基于改进深度卷积网络的铁路入侵行人分类算法

异物侵入铁路限界严重影响行车安全,识别铁路限界内的人员侵入对保证铁路运营安全具有重要意义。由于既有铁路图像异物侵入检测系统只能检测报警图像,无法区分是人员侵入的正确报警还是光线干扰导致的误报警,为了降低上述误报警,本文建立了铁路异物侵限报警样本的训练集和测试集,提出了将改进的深度卷积网络提取的高层Alex特征和HOG特征相结合并用于深度卷积网络模型训练的分类算法。首先引入了改进的AlexNet深度卷积神经网络模型,提取了自动学习的Alex高层特征,然后将其与HOG特征相结合形成Alex-HOG组合特征,最后利用组合特征对分类网络进行训练。铁路异物侵限报警测试样本库的实验表明,该方法对1 498张测试样本图像的识别准确率高达98.46%,时间为3.78s,实时性和准确率均有较大提高,对降低系统误报率具有重大意义。     

多模深度卷积神经网络应用于视频表情识别

由于视频中的手工特征和主观情感之间的直接相关性很小,识别视频序列中的面部表情是一项很有挑战性的任务,为了克服这个缺陷,有效提高视频中的人脸表情识别性能。本方法采用两个深度卷积神经网络,即空间卷积神经网络和时间卷积神经网络,用于视频中的时空表情特征学习。其中,空间卷积神经网络用于提取视频中每一帧静态的表情图像的空间信息特征,而时间卷积神经网络用于从视频中多帧表情图像的光流信息中提取动态信息特征。然后,将这两个深度卷积神经网络学习到的时空特征进行基于深度信念网络(DBN)的特征层融合,输入到支持向量机实现视频中的人脸表情分类任务。在公共的RML和BAUM-1s视频情感数据集的测试结果表明,该方法分别取得了71.06%和52.18%的正确识别率,明显优于现有文献报导的结果。多模深度卷积神经网络的人脸表情识别方法能提高视频中人脸表情的识别性能。     

基于三级级联架构的接触网定位管开口销缺陷检测

针对高铁接触网定位管开口销在列车长期运行振动中容易松脱并且松脱样本数量匮乏的问题,本文提出一种基于深度卷积生成对抗网络(DCGAN),扩充缺陷样本集后,再训练卷积神经网络(CNN)检测开口销缺陷的三级级联架构。该架构首先采用中心点法提取训练需要的相同规格开口销图像。然后通过改进的DCGAN生成模拟缺陷样本,并搭建轻量级CNN网络对生成的模拟缺陷样本进行筛选。最后将添加了模拟缺陷样本的扩充缺陷样本集与正样本集输入优化后的VGG16卷积神经网络中,以训练分类模型,检测开口销缺陷。实验结果表明,本文所提方法检测接触网定位管开口销缺陷的准确率高达99%。     

模拟初级视觉皮层增强CNN神经网络结构的稳定性

针对卷积网络模型的稳定性能较差,对抗训练方法会使得网络结构过于复杂并占用大量运算资源的问题,提出了一种基于人体视觉神经系统生物特征的卷积神经网络模型改进方法（VVNet）。在卷积神经网络的基础上,融合人体视觉的结构特征,在不增加网络层数或保持准确率不变的情况下,提高神经网络面对噪声干扰的稳定性。在数据集Cifar10上对3种不同神经网络模型（VVNet,VOneNet以及原网络模型）进行测试。实验结果表明,使用VVNet网络模型、VOneNet网络模型和原始的网络模型DenseNet121对四类图像（噪声图像、模糊图像、遮挡图像和饱和曝光图像）的分类准确率进行对比,验证了提出的VVNet网络结构对不同类型图像的分类准确率几乎不变,在使用对抗样本情况下,VVNet网络结构的图像分类准确率提高了约10%。与深度学习网络相比,基于人体视觉系统结构的网络能够在保持准确率的同时有效地提高神经网络的稳定性,并具有可移植性。     

图像识别中的卷积神经网络应用研究

传统图像识别方法存在自适应能力弱的问题,如果待识别对象存在较大残缺或者其他外在噪声干扰,模型则无法获得理想结果。最早在图像处理中成功应用的深度学习是人工智能中非常重要的部分。在图像处理中,带有卷积结构的多层网络的卷积神经网络被加拿大教授及其小组成员提出并优化。在其过程有了突破性发展的情况下,利用卷积神经网络完成了图像识别的设计用以增加模型对图片的识别准确率和在线运算速度,同时减少图像大量特征的提取工作,在识别系统中通过运用随机梯度下降法对系统进行优化,加快模型收敛。根据试验结果,采用卷积神经网络设计的训练模型,对数据集识别的准确率可达到96%,为大规模图像分类更好地发展提供基础支持。     

基于迁移学习和微调的起重机类型识别策略

起重机具有诸多类型,不同类型的起重机具有不同的分析或保养方法,因此对起重机类型进行识别意义重大。针对深度卷积神经网络中存在的数据需求量大、训练时间长、计算成本高等问题,提出一种基于迁移学习和微调的起重机类型识别策略。通过搭建不包含分类层的预训练InceptionV3模型并连接自定义的分类层,利用迁移学习和微调技术,训练出适用于起重机类型识别任务的卷积神经网络。实验结果表明,相较于从头搭建并训练深度卷积神经网络,利用迁移学习和微调方法对预训练模型进行训练可得到较高的识别准确率,并且训练速度更快,训练时间显著缩短。验证集和测试集的识别准确率分别为98.24%和97.67%。     

代价敏感卷积神经网络：一种机械故障数据不平衡分类方法

机械设备实际工作过程中正常样本丰富、故障样本匮乏,卷积神经网络在处理这种分布不平衡的数据时对少数类的识别率很低。为解决上述问题,提出一种代价敏感卷积神经网络,首先经过多层卷积和池化运算学习原始监测数据中的机械设备本征性能状态知识;其次通过全连接层将本征性能状态知识映射为机械设备健康状态;最后利用代价敏感损失函数为少数类样本赋予较大的误分类代价,实现对不平衡的机械故障数据的有效分类。为验证所提方法的有效性,使用具有不同不平衡比的刀具数据集和轴承数据集,利用代价敏感卷积神经网络以及主流的分类算法分别测试其对于不平衡数据的分类性能。实验结果表明,所提方法对不平衡数据集中的少数类样本识别率相对于传统卷积神经网络提升了22%以上。     

基于卷积神经网络的水果图像分类识别研究

为了解决传统水果图像分类识别算法人工提取特征的缺陷,将卷积神经网络应用到水果图像识别上,基所创建的数据集,参照经典的卷积神经网络模型Le Net-5结构,提出更适合本数据集的卷积神经网络结构,首先对水果数据集进行分类标签,将苹果、梨、橙子、橘子、桃子分别标记为0、1、2、3、4,然后将图片分批次投入模型训练,该模型构建了一个输入层、两个卷积层、两个池化层、两个全连接层和一个输出层。卷积神经网络通过底层提取特征,再进一步更深层次提取特征,最后得到目标的分类。实验结果表明,所提出的卷积神经网络结构不仅在数据集上取得了较高的识别准确率,而且与传统的水果图像分类识别算法相比较,卷积神经网络避免了人工提取特征的繁琐过程。     

一种基于深度学习理论的齿轮系统故障诊断方法

分别建立了基于快速傅里叶变换和深度置信网络的FFT-DBN模型、基于小波变换和深度卷积神经网络的WT-CNN模型以及基于希尔伯特-黄变换和深度卷积神经网络的HHT-CNN模型,通过将3种深度学习模型有机融合,进一步构建了基于深度学习理论的齿轮系统故障诊断综合评判模型。通过搭建功率封闭齿轮系统振动测试试验台,加工不同故障模式的测试齿轮副并提取其振动加速度信号作为样本,将基于深度学习理论的综合评判模型的故障识别效果与其他模型进行了对比。结果表明,基于深度学习理论的综合评判模型能够有效地辨识出多种齿轮故障;与其他模型相比,基于深度学习理论的综合评判模型的故障识别准确度更高。     

基于深度信念网络的铁谱图像智能识别方法与试验验证

为了提高机械设备磨损状态识别精度和效率,利用深度学习中的深度信念网络并结合铁谱分析技术,提出一种磨粒图像智能识别方法。首先,建立受限玻尔兹曼机模型,将其用于深度信念网络的预训练,初始化网络模型参数,完成识别模型构建;然后,利用铁谱分析技术,通过铁谱仪制备铁谱图像,进行图像预处理,得到学习样本;最后,对网络模型参数进行研究,观测各参数变化对模型性能的影响规律,得到最优取值。结果表明:所提出的方法能够快速准确地识别设备磨损类型,识别正确率达到99%以上。     

基于一维卷积神经网络的滚动轴承故障程度诊断

针对滚动轴承性能退化状态的识别问题,提出了基于一维卷积神经网络的故障诊断方法。以轴承原始振动信号为输入,利用一维卷积神经网络自适应学习特征和分类的能力,实现由数据到识别结果的“端到端”诊断,避免了人为因素的干扰。通过凯斯西储大学不同故障尺寸的滚动轴承故障数据(模拟不同故障程度)加以验证,所建立python-Keras深度学习模型的诊断正确率达到98.2%。用辛辛那提大学滚动轴承全寿命周期数据对退化全过程进行诊断,根据轴承原始信号时域指标变化将全周期分为正常、轻微退化、中度退化、严重退化和失效5种程度,通过一维卷积神经网络对轴承原始数据进行有监督学习,所建立python-Keras深度学习模型的故障诊断平均准确率为93%。     

基于增强迁移卷积神经网络的机械智能故障诊断

现有的基于深度迁移学习的智能诊断方法通常对源域和目标域特征对齐来减少两者分布差异,没有考虑源域类别决策边界对目标域特征匹配的影响,针对此不足,提出了一种增强迁移卷积神经网络（Enhanced transfer convolutional neural network,ETCNN）来改进机械设备在变工况下的诊断精度和泛化能力。为充分利用标签信息和提取高维特征,构建卷积神经网络和两个独立的分类器对源域数据分别训练,用于检测远离决策边界的目标域样本。为有效减少不同决策边界处样本的误匹配,进一步构建分类损失函数和分类器判别损失函数,并引入对抗训练策略,最大两个分类器的分类差异,同时最小化源域与目标域特征分布差异,实现目标域样本与源域样本自适应匹配,从而有效改进故障的分类性能。在滚动轴承数据集上对所提方法进行充分评估,并与其他三种深度迁移学习方法：域适配网络（Domain adaptive network,DAN）,多层域适配网络（Multi-layer DAN,MLDAN）,以及深度对抗卷积神经网络（Deep adversarial convolutional neural network,DACNN）进行充分比较,结果表明,所提方法不仅具有良好的分类能力和泛化能力,同时明显优于其他方法。     

基于神经网络的飞行器空中侦查时低照度图像增强系统

飞行器航拍时,由于飞行环境和飞行姿态的影响,会导致图像出现细节丢失和颜色失真从而影响图片质量,对图像中的目标准确识别带来挑战。针对这一问题,提出了一种Ritinex理论和基于神经网络深度学习相结合的方法,利用低照度图像增强算法来提高图像质量,从而实现侦查目标的准确识别。在AlexNet神经网络构架中引入U-net结构,根据Retinex理论采用分组卷积和深层卷积块构建了用于低照度图像增强神经网络构架,并加入亮度调整因子对分解结果进行增强。实验表明,本研究提出的方法和其它常用算法相比,有较好的整体视觉效果。另外,基于该方法所开发的低照度图像增强系统在搭建的无人机航拍平台上的应用也显示了其可靠性和准确性。     

一种基于深度学习的产品分类统计方法的研究

对于流水线上多类产品不规则混合放置条件下的统计问题,利用基于faster R-CNN和改进的深度卷积网络结合的图像识别方法,实现了对产品的在线分类计数。首先利用faster R-CNN方法获取图像中产品的位置信息,然后用改进的深度卷积网络对图像进行特征提取,将产品区域的位置信息映射到最后一层特征图上,再用ROI池化对产品区域特征进行尺度归一化,把归一化后的产品特征输入softmax分类器识别,从而实现了分类统计。实验结果表明,该方法能够在工业生产中实现多类混线产品在线自动分类统计。     

浅层卷积神经网络融合Transformer的金属缺陷图像识别方法

针对金属缺陷识别领域中传统深度学习方法存在参数量多、计算量大的问题,提出了一种浅层卷积神经网络融合Transformer模型的金属缺陷识别方法。利用浅层卷积神经网络学习图像局部信息与位置信息,通过Transformer学习图像全局信息,同时引入通道注意力模块SE关注重要特征通道,实现缺陷图像识别。通过引入公开缺陷数据集验证该方法的有效性,同时利用自建缺陷超声数据集验证所提方法的通用性。实验结果表明,在中小规模数据集上,该方法通用性较强,能够对金属缺陷图像进行有效识别。     

基于机器学习的灭弧栅片表面缺陷检测方法

为了实现金属灭弧栅片表面缺陷的自动检测,引入了CCD成像系统并提出了表面缺陷检测三步法:第一步对原始图像进行去噪,第二步将灭弧栅片从背景中提取出来,第三步利用分类器对缺陷产品进行识别。提出了基于方向梯度直方图(HOG)与Gabor特征结合的图像特征提取算法,与传统的基于HOG和基于Gabor特征的算法相比,多分类支持向量机的训练结果显示本方法识别率分别提高了13%和7%。通过设计卷积神经网络框架对缺陷产品进行检测,结果显示正确率为93%。在二分类情况下对支持向量机和卷积神经网络的分类性能进行了比较,结果显示卷积神经网络性能更优。     

基于卷积神经网络的带钢表面缺陷检测算法

针对现有带钢表面缺陷检测方法准确率低、特征泛化性不强、参数多、识别速度慢等缺陷,基于卷积神经网络,采用DenseNet网络的密集连接算法解决梯度消失和梯度爆炸问题,堆叠式空洞卷积扩大卷积核感受野,深度可分离卷积减少网络参数量,提出一种用于带钢表面陷检测的深度神经网络模型Ds-DenseNet算法。以NEU带钢表面缺陷数据集为基础缺陷样本,加入正样本,并对其进行数据增强操作,创建AUG-NEU数据集,本算法在AUG-NEU数据集上的测试精度高达99.38%,参数量为117958,仅占DenseNet121和ResNet50参数量的1.7%和0.5%,识别速度高达1.3ms/frame,分别是DenseNet121、ResNet50识别速度的2.3倍和2倍,完全可以满足带钢生产线实时检测的需求。     

基于改进卷积神经网络的行星齿轮箱故障诊断研究

行星齿轮箱作为机械设备的重要传动部件,其运行的好坏直接影响到整个设备的运行状况。通过引入批量归一化层和丢弃层对卷积神经网络模型进行改进,提出了基于改进卷积神经网络的齿轮箱故障诊断模型。搭建齿轮箱实验平台,使用该模型对齿轮箱的振动信号进行故障识别。实验结果表明:该模型能够有效地对齿轮箱不同的故障类型进行识别分类,分类准确率达到了99.2%。     

基于人工智能的手写数字识别方法研究

手写数字识别属于图像分类问题。因个体手写数字的差异，传统的图像分类方法实现快速有效识别的难度相对较大。随着人工智能和计算机硬件技术的快速发展，基于深度学习卷积网络的手写数字识别逐渐成为研究热点。使用PyTorch搭建了经典的网络模型LeNet-5和改进的ResNet18模型进行手写数字识别。采用交叉熵损失函数和Adam优化算法，并设置学习率为0.001，在MNIST数据集上进行了训练和测试，鉴于ResNet18比LeNet-5网络结构深，在训练时花费的时间比LeNet-5多。经过100个Epoch后，使用LeNet-5模型在测试集上准确率达到了99.18%，使用ResNet18卷积模型的准确率高达99.55%，可以识别自制的手写数字，为人工智能识别系统的发展提供了一定的参考价值。     

基于深度卷积神经网络的车标分类

基于深度学习框架Caffe和具有强大计算能力的GPU,运用深度神经网络AlexNet和GoogleNet,对具有不同背景的汽车图像进行网络训练,以达到车辆自动识别的目的。分别对4类车标进行网络训练与测试,实验结果表明,在图像识别分类方面,与传统识别方法相比,深度卷积神经网络更具优势。