基于CEEMDAN和CNN TSA GRU的滚动轴承故障识别方法研究

为避免复杂噪声对滚动轴承智能诊断模型的准确率干扰，提出一种基于完全集合经验模态分解CEEMDAN和深度时间自注意力卷积网络CNN TSA的滚动轴承故障识别模型。该模型首先采用CEEMDAN将信号分解为若干固有模态函数(intrinsic mode function，IMF)分量，利用光谱放大因子SAF指标自适应筛选最优高信噪比分量；其次采用改进时间自注意力机制对数据分配权重并采用卷积神经网络CNN提取空间特征，弱化冗余特征信息，保留目标特征；最后利用门控循环单元GRU提取样本数据时间特征，使得网络得到更充分的学习，提高模型鲁棒性。经试验数据验证：所提出的深度学习智能故障识别模型故障识别准确率达到98.87%；对比一维CNN和CNN LSTM模型，识别准确率分别提高915%和8.86%，验证了该模型的有效性和优越性。     

一种非刚体目标的实时检测与跟踪算法

提出了一种复杂背景下自动、实时地检测和跟踪非刚体目标算法。该算法利用自适应的背景减除方法,在复杂背景条件下提取出运动目标;采用颜色直方图模型为特征的均值平移法作为跟踪算法。试验结果验证了该算法的实时性和有效性。     

基于HOG特征和滑动框搜索的地面油气管道检测方法

提出一种基于HOG特征和滑动框搜索的地面油气管道检测方法,能快速、高效、准确地检测高分辨率无人机巡线图像中的地面油气管道。该方法首先提取管道与非管道图像样本的HOG特征,由所得特征作为样本数据训练油气管道检测分类器。将训练好的分类器用在整张无人机巡线图像中自动检测油气管道,利用与样本管道图像尺寸一致的滑动框对整张无人机巡线图像进行扫描,提取滑动框中的HOG特征输入到已训练的分类器中判断该窗口是否为管道,并进行标记。为了验证提出方法的有效性,将此方法运用于235张高分辨率航拍图像上进行油气管道自动检测,检测精确率达到84.7%。     

一种CNN与ELM相结合的船舶分类识别方法

为提高船舶分类识别的精度,提出一种卷积神经网络(CNN)与极限学习机(ELM)相结合的分类识别方法。该方法采用8层AlexNet的卷积神经网络对船舶训练图片进行监督训练,并把AlexNet网络的第一个全连接层的输出作为特征训练样本完成对ELM的监督训练。对比实验结果表明:本文方法对船舶分类识别平均准确率为94%。     

基于小波包FBank图谱与CNN的车内异响识别研究

车内异响识别是优化改进异响声源的重要前提,针对目前异响声源诊断效率低的问题,提出一种基于卷积神经网络(convolutional neural network,CNN)的车内异响识别方法。选择4种车内零部件异响声音为研究对象,提取异响信号的梅尔频率倒谱系数和FBank(filter bank)图谱特征,并采用小波包变换对其进行改进,然后使用CNN对训练数据提取更深层次的特征并进行分类识别,同时对比不同特征参数输入对识别率的影响。实验结果表明:所提出的基于小波包FBank图谱与CNN的车内异响识别方法准确率可达90. 2%,基于小波包变换改进的FBank图谱相比于梅尔倒谱系数更加适合作为CNN的输入。     

基于深度学习的不规则特征识别检测技术

〖HK44〗〖HT5”H〗摘要：〖HT5”K〗针对目前工业上金属轴零件在加工的过程中可能由于加工失误、本身材质等原因产生不同缺陷,而传统的检测方法检测精 度和泛化能力有限的现状,课题组提出了基于深度学习的不规则特征识别技术,来提升对金属轴表面缺陷的检测效率。课题组设计了金属轴表面缺陷图像预处理 方法,提升采集的缺陷图像的质量;对传统深度学习Faster R CNN进行改进,设计了模型的特征提取网络、RPN网络、分类网络以及模型参数,提升模型的检测 性能。实验结果表明本技术能有效提升工业流水线对金属轴缺陷的检测效率和精度,可同时检测多种不同种类的缺陷。课题组的研究成果具备良好的泛化能力。     

基于同步提取变换和DRSN的滚动轴承故障诊断研究

针对旋转设备在复杂运行工况下,滚动轴承故障信号特征难以准确提取及识别的问题,结合深度残差收缩网络(depth residual contraction network,DRSN)的优势,将同步提取变换(simultaneous extraction transformation,SET)和深度残差收缩网络结合的故障诊断方法应用于轴承故障诊断。首先利用同步提取变换时频分辨率高的特点,对采集到的滚动轴承外圈信号进行模态分解和处理,得到分解后的时频图像:然后对图像进行灰度处理,并进行降维,以适合DRSN模型输入,最后进行故障特征识别,实现滚动轴承故障诊断。实验结果表明,该方法有效实现了复杂工况下对滚动轴承故障信号的特征提取,提高了故障识别率。     

基于改进Yolo v5的织物缺陷检测方法

针对纺织品表面缺陷检测算法速度低、泛化性能差及鲁棒性弱等问题，课题组提出了一种基于改进Yolo v5的织物表面缺陷检测方法。在Yolo v5骨干网络的基础上增加了卷积注意力模块，增强目标检测网络对特征图中重要信息提取并弱化无关特征；针对网络特征融合阶段特征尺度不一致造成的冲突问题，引入自适应空间特征融合的方法；在训练过程中使用迁移学习加快训练速度。实验结果表明：与未改进的Yolo v5算法相比，所提出的检测框架能够有效提高网络精度达98.8%，检测速度达83 帧/s。该检测方法能满足实际工业要求。     

基于分形的快速最大熵红外图像特征检测

文章针对红外图像目标检测问题,提出一种基于分形的快速最大熵的红外图像特征检测算法.该算法利用DBC方法计算分维数,根据人造物和自然背景分形维差异,确定目标区域;最后,通过二维最大熵原则确定最佳阈值,实现对单目标或者多目标图像分割.该算法能够较好实现红外图像特征检测,有效抑制背景和噪声.     

基于格拉姆角场和卷积神经网络的斜拉索损伤识别研究

斜拉索是斜拉桥的重要受力构件，也是易损构件，针对此提出了一种基于格拉姆角场和卷积神经网络(GAF-CNN)的斜拉索损伤识别方法。首先，利用格拉姆角场对斜拉索进行特征提取，将斜拉索的加速度信号转化为二维图像，构建GAF图像数据集；然后，基于迁移学习构建适用于斜拉索损伤识别的CNN网络并进行训练。数值仿真结果表明，该方法能够有效识别斜拉索损伤，具有较高的准确率和良好的抗噪性能。     

融合跨阶段局部网络和空间金字塔池化的Yolov3目标检测算法

实际的检测任务中往往存在复杂的环境与背景,容易造成边界框的定位不够准确、对各尺度的目标检测精度不高等情况。为了进一步提高Yolov3的检测精度,本文在原算法的基础上提出一种融合跨阶段局部网络和空间金字塔池化的Yolov3目标检测算法。首先,将主干网络融合跨阶段局部网络CSPNet来提高网络的学习能力;其次,引入一种改进的空间金字塔池化结构增强网络的局部区域特征;最后,在损失函数中融入focal loss解决正负样本不均衡带来的问题。实验表明:改进的Yolov3算法在检测性能上优于原算法。     

基于迁移学习的无监督细粒度图像分类模型

图像分类是计算机视觉领域的一个重要研究分支,普通图像分类关注主类对象差异性的判别,而细粒度图像分类则重点研究主类下不同子类的区分。考虑到较小的子类间差异(只在某个局部上有细微差异)和由于拍摄角度、背景、姿态等因素导致的较大的子类内差异,细粒度图像识别成为一项颇具挑战的任务。为了缓解细粒度图像数据集难以获取和扩充的问题,本文提出了一种基于迁移学习和孪生网络实现的无监督细粒度图像分类模型。该模型采用两阶段训练策略,第一阶段采用有监督方式预训练基础网络,使模型快速学习到细粒度图像的通用特征;第二阶段通过搜索引擎扩充数据集,设计孪生网络并采用无监督方式微调模型以实现知识迁移。实验表明,孪生网络模型在Stanford Car和Aircraft数据集上能够获得较好的性能表现。     

一种深度置信提升网络集成分类模型

针对前大数据环境下浅层机器学习模型提取特征能力不足、分类能力有限等问题,提出了一种深度置信提升网络集成分类模型。该模型采用集成深度置信网络(deep belief networks,DBN)进行特征提取,克服了单一模型特征提取能力不足的问题;采用极端梯度提升决策树(eXtreme gradient boosting,XGBoost)和梯度提升决策树(gradient boost decision tree,GBDT)构建深层提升网络,对提取特征进行多层特征深度学习,采用相对多数投票法输出分类结果。基于4个UCI公开数据集和MNIST数据集对提出模型进行了检测实验,实验结果表明:提出模型较深度置信网络、极限梯度提升树和DBN-XGBDT等3种模型的准确率分别提升了13.8%、6.98%和4.18%。     

基于改进型SSD的多类汽车车身冲压件识别算法

智能机器人在汽车生产制造中有着重要意义,准确地识别抓取任务中的目标是基于视觉引导的汽车车身冲压件抓取系统的基础。针对传统工件识别算法人工提取特征困难、通用性差、识别率不高且易受环境因素影响等问题,首先采用深度学习SSD网络模型对10类汽车车身冲压件进行识别。在此基础上,为了提高工件识别准确率,改善工件相互遮挡情况下识别差的问题,提出一种改进的SSD算法,引入残差网络,采用Resnet-50替换原SSD的基础网络VGG-16。实验结果表明:原始的SSD网络在自制的工件数据集评估集上的平均准确率均值m AP为92. 3%,改进后的SSD网络检测的平均准确率均值m AP为98. 3%,比原始的SSD网络提高了6%,基于Resnet-50改进的SSD模型具有更高的识别准确率、更好的遮挡识别效果以及更强的泛化性能。     

结合LTP纹理特征和改进Mean-Shift的视频目标跟踪方法

视频序列中的目标跟踪效果受到尺度、光照和复杂背景等因素的影响,为此,提出一种结合局部三元模式(LTP)纹理特征和改进型Mean-Shift的目标跟踪方法。首先,为了提高传统Mean-Shift算法对尺度变化的鲁棒性,采用一种尺度和方向自适应的改进型Mean-Shift跟踪器,在均值漂移跟踪框架下估计目标的尺度和方向。另外,通过LTP来提取目标的纹理特征,将其与颜色特征相结合来表示目标模型。实验结果表明:该方法比只采用颜色特征的MeanShift算法更加有效,能处理快速移动物体在目标尺度和方向上的变化。     

尾灯特征的ADAS系统前方车辆识别

为可靠识别汽车安全辅助驾驶系统(ADAS)前方车辆目标,提出了基于车辆尾灯特征提取的径向基神经网络车辆识别方法。构建了车辆尾灯对宽度限制、高度约束及左右尾灯面积比等约束条件,提取了车辆的尾灯信息并获取尾灯的质心位置,经过形态学运算后确定了尾灯的标记区域,再结合车辆图像与实际尺寸比例得到车辆可能存在的感兴趣标记区域。针对感兴趣标记区域进行了车辆存在性的进一步确认,提取了感兴趣区域的边缘特征与区域特征共计19个特征参数(6个独立不变矩、8个余弦变换描述子和5个区域特征参数),构建了由19维输入神经元和2个输出量组成的三层径向基神经网络车辆识别器。利用采集的车辆样本图像,分别验证了正常天气与雨天、雪天及夜间行车环境下基于尾灯特征获取车辆区域检测方法的可行性。对采集的1 700张车辆正、负样本,完成了径向基神经网络的训练,通过训练误差性能曲线得知本文设计的网络达到了训练精度要求。随机选取了60%的样本,完成了径向基神经网络车辆识别器的测试,实现了检测区域内车辆的进一步确认,也针对停车场及并行车辆等情形进行了确认测试,其正确率达到94%,有效弥补单一尾灯特征实施车辆检测的漏检或误检现象,大大提高了车辆检测的可靠性。     

基于融合CNN和SSA-SVM的滚动轴承故障诊断

针对滚动轴承故障诊断问题,提出一种融合一维卷积神经网络(1D CNN)和麻雀算法优化支持向量机(SSA-SVM)的网络结构。该网络结构通过卷积运算对原始时域振动信号直接进行特征提取,将提取到的特征输入到麻雀算法优化的支持向量机中,使用支持向量机代替Softmax进行分类。利用滚动轴承故障数据进行验证,此方法故障诊断精度高达0.983,高于其他网络结构,且整体网络结构简单,有一定实际应用价值。     

基于风险数据挖掘追踪技术的网络入侵检测研究

网络入侵检测是通过分析网络流量行为来识别网络中恶意活动的过程,针对网络入侵检测面临的海量数据入侵检测的挑战,提出了一种新的基于KDD CUP 99数据集的特征选择算法,将基于滤波器和包装器的方法相结合,选择合适的特征进行网络检测入侵。首先,基于训练数据的一般特征对特征进行评价,不依赖于任何挖掘算法;然后,采用互信息萤火虫算法(MIFA)作为基于包装器的特征选择策略进行特征提取,进一步基于C4. 5分类器和基于贝叶斯网络(BN)的分类器,结合KDD CUP 99数据集对得到的特征进行分类;最后,将提出的方法与已有的工作进行比较。实验结果表明:10个特征足够检测入侵,并提高了检测精度和假阳性率。     

基于改进YOLOv5的陶瓷环缺陷检测算法

针对陶瓷环缺陷信息微弱且特征各异、种类繁多导致特征难以提取的问题，课题组提出了一种基于改进YOLOv5的陶瓷环缺陷检测算法。首先，在YOLOv5中的Backbone网络添加CBAM注意力机制模块，通过学习的方式在空间和通道上对特征图像进行权重分配，有效地提升模型对于不同类型缺陷通道特征和空间特征信息的提取能力；然后，采用CARAFE算子替换原YOLOv5中的最近邻上采样算子，该模块基于输入特征自适应生成上采样内核，有效的增加模型的感受域；最后，添加一个新的特征融合层，提取较低的空间特征并将其与深层的特征进行融合生成新的特征图，提升模型对小目标缺陷的检测能力。实验结果表明课题组提出的陶瓷环缺陷检测算法检测所有缺陷种类平均精度均值可以达到90.7%，能够实现陶瓷环缺陷的检测。     

融合Sobel-SIFT的花朵图像的特征提取方法

由于花朵图像特征的复杂性,往往需要先对原有图像进行花朵轮廓检测,再进行特征点提取.本文在传统的SIFT算法的基础上,提出了改进的Sobel-SIFT算法,以适用于花朵图像的特征提取.该方法首先针对传统的Sobel算法进行了方向模板的扩展,其次对检测到的边缘特征进行细化处理,最后使用SIFT特征提取算法对花朵图像进行特征点提取.试验结果显示该算法比原有算法获取了更为准确的特征点,验证了本文方法的有效性.