基于卷积神经网络的直线同步电动机电枢绕组故障诊断

通过绕组函数理论对直线同步电动机进行分析,提出一种基于卷积神经网络(CNN)的直线同步电动机故障诊断方法。从直线同步电动机的数学模型出发,基于绕组函数理论对电动机正常状态和匝间短路故障状态进行仿真,对电流波形图进行快速傅里叶变换(FFT)得到不同状态的数据集。利用CNN中的GoogLeNet网络结构,在保持网络空间维度的同时不增加故障诊断的计算量。将数据集输入到网络模型进行故障诊断,仿真结果表明GoogLeNet网络结构对直线同步电动机电枢绕组的短路故障识别率达到了96.5%以上。     

自上而下注意图分割的细粒度图像分类

目的 针对细粒度图像分类中的背景干扰问题,提出一种利用自上而下注意图分割的分类模型。方法 首先,利用卷积神经网络对细粒度图像库进行初分类,得到基本网络模型。再对网络模型进行可视化分析,发现仅有部分图像区域对目标类别有贡献,利用学习好的基本网络计算图像像素对相关类别的空间支持度,生成自上而下注意图,检测图像中的关键区域。再用注意图初始化GraphCut算法,分割出关键的目标区域,从而提高图像的判别性。最后,对分割图像提取CNN特征实现细粒度分类。结果 该模型仅使用图像的类别标注信息,在公开的细粒度图像库Cars196和Aircrafts100上进行实验验证,最后得到的平均分类正确率分别为86.74%和84.70%。这一结果表明,在GoogLeNet模型基础上引入注意信息能够进一步提高细粒度图像分类的正确率。结论 基于自上而下注意图的语义分割策略,提高了细粒度图像的分类性能。由于不需要目标窗口和部位的标注信息,所以该模型具有通用性和鲁棒性,适用于显著性目标检测、前景分割和细粒度图像分类应用。     

基于CNN的水表指针读数识别及STM32实现方案设计

为了提高卷积神经网络对于水表指针读数识别的准确率,同时实现将卷积神经网络移植到STM32单片机中运行,使用了包含2913张水表指针图片的数据集对GoogLeNet和ResNet-18进行迁移学习和测试,其中GoogLeNet的测试集准确率为89.37%,ResNet-18的测试集准确率为93.24%。借鉴于ResNet-18模型的跳跃连接思想,使用了高低层特征融合的方法,在保证感受野大小不变的前提下将7×7大卷积核替换为3个3×3小卷积核的串接以减少网络的参数量,同时减低网络的深度,加快了训练时网络的收敛,之后设计了一个对于水表指针读数识别准确率更高和收敛更快的卷积神经网络模型,此模型的测试集准确率为95.11%。为克服STM32单片机存储资源极其有限的困难,在保证较高准确率的前提下进一步减小网络规模从而降低网络参数量,设计出模型的测试集准确率为91.51%,训练过程在PC端使用MATLAB深度学习工具箱完成,生成的onnx模型仅有948KB大小,运行占用RAM大小为437.14KB。     

基于卷积神经网络的桥梁裂缝识别和测量方法

为了提高桥梁裂缝检测水平,解决目前手工检测费时费力和传统图像处理方法需要人工设定参数的问题,提出一种基于改进GoogLeNet的桥梁裂缝检测算法。首先,构建了一个较大规模的桥梁裂缝数据集RLH（Retinex-Laplace-Histogram equalization）用于模型的训练和测试。其次,基于原始的GoogLeNet模型,采用归一化的卷积核改进了inception模块,采用三种改进方案修改网络开头,去掉第七个及以后的inception层,建立桥梁裂缝特征图像分类系统。最后,利用滑动窗口精准定位裂缝并结合骨架提取算法计算裂缝的长度和宽度。实验结果表明,改进的GoogLeNet网络与原始GoogLeNet网络相比,识别准确率提升了3.13%,训练时间减少为原来的64.6%。另外,骨架提取算法能够考虑裂缝的走势,计算宽度更加准确,且最大宽度和平均宽度都能计算。综上所述,所提分类和测量方法具有准确度高、速度快、定位准确、测量准确等特点。     

基于深度学习的胃癌病理图像分类方法

针对深度卷积神经网络能够有效提取图像深层特征的能力,选择在图像分类工作中表现优异的GoogLeNet和AlexNet模型对胃癌病理图像进行诊断。针对医学病理图像的特点,对GoogLeNet模型进行了优化,在保证诊断准确率的前提下降低了计算成本。在此基础上,提出模型融合的思想,通过综合不同结构和不同深度的网络模型,来学习更多的图像特征,以获取更有效的胃癌病理信息。实验结果表明, 相比原始模型 ,多种结构的融合模型在胃癌病理图像的诊断上取得了更好的效果。     

基于GAF与GoogLeNet的轴承故障诊断研究

为提高滚动轴承故障识别准确率,同时避免繁琐的频谱分析,提出基于GAF与GoogLeNet的轴承故障诊断模型.在实验室中采集滚动轴承正常、内环故障、外环故障和滚动体故障4种工况下的振动信号,利用EMD对振动信号进行分解并提取累积贡献90％的分量;基于重叠采样原理,利用格拉姆算法将选择的EMD分量和原始振动信号处理为二维图...     

基于复阻抗咽造影的吞咽事件检测与智能识别方法

吞咽障碍早期筛查是降低吞咽障碍发病率的重要手段,而对吞咽事件(SE)的准确识别是吞咽障碍筛查和治疗过程中的关键环节。阻抗咽造影(IPG)是一种新型非侵入式吞咽事件检测方法,但现有的IPG技术仅检测阻抗幅值而忽略了同样重要的相位信息。为了实现对吞咽事件的全面检测及智能识别,该文提出一种基于整周期数字锁相放大原理的复阻抗咽造影(CIPG)检测方法,设计了基于FPGA的CIPG检测系统以连续描记吞咽过程的复阻抗(阻抗幅值和相位)信息,并设计了基于连续小波变换(CWT)和GoogLeNet相结合的吞咽事件智能识别算法。设计了包含喝水、干咽、吃面包、吃酸奶、咳嗽等5种吞咽事件的识别实验,实验结果表明,仅利用阻抗幅值信息时的吞咽事件识别准确率为86.1%,而同时利用阻抗幅值和相位信息时的识别准确率为95.7%,后者的识别准确率高于其它算法。该研究证实了CIPG技术和吞咽事件智能识别算法的有效性与优越性,为下一步开发基于CIPG的吞咽障碍早期筛查方法奠定了理论和技术基础。     

基于双通道GoogLeNet网络的旋翼无人机分类

针对利用雷达微多普勒效应的旋翼无人机识别问题,提出了一种基于双通道GoogLeNet网络的分类识别方法。首先对旋翼无人机的回波信号进行短时傅里叶变换（Short-Time Fourier Transform,STFT）从而获得信号时频谱,对时频谱沿时间轴进行傅里叶变换得到节奏速度图（Cadence-Velocity Diagram,CVD）。然后将时频图和CVD作为双通道GoogLeNet网络的输入进行特征提取用以获得回波信号的时频域和节奏速度域的特征,最后将所获得的特征输入到Softmax分类器中进而实现旋翼无人机的分类识别。基于实际雷达数据的实验结果表明,所提旋翼无人机分类方法准确率可达到98.9%。     

基于深度学习的ECG信号分类

心电图(ECG)能够实时反映心脏状态,可用于心律失常和其它心血管疾病的准确诊断。针对ECG信号采集时的噪声干扰,重构Db6小波的4级分解量并使用巴特沃斯低通滤波实现双重去噪。将降噪后的ECG信号进行R波提取,并截取P-QRS-T波片段输入到一维改进GoogLeNet模型中进行训练。一维改进GoogLeNet是原始二维GoogLeNet的优化结构,可减少网络深度并在稀疏连接中添加最大池化层和扩张卷积加大感受野,降低计算量来提高训练性能。在MIT-BIH数据集中进行实验得到99.39%的分类准确率,比一维GoogLeNet和原始GoogLeNet分别提升了0.17个百分点和0.22个百分点,训练效率均有提升。与其他先进的技术相比,心电信号分类有了显著的改进。     

基于GoogLeNet-WT-Canny的紫外成像仪中的图像配准与融合

针对目前紫外成像仪中紫外光图像与可见光图像配准叠加精度低、电晕放电定位偏差大等问题,提出一种基于GoogLeNet模型、小波变换(Wavelet Transform,WT)和Canny算子相结合的紫外与可见光图像配准融合方法,并将其应用于高灵敏紫外成像仪中.首先,引入迁移学习的思想,利用预训练的GoogLeNet模型自主挖掘可见光图像和紫外图像的特征;其次,将提取出来的特征作为预测变量,输入极限学习机(Extreme Learning Machine,ELM),以空间变换参数为指导监督模型训练,实现高精度紫外与可见光图像配准;最后,利用二维小波变换与Canny算子对配准后的图像进行多分辨率分析与边缘检测,实现无紫外信息损失的图像融合.实验结果表明,所提方法的紫外与可见光图像配准精度高,融合效果良好,具有很好的工程实用价值.