期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到5篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
改进DeepLabV3+的农作物病害分割方法 被引量：1
1
作者 余文杰 《电脑与信息技术》 2023年第4期31-33,共3页
针对于传统农作物病害识别存在的效率低、难度大等问题,提出了一种改进DeepLabV3+网络的农作物病害分割方法。主干特征提取网络使用轻量级的MobileNetV3,在空洞空间金字塔池化(ASPP)中使用深度可分卷积替代普通卷积,减少模型计算量;引... 针对于传统农作物病害识别存在的效率低、难度大等问题,提出了一种改进DeepLabV3+网络的农作物病害分割方法。主干特征提取网络使用轻量级的MobileNetV3,在空洞空间金字塔池化(ASPP)中使用深度可分卷积替代普通卷积,减少模型计算量;引入SE通道注意力和ECA有效通道注意力,挖掘有效的通道信息来提高分割精度。以某地区的苹果叶片病害图像作为研究对象。实验结果表明,改进的DeepLabV3+算法平均交并比可达到82.7%,而且模型参数量只有4.98MB,具有较好的性能。 展开更多
关键词 语义分割 农作物病害分割 DeepLabV3+ 深度可分卷积 有效通道注意力
下载PDF
基于ECA-SSD模型的汽车零件缺陷检测 被引量：1
2
作者 金文倩 彭露露 +1 位作者 朱媛媛 王笑梅 《计算机与现代化》 2022年第3期82-90,共9页
汽车零件对汽车外观、性能以及安全性都有重大影响。由于汽车零件数量大、体积小、对精度要求高,因此对零件检测的精度和速度都有一定的要求。本文利用图像处理技术,以SSD模型为基础,将其中的VGG模块用深度可分离卷积和线性瓶颈倒残差... 汽车零件对汽车外观、性能以及安全性都有重大影响。由于汽车零件数量大、体积小、对精度要求高,因此对零件检测的精度和速度都有一定的要求。本文利用图像处理技术,以SSD模型为基础,将其中的VGG模块用深度可分离卷积和线性瓶颈倒残差结构替换,并引入避免降维的局部跨通道交互有效的注意力机制ECA模块,在减少模型参数运算量的同时,适当增加通道以提高模型精度,并将注意力放在图像目标上,忽略背景带来的干扰,实现快速又准确的汽车零件缺陷检测。利用本文模型对上汽提供的汽车零件外壁缺陷进行检测,实验结果表明,模型大小仅为15.9 MB,mAP为94.64%,检测每张图片时间为0.013 s,满足汽车工业上的速度和精度的需求。对比性研究表明,本文模型检测精度和速度以及大小较其他目标检测算法VGG-SSD、MobileNetv2-SSD、YOLO v3等有一定的提高和改善。 展开更多
关键词 有效通道注意力(ECA) 深度可分离卷积 倒残差 缺陷检测 SSD(Single Shot Multibox Detector)
下载PDF
基于改进的U-Net卷积神经网络的遥感影像水体信息提取方法
3
作者 宋子俊 董张玉 +1 位作者 张鹏飞 张远南 《合肥工业大学学报（自然科学版）》 CAS 北大核心 2024年第4期488-495,515,共9页
针对当前遥感影像水体信息提取存在细节水体提取能力较弱、重要特征损失较大的问题,文章提出一种基于改进的U-Net网络实现遥感影像水体信息提取的方法。该方法首先通过引入Resnet残差卷积模块深化传统U-Net网络架构提升特征挖掘能力,并... 针对当前遥感影像水体信息提取存在细节水体提取能力较弱、重要特征损失较大的问题,文章提出一种基于改进的U-Net网络实现遥感影像水体信息提取的方法。该方法首先通过引入Resnet残差卷积模块深化传统U-Net网络架构提升特征挖掘能力,并引入Respath残差连接模块减少跳跃连接过程中的语义差距,同时引入PSConv多尺度卷积模块、Eca有效通道注意力机制模块,提高网络特征学习能力,构建PS-Eca-Multiresunet网络模型,弥补传统U-Net网络存在的细节特征提取能力较弱问题。选择“2020年第四届中科星图杯高分遥感图像解译软件大赛”数据集进行实验,结果表明,与传统U-Net网络模型相比,该方法水体提取的平均交并比提高了9.08,像素精度提升了7.4%。改进的网络提取结果能够有效避免阴影影响,提高对细节水体的提取精度,实现遥感影像水体信息的高精度提取。 展开更多
关键词 水体提取 深度学习 多尺度卷积 有效通道注意力机制 Multiresunet网络
下载PDF
基于CAE-ECA模型的滚动轴承声纹信号异常监测方法
4
作者 王凌锋 《工业控制计算机》 2024年第7期29-31,34,共4页
滚动轴承是电站辅机关键部件,其运行工况复杂且多处于强噪声环境,异常状态难以准确识别。针对传统声纹分析方法人工提取特征表达不充分且过分依赖专家知识的问题,提出了一种基于卷积自编码网络(Convolutional Auto-Encode,CAE)与有效通... 滚动轴承是电站辅机关键部件,其运行工况复杂且多处于强噪声环境,异常状态难以准确识别。针对传统声纹分析方法人工提取特征表达不充分且过分依赖专家知识的问题,提出了一种基于卷积自编码网络(Convolutional Auto-Encode,CAE)与有效通道注意力机制(Efficient Channel Attention,ECA)相结合的模型,实现滚动轴承声纹特征自适应提取与异常状态高效识别。首先,将一维时序声纹信号重复间隔采样构建输入样本,利用卷积、池化等神经网络结构自适应提取轴承运行声音信号的深层特征。然后,通过有效通道注意力模块增加卷积自编码网络对关键特征的权重。通过自编码网络结构实现声音信号的重构且仅使用滚动轴承正常运行声音信号数据进行模型训练。最后,通过模型对异常状态数据的重构偏差评估滚动轴承异常状态。试验表明,CAE-ECA模型在不同噪声条件下均具有较高的诊断准确率。 展开更多
关键词 滚动轴承 声纹异常监测 卷积自编码 有效通道注意力机制
下载PDF
噪声背景下的MSECAE轴承故障诊断方法研究
5
作者 徐坤 任万凯 +4 位作者 王晓夫 魏志民 潘作舟 刘征 蔡木霞 《机电工程技术》 2024年第7期29-33,180,共6页
针对传统基于深度学习的故障诊断方法存在特征提取尺度单一、抗噪声能力差的问题,提出一种多尺度卷积自编码器融合高效通道注意力机制的方法(MSECAE)用于轴承故障诊断。首先,使用傅里叶变换对原始数据进行归一化处理,将原始的一维振动... 针对传统基于深度学习的故障诊断方法存在特征提取尺度单一、抗噪声能力差的问题,提出一种多尺度卷积自编码器融合高效通道注意力机制的方法(MSECAE)用于轴承故障诊断。首先,使用傅里叶变换对原始数据进行归一化处理,将原始的一维振动信号转换到频域进行表示,有利于模型进行提取特征。其次,构造MSECAE结构,利用多尺度卷积(MSCNN)提取原始信息中的多尺度特征,使用高效通道注意力机制(ECA)动态选择卷积核大小,根据各个通道中特征的重要程度赋予不同的权重。最后通过卷积解码器对融合后的信息进行特征重构,利用Softmax分类器进行故障类别分类。为了验证所提模型的性能,使用2种不同采样频率下的数据集在4种不同噪声条件下进行多次实验,并和其他模型进行对比。实验结果表明,所提模型与其他模型相比,分类精度达到99%以上,具有更好的泛化能力和更强的鲁棒性。 展开更多
关键词 故障诊断 多尺度卷积模块 高效通道注意力机制(ECA) 轴承
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部