基于卷积神经网络的视频烟雾探测追踪技术研究

摘 要：火灾探测预警技术是有效降低火灾损失、辅助扑救火灾,保护人民生命财产安全的重要技术保障,是对烟雾进行探测较为有效的手段之一。目前,大部分烟雾探测报警装置主要设置于室内空间场所,仅具备探测和报警功能,同时误报率相对较高,也无法同步传递实时视频画面信息,对室外空间区域也无法进行探测。针对上述情况,基于视频监控系统对烟雾进行实时探测研究。通过对CNN架构进行改进,在EfficientNet中加入残差模块Res-EfficientNet,更精准的探测和识别烟雾。通过STRCF实现对烟雾的精度定位。为提高探测准确率,还考虑了烟雾偏振传输特性,如烟雾的扩散和半透明状态。为了能够更好地探测视频中的烟雾,将空间频率的能量作为滤波器的一维约束项,在基准数据集上进行了试验,试验结果表明,准确率提高了3%。     

Potential Anomaly Separation and Archeological Site Localization Using Genetically Trained Multi‐level Cellular Neural Networks

In this paper, a supervised algorithm for the evaluation of geophysical sites using a multi‐level cellular neural network (ML‐CNN) is introduced, developed, and applied to real data. ML‐CNN is a stochastic image processing technique based on template optimization using neighborhood relationships of the pixels. The separation/enhancement and border detection performance of the proposed method is evaluated by various interesting real applications. A genetic algorithm is used in the optimization of CNN templates. The first application is concerned with the separation of potential field data of the Dumluca chromite region, which is one of the rich reserves of Turkey; in this context, the classical approach to the gravity anomaly separation method is one of the main problems in geophysics. The other application is the border detection of archeological ruins of the Hittite Empire in Turkey. The Hittite civilization sites located at the Sivas‐Altinyayla region of Turkey are among the most important archeological sites in history, one reason among others being that written documentation was first produced by this civilization.     

基于图像处理与卷积神经网络的零件识别

为了提高零件识别的正确率和效率,提出了一种基于图像处理与机器学习的零件识别算法。首先对图像进行基于饱和度的灰度化;接着通过显著性增强、最大类间方差法(OTSU)的二值化和形态学闭运算求得二值图像;再以改进的种子填充法提取零件区域;最后通过图像关键点的尺度不变特征转换(SIFT)特征与卷积神经网络(CNN)模型相结合的方...     

基于AlexNet-Adaboost的多工况滚动轴承故障识别方法

针对实际工程中滚动轴承多工况下传统故障诊断方法识别率偏低的情况.提出了一种基于AlexNet-Adaboost相结合的滚动轴承故障识别方法.以滚动轴承信号的时频图作为模型输入、分类结果作为模型输出,训练多个AlexNet基分类器;在此基础上利用Adaboost(自适应提升)算法进一步提升得到强分类器,将多工况下滚动轴承...     

基于CNN-BLSTM的食品舆情实体关系抽取模型研究

食品舆情实体关系抽取是构建食品舆情知识图谱的关键技术,也是当前信息抽取领域的重要研究课题。针对食品舆情中常出现的实体对多关系问题,在卷积神经网络(convolutional neural network,CNN)中引入基于位置感知的领域词语义注意力机制;在双向长短时记忆(bidirectional long short-term memory,BLSTM)网络中引入基于位置感知的语义角色注意力机制,构建基于CNN-BLSTM的食品舆情实体关系抽取模型。在食品舆情数据集上进行了对比实验,实验结果表明:基于CNN-BLSTM的食品舆情实体关系抽取模型在食品舆情数据集上准确率比常用的几种深度神经网络模型高出8.7%~13.94%,验证了模型的合理性和有效性。     

基于TW-RN优化CNN的煤矸识别方法研究

针对小样本数据难以构建深度学习模型和实际工况下多尺度形态、颜色煤矸的识别率低的问题,提出了一种融合迁移学习思想与结构优化的煤矸深度识别模型的优化方法。模仿井下实际生产环境搭建机器视觉平台,采用CCD（Charge Couplect Device）工业相机实时获取煤和矸石图像,利用图像旋转、翻转以及增加噪声方式扩展煤和矸石数据集的多样性。从降低模型训练时间出发,提出一种迁移权重和简化神经元（Transfer Weight-Reduce Neurons,TW-RN）模型优化方法改进预训练卷积神经网络（Convolutional Neural Network,CNN）模型,构建了改进后的Im_AlexNet、Im_VGG16、Im_VGG19、Im_ResNet50四种煤矸识别模型。依托扩充后的煤和矸石数据集,仿真对比了4种模型在不同优化器类型、学习率设置方式下的训练结果,确定了每种模型的最佳优化器类型和学习率设置方式。以测试准确率、F1分数、模型内存大小、训练时间4种评估参数为基准,定量评价改进前后每种模型的性...     

基于变分自编码器的输送带煤量分级算法研究

为了能够高效精准地对煤矿带式输送机上的煤量进行分级,提出了一种基于变分自编码器(VAE)的输送带煤量分级算法。首先为了解决真实场景图像往往存在许多噪声信息的问题,利用VAE对图像进行重构处理,使图像更加光滑以减少噪声信息对后续分级的干扰。然后为了提升输送带煤量的分级精度,利用卷积神经网络(CNN)对重构后的图像进行分级预测。实验结果表明,相对于对比方法,此该算法在各评价指标上均有提升,同时重构图像能够保留原始图像的关键信息。     

基于多源异构数据的数控铣削表面粗糙度预测方法

针对传统数控铣削表面粗糙度预测模型泛化性差、精度较低等问题,提出了一种基于多源异构数据的数控铣削表面粗糙度预测方法。获取变工艺条件下数控铣削的工艺参数、刀具直径及工件材料等静态数据和振动信号、力信号及功率信号等动态数据;采用粒子群优化算法(PSO)优化卷积神经网络(CNN)的网络结构参数得到PSO-CNN;运用PSO-CNN自适应提取动态数据特征并对静态数据特征进行人工提取,再通过浅层神经网络融合动、静态数据等多源异构数据的特征,建立变工艺下的表面粗糙度预测模型;通过不同模型的预测性能对比试验,验证了该方法的优越性,并以两个工件加工过程为例,验证了该方法的有效性。     

采用改进CNN-BiLSTM模型的刀具磨损状态监测

自动化切削加工过程中,准确可靠地监测刀具磨损状态是保证加工质量和加工效率的关键。针对刀具磨损状态相关特征提取繁琐、准确率低及传统的深度学习网络不能全面提取数据隐含信息等问题,提出了一种以卷积神经网络（CNN）和双向长短时记忆（BiLSTM）网络集成模型为基础并通过在卷积神经网络中添加批量标准化层和采用两个双向长短时记忆网络层的改进模型,该模型通过自动提取小波阈值降噪等预处理和降采样后的切削力、振动和声音信号的空间和时序特征来实现刀具磨损状态监测。将改进模型与CNN-BiLSTM模型及传统的深度学习模型进行对比,发现改进模型在精度和稳定性方面有较大提升。所提方法为准确监测自动化加工过程中刀具磨损状态、提高生产效率和加工质量提供了技术支持。     

基于改进UNETR++的肝脏分割

肝脏MRI影像的脂肪定量标准化过程中常需要对肝脏感兴趣区域进行手工采样, 但手工采样策略耗时且结果多变. 基于深度学习方法的全肝分割与手工勾勒的感兴趣区域在进行脂肪定量分析时, 变异性误差和不确定性程度更低, 性能更优越. 在进行全肝分割任务时, 为了提升分割性能, 本文在UNETR++模型的基础上, 进行改进. 该方法融合卷积神经网络和Transformer结构各自的优点, 增加卷积结构分支用于补足局部特征, 同时引入门控注意力机制, 抑制不相关的背景信息, 使模型更为突出分割区域的显著特征. 相比于UNETR++及其他分割模型, 改进的方法具有更优的DCS及HD₉₅指标.