-
题名基于深度学习的接触网吊弦线夹状态识别
被引量：5
- 1
-
-
作者
梅小云
顾桂梅
陈充
张存俊
-
机构
兰州交通大学自动化与电气工程学院
中国铁路兰州局集团有限公司
-
出处
《兰州交通大学学报》
CAS
2022年第1期61-67,共7页
-
基金
甘肃省科技计划资助(20JR10RA216)。
-
文摘
针对人工检查接触网吊弦线夹缺陷耗时耗力且效率低下的问题,提出利用深度学习实现吊弦线夹状态分类的方法.首先利用加入特征金字塔和K-means算法改进的Faster R-CNN算法准确地定位到吊弦线夹,然后采用加入SENet注意力机制模块的Inception-ResNet-V2网络对接触网吊弦线夹螺母的缺失、松脱、正常三种状态进行高效准确的自动分类,达到计算机辅助检查的效果.仿真实验结果表明:该方法对吊弦线夹三种状态的分类准确率较高,平均准确率达到了96.61%,并具有高精度、易泛化的特点,为接触网零部件的缺陷检测任务奠定了必要的基础.
-
关键词
接触网吊弦线夹
状态分类
深度学习
特征金字塔
K-MEANS
SENet注意力机制
inception-resnet-v2网络
-
Keywords
catenary dropper clamp
status classification
deep learning
feature pyramid
K-means
SENet attention mechanism
inception-resnet-v2 network
-
分类号
U226.8
[交通运输工程—道路与铁道工程]
-
-
题名基于稀疏注意力的孪生网络目标跟踪算法
- 2
-
-
作者
陈志旺
杨天宇
曹索航
吕昌昊
彭勇
-
机构
燕山大学智能控制系统与智能装备教育部工程研究中心
燕山大学工业计算机控制工程河北省重点实验室
燕山大学电力电子节能与传动控制河北省重点实验室
燕山大学电气工程学院
-
出处
《控制与决策》
EI
CSCD
北大核心
2024年第12期4017-4026,共10页
-
基金
河北省研究生专业学位精品教学案例(库)项目(KCJPZ2023012)
国家自然科学基金项目(61573305)
河北省自然科学基金项目(F2022203038,F2019203511)。
-
文摘
利用改进的Inception-Resnet-V2(IRV2)网络和局部-全局-局部(local-global-local,LGL)模块设计一种结合CNN和Transformer编码结构的孪生网络SiamLGL(siamese local-global-local network)用于目标跟踪.首先,算法特征提取部分采用改进后的IRV2网络,由于网络的层数更深,图片经过IRV2网络提取的特征较浅层网络提取的特征效果更优,特征融合部分采用深度互相关将特征图上的信息进行融合;其次,融合后的特征图利用LGL模块获取目标的全局和局部信息,模块内部采用两个编码器串联,第1个编码器利用深度可分离卷积获取目标的局部信息,第2个编码器利用自注意力获取图片的全局特征,为了降低自注意力结构的时间复杂度,采用稀疏注意力的方式进行计算,在降低时间复杂度的同时保证网络的精度;最后将特征图输入至分类回归网络中,生成对应的目标位置,其中分类网络采用二元交叉熵损失函数,回归网络采用Distance-IoU(DIoU)作为损失函数.算法在GOT-10k、LaSOT、TrackingNet、UAV123、OTB100和VOT2019等6个公开数据集上进行实验评估,结果验证了算法的有效性.
-
关键词
目标跟踪
孪生网络
inception-resnet-v2网络
稀疏注意力
Distance-IoU损失
-
Keywords
object tracking
siamese network
inception-resnet-v2 network
sparse attention
Distance-IoU loss
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于深度学习的手骨X射线图像骨龄评估
被引量：12
- 3
-
-
作者
王嘉庆
梅礼晔
张俊华
-
机构
云南大学信息学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2021年第1期291-297,共7页
-
基金
国家自然科学基金(61841112,61361010)。
-
文摘
骨龄评估是研究儿童内分泌、遗传因子和生长障碍的常用临床手段,传统骨龄评估方法耗时较长,易受评估者主观因素影响产生误差,而现有自动提取临床特征的骨龄评估方法精度低且泛化能力差。提出一种基于深度学习的端到端手骨X射线图像自动骨龄评估方法。去除Inception ResNet V2网络的Softmax层优化结构,在Inception模块中增加非对称卷积核提高特征图分类精度,引入残差连接结构避免梯度消失或爆炸问题,同时采用均方误差损失函数对骨龄评估回归性能进行评价,并使用分层K折交叉验证法保证数据集样本分类均衡。实验结果表明,与采用BoNet网络的骨龄评估方法相比,该方法评估的骨龄与真实骨龄平均绝对误差减少0.4230岁,骨龄预测精度更高。
-
关键词
骨龄评估
深度学习
X射线图像
分层K折交叉验证法
inception
resnet
v2网络
-
Keywords
bone age assessment
deep learning
X-ray image
stratified K-fold cross-validation method
inception resnet v2 network
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
