采用机器视觉与自适应卷积神经网络检测花生仁品质 被引量：28

1

作者 张思雨 张秋菊 李可 《农业工程学报》 EI CAS CSCD 北大核心 2020年第4期269-277,共9页

该文以花生质量自动化检测为研究目标,提出了一种基于机器视觉与自适应卷积神经网络的花生质量检测方法。构建花生图像数据库用于识别花生的常见缺陷,包括霉变、破碎、干瘪等;然后建立卷积神经网络自动提取花生图像特征。为避免深层网... 该文以花生质量自动化检测为研究目标,提出了一种基于机器视觉与自适应卷积神经网络的花生质量检测方法。构建花生图像数据库用于识别花生的常见缺陷,包括霉变、破碎、干瘪等;然后建立卷积神经网络自动提取花生图像特征。为避免深层网络训练时间过长,分别将二次函数与正态分布模型引入网络损失中,同时从网络的损失与权值2方面提出自适应学习率,并分别结合梯度下降与梯度上升法更新网络。为提高模型的泛化能力,引进迁移学习算法,分别在网络的特征层与分类层后加入领域自适应,实现跨领域与跨任务的检测。试验结果表明,该方法对花生常见缺陷的平均识别率达99.7%,与传统的深度网络相比实现了更高的收敛速度与识别精度。 展开更多

关键词 农产品 机器视觉 无损检测 自适应卷积神经网络 自适应学习率 迁移学习 领域自适应

下载PDF 职称材料

基于GSA-VMD和自适应CNN的滚动轴承故障诊断 被引量：7

2

作者 王亚辉 刘德平 王宇 《组合机床与自动化加工技术》 北大核心 2022年第7期85-89,共5页

针对轴承故障诊断中,变分模态分解(VMD)的参数选择与卷积神经网络架构难以确定的问题,研究一种GSA-VMD和自适应CNN的滚动轴承故障诊断方法。首先,采用引力搜索算法(GSA)优化VMD的参数,接着利用优化的VMD分解轴承的振动信号得到若干模态... 针对轴承故障诊断中,变分模态分解(VMD)的参数选择与卷积神经网络架构难以确定的问题,研究一种GSA-VMD和自适应CNN的滚动轴承故障诊断方法。首先,采用引力搜索算法(GSA)优化VMD的参数,接着利用优化的VMD分解轴承的振动信号得到若干模态分量;然后,将模态分量与振动信号结合构建特征矩阵,作为自适应CNN的输入;最后,自适应CNN采用粒子群算法(PSO)解决CNN架构难以确定的问题,适应性地构建CNN故障诊断模型,判断轴承的故障类型。实验结果表明:与ANN、CNN-SVM、WDCNN、GA-CNN诊断方法对比,所提方法 准确率更高、稳定性好、适应性强。 展开更多

关键词 故障诊断 引力搜索算法 变分模态分解 粒子群算法 自适应卷积神经网络

下载PDF 职称材料

海上风电场维护任务动态调度策略 被引量：7

3

作者 符杨 张耀楠 +2 位作者 刘璐洁 魏书荣 任浩瀚 《电力系统自动化》 EI CSCD 北大核心 2021年第21期48-56,共9页

在海上风浪、载荷等因素的耦合作用下,风机状态数据波动迅速,时变工况下风机状态特征的敏感性导致维护需求的动态变化,增加了风电场维护任务精准调度的难度。文中提出了海上时变工况下考虑风机状态风险态势的风电场维护任务动态调度方... 在海上风浪、载荷等因素的耦合作用下,风机状态数据波动迅速,时变工况下风机状态特征的敏感性导致维护需求的动态变化,增加了风电场维护任务精准调度的难度。文中提出了海上时变工况下考虑风机状态风险态势的风电场维护任务动态调度方法。首先,利用模糊C均值聚类算法划分风机时变工况,通过采用改进联合领域自适应卷积神经网络最小化特征分布差异,实现时变工况下风机状态特征自适应提取。然后,根据部件状态序列利用马尔可夫模型描述各部件的初始状态转移矩阵,考虑到不完全维护对机组部件性能的影响,引入部件性能退化过程,建立了考虑风机自适应状态评估的风险态势预测模型。同时,提出以维护船只、人员、工作时长等条件为约束,以单位电量调度维护成本最小为目标的海上风电场维护任务动态调度方法,实现了时变工况下海上风电场维护任务的动态调度。最后,以某海上风电场为例,验证了所提方法的有效性和经济性。 展开更多

关键词 海上风电场 动态调度 自适应卷积神经网络 风险态势预测

下载PDF 职称材料

基于多通道融合多尺度自适应残差学习的行星齿轮箱故障诊断研究

4

作者 陈奇 陈长征 安文杰 《机电工程》 CAS 北大核心 2023年第7期1031-1038,共8页

针对风电机组行星齿轮箱振动激励源多、故障诊断精度低的问题,提出了一种基于多通道融合多尺度动态自适应残差学习(MC-MSDARL)的行星齿轮箱故障诊断方法。首先,采用多尺度动态自适应卷积神经网络(MSDAC)对不同尺度卷积核权重进行了动态... 针对风电机组行星齿轮箱振动激励源多、故障诊断精度低的问题,提出了一种基于多通道融合多尺度动态自适应残差学习(MC-MSDARL)的行星齿轮箱故障诊断方法。首先,采用多尺度动态自适应卷积神经网络(MSDAC)对不同尺度卷积核权重进行了动态调整,自适应提取了单通道数据的局部和全局特征;其次,通过将MSDAC与残差学习结合,提升了模型的学习能力;最后,采用MC-MSDAR将多通道数据的多尺度特征进行了融合,输入到SoftMax层,实现了故障识别与分类。研究结果表明:基于MC-MSDAR的方法进行行星齿轮箱故障诊断的准确率为97%,验证了该方法的有效性;通过与其他深度学习方法进行对比,该方法具有更好的泛化能力。 展开更多

关键词 故障诊断 风电机组 行星齿轮箱 残差学习 多尺度学习 多尺度动态自适应卷积神经网络

下载PDF 职称材料

强背景噪声条件下自适应图卷积神经网络的航空发动机附件机匣故障诊断方法 被引量：25

5

作者 余晓霞 汤宝平 +1 位作者 魏静 邓蕾 《仪器仪表学报》 EI CAS CSCD 北大核心 2021年第8期78-86,共9页

针对强背景噪声条件下航空发动机附件机匣故障难以诊断的问题,提出了自适应图卷神经网络(AGCNet)航空发动机附件机匣故障诊断方法。将航空发动机附件机匣振动信号通过小波包进行分解,并将小波包系数矩阵定义为包含节点与边的图。在图卷... 针对强背景噪声条件下航空发动机附件机匣故障难以诊断的问题,提出了自适应图卷神经网络(AGCNet)航空发动机附件机匣故障诊断方法。将航空发动机附件机匣振动信号通过小波包进行分解,并将小波包系数矩阵定义为包含节点与边的图。在图卷积神经网络中构建自适应图卷积核,基于切比雪夫多项式设计了一种自适应图卷积操作,通过自适应图卷积核对图中节点与边进行特征提取,增强模型在强噪声条件下的泛化性。最后利用全连接层进行特征抽取,进而实现航空发动机附件机匣故障。应用案例表明所提自适应图卷积神经网络模型(AGCNet);在强背景噪声条件下对航空发动机附件机匣故障平均诊断精度为86.42%,均高于LeNet、ResNet以及GCNet模型。能够有效识别故障,可应用于航空发动机附件机匣故障诊断。 展开更多

关键词 航空发动机附件机匣 自适应图卷积神经网络 强背景噪声 故障诊断

下载PDF 职称材料

基于改进深度置信网络的木板表面缺陷检测模型 被引量：2

6

作者 李馥颖 杨大为 黄海 《南京理工大学学报》 CAS CSCD 北大核心 2022年第6期728-734,共7页

为了提高木板表面缺陷检测精度,采用连续型深度置信网络(DBN)建立木板表面缺陷检测模型。首先,对待检测的木板图片进行关键特征提取,并建立DBN检测模型。然后,将木板图片特征输入DBN的多个受限玻尔兹曼机(RBM)层进行深度训练,从而利用DB... 为了提高木板表面缺陷检测精度,采用连续型深度置信网络(DBN)建立木板表面缺陷检测模型。首先,对待检测的木板图片进行关键特征提取,并建立DBN检测模型。然后,将木板图片特征输入DBN的多个受限玻尔兹曼机(RBM)层进行深度训练,从而利用DBN的深度优势来获得木板表面缺陷检测结果。最后,引入人工蜂群(ABC)算法对DBN的权重参数进行优化从而缩短训练时间。实例测试实验结果表明:选择学习速率为0.075时,ABC-DBN算法在划痕、刮痕、裂缝、崩缺4类样本集中的均方根误差(RMSE)均值性能更优。采用卷积神经网络(CNN)、快速区域卷积神经网络(Faster R-CNN)、自适应增强卷积神经网络(AdaBoost-CNN)和ABC-DBN算法分别进行检测准确率对比实验。结果显示,ABC-DBN算法检测准确率RMSE为5.067×10^(-2),是最优结果,Adaboost-CNN算法次之,CNN算法最差。 展开更多

关键词 深度置信网络 木板表面 缺陷检测 受限玻尔兹曼机 人工蜂群算法 卷积神经网络 快速区域卷积神经网络 自适应增强卷积神经网络

下载PDF 职称材料

相似青梅品级半监督智能反馈认知方法研究 被引量：2

7

作者 李帷韬 吴四茜 +4 位作者 陶海 陈克琼 王建平 焦点 韩慧慧 《电子测量与仪器学报》 CSCD 北大核心 2018年第9期187-194,共8页

相似水果的大量存在和标注困难是导致误识的主要原因。仿人认知模式提出了一种基于深度集成学习的相似青梅品级智能反馈认知方法。首先基于半监督学习标注无标签样本以扩充训练样本集;基于具有充分可分性的自适应架构卷积神经网络,从信... 相似水果的大量存在和标注困难是导致误识的主要原因。仿人认知模式提出了一种基于深度集成学习的相似青梅品级智能反馈认知方法。首先基于半监督学习标注无标签样本以扩充训练样本集;基于具有充分可分性的自适应架构卷积神经网络,从信息论角度建立认知智能决策信息系统,将约简的多层面局部差异特征空间送入集成分类器;基于语义熵测度指标实时评测相似青梅品级的不确定认知结果,自寻优交替调节认知精度、网络层级和中和因子。3 000幅相似青梅图像的平均识别率为98. 26%,表明方法可以有效认知相似青梅品级,为后续在线分拣系统提供理论支持。 展开更多

关键词 相似青梅品级 基于图的半监督 集成学习 自适应架构卷积神经网络 语义熵测度

下载PDF 职称材料

基于多源信息融合和ADCNN的离心鼓风机故障诊断 被引量：1

8

作者 张友 李聪波 +1 位作者 林利红 王睿 《重庆大学学报》 CAS CSCD 北大核心 2022年第10期86-96,共11页

针对离心鼓风机故障识别过程中单一传感器信号故障信息有限,传统的卷积神经网络(CNN)在处理多源高维数据时特征提取能力不足的问题,提出一种基于多源信息融合和自适应深度卷积神经网络(ADCNN)的离心鼓风机故障诊断方法。首先,基于相关... 针对离心鼓风机故障识别过程中单一传感器信号故障信息有限,传统的卷积神经网络(CNN)在处理多源高维数据时特征提取能力不足的问题,提出一种基于多源信息融合和自适应深度卷积神经网络(ADCNN)的离心鼓风机故障诊断方法。首先,基于相关性方差贡献率法实现离心鼓风机多源同类信息的数据层融合,建立多源信息融合框架;然后,利用ADCNN自适应地提取各异类信息的特征并完成特征融合,建立融合多源信息的ADCNN故障诊断模型;最后,将此方法应用于离心鼓风机转子故障诊断上,并与传统的融合模式以及CNN、反向传播神经网络(BPNN)、支持向量机(SVM)方法进行对比,试验结果表明:提出的方法在诊断精度与鲁棒性上均优于其他方法。 展开更多

关键词 故障诊断 多源信息融合 自适应深度卷积神经网络 离心鼓风机

下载PDF 职称材料

基于AE-CNN的手势识别算法的探讨及实现 被引量：1

9

作者 曹军梅 秦婧文 《信息技术》 2019年第6期18-21,共4页

近年,深度学习的发展使得手势识别卷积神经网络取得了突破性进展,但现有基于卷积神经网络的手势识别方法仍存在收敛速度慢、识别率低等问题,因此手势识别很难取得较好成果。通过对CNN训练过程中误差产生的原因及其反馈模型的分析,提出... 近年,深度学习的发展使得手势识别卷积神经网络取得了突破性进展,但现有基于卷积神经网络的手势识别方法仍存在收敛速度慢、识别率低等问题,因此手势识别很难取得较好成果。通过对CNN训练过程中误差产生的原因及其反馈模型的分析,提出了一种自适应增强卷积神经网络(Adaptively Enhanced Convolution Neural Network,AE-CNN)的识别算法。结果表明,文中算法不仅实现了分类特征的自适应增强,同时也提高了收敛速度和识别率。 展开更多

关键词 自适应增强卷积神经网络 深度学习 手势识别

下载PDF 职称材料

基于深度学习的青梅品级半监督智能认知方法 被引量：1

10

作者 李帷韬 陶海 +2 位作者 吴四茜 王建平 徐晓冰 《计算机应用与软件》 北大核心 2018年第11期245-252,共8页

针对水果品级监督学习认知方法中样本获取困难、特征空间充分性表征和分类器能力不足的缺陷,模仿人反复推敲比对的信息交互模式,提出一种基于深度学习的青梅品级半监督智能认知方法。基于半监督学习扩充训练样本库,从信息论角度建立多... 针对水果品级监督学习认知方法中样本获取困难、特征空间充分性表征和分类器能力不足的缺陷,模仿人反复推敲比对的信息交互模式,提出一种基于深度学习的青梅品级半监督智能认知方法。基于半监督学习扩充训练样本库,从信息论角度建立多层面特征充分表征的青梅品级认知智能决策信息系统;基于具有充分表征性的自适应架构卷积神经网络和随机配置网络,建立青梅图像由全局到局部多层面充分表征特征空间和具有万局逼近能力的分类准则;基于广义熵理论,建立青梅图像认知结果的语义熵测度评价指标;构建基于不确定认知结果熵测度指标约束的特征空间和样本信度自寻优反馈调节机制。仿真实验表明,该方法青梅品级平均识别率为98. 2%。 展开更多

关键词 青梅品级 半监督学习 自适应架构卷积神经网络 万局逼近能力 潜在语义熵测度

下载PDF 职称材料

基于多尺度自适应残差卷积神经网络的新能源配电网故障定位技术 被引量：3

11

作者 杨鹏杰 徐宇 郑晨一 《水利水电技术(中英文)》 北大核心 2023年第S02期439-446,共8页

随着新型电力系统建设的推进,分布式新能源接入配电网的比例不断提升,使得电网潮流分布更加复杂,对配电网的故障定位要求越来越高,导致现有的故障定位方法准确率低、稳定性差。对此提出一种基于多尺度自适应残差卷积神经网络的新能源配... 随着新型电力系统建设的推进,分布式新能源接入配电网的比例不断提升,使得电网潮流分布更加复杂,对配电网的故障定位要求越来越高,导致现有的故障定位方法准确率低、稳定性差。对此提出一种基于多尺度自适应残差卷积神经网络的新能源配电网故障定位方法。首先,对故障电流使用变分模态分解,得到一系列征模态函数;然后,使用多尺度自适应卷积动态调整卷积核尺寸、残差卷积提升网络学习能力的方式构建多尺度自适应残差卷积神经网络模型,特征学习输入的故障电流本征模态函数;最后,经过Softmax分类器实现故障区段分类,完成故障定位。仿真结果表明,所提方法面对新能源接入的配电网能够实现不同故障的准确定位,并且对高阻接地故障仍然具有较高的准确率。和常见的卷积神经网络、支持向量机相比,配电网故障定位准确率分别提升了5.63%、9.31%,验证了该方法的有效性。 展开更多

关键词 新型电力系统 新能源 配电网 故障定位 多尺度自适应残差卷积神经网络

下载PDF 职称材料