基于深度学习的秀丽隐杆线虫显微图像分割方法

利用计算机实现自动、准确的秀丽隐杆线虫(C.elegans)的各项形态学参数分析,至关重要的是从显微图像上分割出线虫体态,但由于显微镜下的图像噪声较多,线虫边缘像素与周围环境相似,而且线虫的体态具有鞭毛和其他附着物需要分离,多方面因素导致设计一个鲁棒性的C.elegans分割算法仍然面临着挑战。针对这些问题,提出了一种基于深度学习的线虫分割方法,通过训练掩模区域卷积神经网络(Mask R-CNN)学习线虫形态特征实现自动分割。首先,通过改进多级特征池化将高级语义特征与低级边缘特征融合,结合大幅度软最大损失(LMSL)损失算法改进损失计算;然后,改进非极大值抑制;最后,引入全连接融合分支等方法对分割结果进行进一步优化。实验结果表明,相比原始的Mask R-CNN,该方法平均精确率(AP)提升了4.3个百分点,平均交并比(mIOU)提升了4个百分点。表明所提出的深度学习分割方法能够有效提高分割准确率,在显微图像中更加精确地分割出线虫体。     

多共振分量融合CNN的行星齿轮箱故障诊断

针对行星齿轮箱中各部件所激起的振动成分混叠、早期故障特征经常被较强的各级齿轮谐波成分以及环境噪声所湮没的问题，提出一种多共振分量融合卷积神经网络（multi-resonance component fusion based convolutional neural network，简称MRCF-CNN）的行星齿轮箱故障诊断方法。首先，对振动信号进行共振稀疏分解，得到包含齿轮谐波成分的高共振分量和可能包含轴承故障冲击成分的低共振分量；其次，构建多共振分量融合卷积神经网络，将得到的高、低共振分量和原始振动信号进行自适应的特征级融合，通过有监督的方式训练模型并进行行星齿轮箱故障诊断。对行星齿轮箱实验数据的分析结果表明，该方法能够有效分类行星齿轮箱中滚动轴承和齿轮的故障，成功对行星齿轮箱故障进行诊断，同时能够进一步增强卷积神经网络对振动信号所蕴含的故障信息的辨识能力。     

基于深度学习的齿轮箱故障模糊诊断方法

风电机组齿轮箱作为传动系统重要组成部分,其运行状态关乎整个风电机组的健康运行。由于齿轮箱振动信号具有非线性、非平稳等特性,传统时频分析方法分解故障信号和提取故障特征的能力有限。因此,文章提出将深度学习应用于齿轮箱故障诊断中,通过构建一维卷积神经网络模型对齿轮箱不同状态下的特征向量进行高效提取、重构。同时,将模糊理论应用于分类器,构建一个模糊多分类器(FMC)对故障进行识别,提出了以平均隶属度作为故障等级判断标准。实验结果表明,文章所提方法在确保齿轮箱故障诊断高准确率的同时,提升了故障分类的精度。     

氟橡胶的红外光谱研究

采用红外(IR)光谱,包括一维红外光谱、二阶导数红外光谱、四阶导数红外光谱和去卷积红外光谱对氟橡胶(FKM)的分子结构进行了研究。试验发现:氟橡胶的红外吸收模式主要包括CH2不对称伸缩振动模式(νasCH2-FKM)、CH2对称伸缩振动模式(νsCH2-FKM)、CH2弯曲伸缩振动模式(δCH2-FKM)、CF2不对称伸缩振动模式(νasCF2-FKM)、CF2对称伸缩振动模式(νsCF2-FKM)和CFCl伸缩振动模式(νCFCl-FKM)等。研究发现:氟橡胶的去卷积IR光谱的谱图分辨能力要优于相应的一维IR光谱、二阶导数IR光谱和四阶导数IR光谱。此研究拓展了IR光谱在氟橡胶结构及应用研究的范围。     

基于深度度量学习的电机故障诊断

深度学习以其强大的自适应特征提取和分类能力在机械大数据处理方面取得了丰硕的成果，由于电机结构的复杂性，其信号表现出的非平稳、非线性和复杂多样等特点，使得传统分类方法中的Softmax分类器+交叉熵损失函数对电机故障诊断力不从心。根据电机信号非平稳、数据量大等特点，结合短时傅里叶变换(STFT)与深度学习中的卷积神经网络(CNN)算法和Triplet Loss三元组思想，提出了深度度量学习电机故障诊断方法。该方法能将电机故障信号转换成时频谱图，同时构建CNN，将预处理后的样本用于CNN的训练，采用Triplet Loss作为损失函数度量故障数据高维特征间的距离，并结合标签有监督地微调整个网络，从而实现准确的电机故障诊断。实验表明该方法在处理复杂数据时能够度量特征在高维空间中的距离，高效完成故障诊断任务，弥补了交叉熵函数的不足。     

光伏用电致发光缺陷检测仪空间分辨率的量化评估

针对光伏用电致发光缺陷检测仪空间分辨率目视判定重复性、准确性差,并且难以量化等问题,提出一套基于卷积神经网络模型的空间分辨率量化评估方法。参照相关标准JJF(闽)1088-2018,采取不同的拍摄条件拍摄并切割出空间分辨率线对图像,对图像进行人工分类。设计卷积神经网络结构,采用卷积层、池化层和全连接层结构,并使用已分类完成的空间分辨率线对图像对模型进行训练。最终使用测试集对模型进行评估,结果表明,模型在测试集上的判别正确率达到99.2%。该方法满足使用要求,可取代目视判别,提高了光伏用电致发光缺陷检测仪空间分辨率判定的准确性与重复性,并为其量化提出了新的解决思路。由于太阳电池片用光致发光缺陷检测仪与光伏用电致发光缺陷检测仪的成像方式类似,该方法可兼容太阳电池片光致发光检测仪的性能评估。