可屈挠橡胶接头的制造和应用

可屈挠橡胶接头的结构组成；内胶层、增强织物层、钢丝骨架层、外胶层、法兰盘和平形活接头。其耐压强度计算参照帘布缠绕胶管的计算公式：该产品今后的发展方向是：结构设计合理化，品种专业化，大口径、异径、异向和大偏心距型产品系列化。     

基于注意力机制的多尺度卷积神经网络电机轴承故障诊断

针对现有的卷积神经网络(Convolutional Neural Network,CNN)故障诊断方法只能提取单尺度特征,丢失了故障敏感信息,无法正确表达电机轴承的健康状态的问题,提出了注意力机制的多尺度卷积神经网络(Multi-scale Convolutional Neural Network,MSCNN)故障诊断方法,将多尺度特征提取整合到传统的CNN结构中。通过不同尺寸的卷积核捕获信号的多尺度特征,使模型获得多样性的特征表达;引入注意力机制(Attention Mechanism,ATT),对提取的特征自适应的评分和赋值,将注意力集中在敏感特征上,让模型学习到高级特征;最后利用公开数据集进行实验验证,结果表明,所提方法诊断精度高,具有较好的泛化性能。     

基于卷积神经网络的智慧校园人脸识别系统设计与研究

为了让学生的学习、生活更加智能化,提高教学管理效率,同时建立一个更加安全的校园环境,采用卷积神经网络实现智慧校园人脸识别.文章对卷积神经网络的卷积层、池化层、全连接层和输出层的原理及实现进行了阐述,训练了olivettifaces人脸数据库小样本数据集.实验结果表明,模型的误差率降低到5％以下.用数据库中注册的人脸图像与摄像头实时获取的人脸图像进行匹配时,效果良好,能满足设计需求.     

Re-GAN：残差生成式对抗网络算法

目的 生成式对抗网络（generative adversarial network,GAN）是一种无监督生成模型,通过生成模型和判别模型的博弈学习生成图像。GAN的生成模型是逐级直接生成图像,下级网络无法得知上级网络学习的特征,以至于生成的图像多样性不够丰富。另外,随着网络层数的增加,参数变多,反向传播变得困难,出现训练不稳定和梯度消失等问题。针对上述问题,基于残差网络（residual network,ResNet）和组标准化（group normalization,GN）,提出了一种残差生成式对抗网络（residual generative adversarial networks,Re-GAN）。方法 Re-GAN在生成模型中构建深度残差网络模块,通过跳连接的方式融合上级网络学习的特征,增强生成图像的多样性和质量,改善反向传播过程,增强生成式对抗网络的训练稳定性,缓解梯度消失。随后采用组标准化（GN）来适应不同批次的学习,使训练过程更加稳定。结果 在Cifar10、CelebA和LSUN数据集上对算法的性能进行测试。Re-GAN的IS （inception score）均值在批次为64时,比DCGAN （deep convolutional GAN）和WGAN （Wasserstein-GAN）分别提高了5%和30%,在批次为4时,比DCGAN和WGAN分别提高了0.2%和13%,表明无论批次大小,Re-GAN生成图像具有很好的多样性。Re-GAN的FID （Fréchet inception distance）在批次为64时比DCGAN和WGAN分别降低了18%和11%,在批次为4时比DCGAN和WGAN分别降低了4%和10%,表明Re-GAN生成图像的质量更好。同时,Re-GAN缓解了训练过程中出现的训练不稳定和梯度消失等问题。结论 实验结果表明,在图像生成方面,Re-GAN的生成图像质量高、多样性强;在网络训练方面,Re-GAN在不同批次下的训练具有更好的兼容性,使训练过程更加稳定,梯度消失得到缓解。     

基于变分自编码器的非规则缺失图像修复仿真

目前的非规则缺失图像修复方法,连接图像的非规则缺失对角元素,导致修复图像所需时间长,修复后的图像的信噪比较低,修复误差较大,只能修复规则缺失图像,为此提出基于变分自编码器的非规则缺失图像修复仿真.利用变分自编码器,提取非规则缺失图像局部信息,预测图像非规则缺失部分,完成非规则缺失图像缺失部分填充;采用循环矩阵和特普利兹矩阵,重建非规则缺失图像;设计非规则缺失图像修复仿真流程,完成非规则缺失图像修复.实验结果表明,所设计的非规则缺失图像修复方法,修复图像中存在的不规则缺失,产生的信噪比较高、修复误差较小,修复所需时间较短,具有较高的不规则图像缺失修复性能,较优的图像修复效果.     

基于FCN-LSTM的工业烟尘图像分割

工业生产中常根据林格曼烟气黑度判断工业烟尘的污染等级,一种有效的方式是应用计算机视觉系统对工业烟尘进行监测, 其中对烟尘目标进行准确分割是该系统的关键技术。因为工业烟尘具有形状不固定、和云相似度高等特点,现有算法在复杂场景下对烟尘进行分割时容易受到干扰,分割准确度有待提高。针对这一问题,提出一种基于FCN-LSTM的工业烟尘图像分割方法,在全卷积网络对图像空间特征提取的基础上,使用长短时记忆网络提取图像序列的时间信息,通过烟尘的动态特征对运动的烟尘和背景进行区分,增强复杂场景下的抗干扰能力。实验表明,本文模型相比于全卷积网络,在复杂场景下的抗干扰能力有显著提升,能够有效克服来自云的干扰,对全卷积网络分割结果中易出现干扰点的问题也有改善,IoU指标最高有8.04%的提升。     

基于Keras手写数字识别模型的改进

针对结构设计不合理的卷积神经网络导致MNIST识别的准确率低、收敛速度慢和训练参数多等问题,提出卷积神经网络结构的改进模型.改进的模型采用2次卷积、2次池化和3次全连接、采用Relu激活函数和Softmax回顾函数相结合,加入Dropout层防止过拟合,加入Flatten层优化结构.为了缩减代码量,采用API功能强大的Keras模型替代Tensorflow.对MNIST的训练集和测试集数据的准确率进行仿真实验,实验结果表明:采用改进的结构在MNIST的训练中不仅收敛速度快、训练参数少、损失率低,而且在测试集上的准确率达到99.54％、高于改进前的99.25％,对后续手写数字的研究具有重要意义.     

基于FPGA的深度卷积神经网络优化压缩算法研究

针对现有海量数字图像信息落后,提出了新型的压缩算法,设计出基于FPGA的视频图像采集系统.应用深度卷积神经网络优化视频图像编码算法和聚类算法实现数据特征提取,将图像与距离信息作为深度卷积神经网络的输入与输出,并利用其特征提取能力学习图像特征的距离信息,提取深度卷积神经网络中的全连接层作为编码,通过迭代调整确定图像编码,完成图像压缩.应用测试结果显示,该算法具有较高效率优势,且图像压缩解码后质量较好.     

宠物机器狗视觉跟踪系统的设计与实现

随着人工智能的发展,人们对智能宠物的需求随之产生。本文首先分析了卷积神经网络图像识别、光流跟踪、色彩跟踪3种方法的原理以及优缺点,进而选择色彩跟踪算法作为图像跟踪的主要方法,根据用户选择区域裁剪出目标的彩色图像,获取目标的色相(H)特征和亮度(L)特征,并选取目标的新一帧图像进行分析,来识别被跟踪的物体,最后提出今后的探索方向,旨在为宠物机器狗视觉跟踪设计提供借鉴。