性,为实际应用奠定基础。 相似文献
12.
13.
针对齿轮早期故障特征不明显,提出了一种基于总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)和进化支持向量机相结合的齿轮故障智能诊断方法。利用EEMD能对齿轮振动信号进行自适应的分解成若干本征模式分量(intrinsic mode function,IMFs),并能有效抑制经典经验模式分解可能出现的模式混叠现象。以所得的IMF分量中提取出来的能量特征为输入建立进化支持向量机,判断齿轮的故障状态。结果表明:建立的混合智能诊断方法的分类正确率最高,能有效诊断齿轮早期故障。 相似文献
14.
15.
针对电铲供电机组振动时间序列是个非线性、非平稳的复杂时间序列,难以用单一预测方法进行有效预测的问题,建立了一种基于小波分解和最小二乘支持向量机混合模型进行状态预测的方法.首先通过小波分解,将原始振动时间序列分解到不同层次,然后根据分解后各层次分量的特点选择不同的嵌入维数和LS-SVM参数分别进行预测,最后重构得到原始序列的预测值.对某电铲供电机组振动趋势的预测结果表明,该模型的预测性能好于单一的支持向量机预测方法. 相似文献
16.
17.
为了充分利用现场的大量诊断案例和诊断专家的领域知识,提出了融合案例与规则的混合推理方法,建立了基于规则和案例的集成诊断专家系统模型,并开发了基于Web的电动轮卡车远程集成诊断专家系统。 相似文献
18.
19.