基于改进GoogLeNet的玻璃安瓿瓶微孔检测

在玻璃安瓿瓶包装完整性检测领域,常用高压放电法对微米级漏孔缺陷进行检测,针对现有方法存在的难以找到合适滤波方式、判别阈值依赖人工设计、检测准确率较低的问题,提出一种基于改进的GoogLeNet的微孔检测方法.对于原始放电电流数据,利用小波变换(WT),以广义Morse小波函数(GMW)为基小波,将一维的电流时间序列转换为二维的时频索引图以呈现数据完整的细节信息.在GoogLeNet原型基础上引入Relu激活函数以减少过拟合,将输入端卷积缩减至1层,然后进行了三种不同层次的Inception模块裁剪,对比分析发现只用前6个Inception模块并调高Inception(4d)的大尺寸卷积核占比时,模型能在参数量更少的情况下同样达到很好的微孔判别效果.在生产现场工控机中用训练好的模型替换原有算法,进行1000个正负样本的验证测试,结果表明该算法的准确率达到99.15%,阳性样品漏检率仅0.8%,优于现有方法的96.45%准确率和5.3%漏检率,具有较好实用价值.     

基于Mobilenetv3的果蔬分类识别研究

针对农贸市场、果蔬超市中结算流程不够智能化问题以及重型神经网络模型部署困难问题,基于轻量化神经网络模型Mobilenetv3,对果蔬分类识别进行了研究。首先针对果蔬超市、农贸市场环境复杂问题,提出了多样化数据采集方案,共采集果蔬170种,图片136000张。然后利用一系列增强方法,在训练时对数据进一步进行增强。最后使用训练数据集对Mobilenetv3进行了训练并使用测试数据集进行了测试,其top-1成功率达到了0.932,top-5成功率达到了0.991。研究结果表明：基于轻量化神经网络模型的果蔬分类可以用来辅助售货员进行果蔬分类。     

基于改进GoogLeNet的锌渣识别算法

针对目前热镀锌工艺中捞渣机器人工作效率低、缺乏选择性等问题,提出一种基于深度学习的锌渣识别算法,以提高捞渣生产线无人化水平.首先,在GoogLeNet网络基础上进行改进,并搭建了适用于实际生产环境的锌渣识别模型;其次,利用经验丰富的工作人员所标注的薄渣和厚渣这两类锌渣图片来建立数据库,完成锌渣分类模型的训练;最后,将工...     

基于轻量化模型和迁移学习的花卉识别

针对现有花卉识别方法存在的识别精度不高、模型体积大等问题,提出一种基于轻量化模型和迁移学习的花卉识别方法.首先,以MobileNetV2模型作为骨干网络构建轻量化的花卉识别模型;然后,采用迁移学习策略使模型具备良好的初始特征提取能力;最后,利用小规模的花卉图像数据集对模型进行逐级训练和微调,使模型获得最佳的花卉识别能力.实验结果表明,该花卉识别模型在花卉图像数据集Oxford flower-102上获得了97.76%的识别精度,并且模型体积只有9.2 MB,具有识别精度高、模型体积小的优点,方便在移动设备上部署和应用.     

基于GoogLeNet多阶段连带优化的图像描述

图像描述是使用计算机将一副图像中的内容使用自然语言的形式重新表达,是图像理解任务中极具挑战性的工作。目前,使用深度CNN模型和RNN模型对图像进行编码和解码框架来解决该问题已经成为研究热点,也在多个数据集上取得了突破。但这些工作在使用CNN的过程中对其参数优化不足,且常使用分阶段训练的方式,导致整个系统易陷入局部最优。针对这些问题,在Goog Le Net模型的基础上,利用其中间特征,自底向上添加了两个辅助LSTM分支及其监督函数,通过联合训练,对整个模型进行优化,保证了CNN模型低层参数对任务的有效性,避免了系统陷入局部最优点;同时,由于加入了低层监督函数的干扰,使得模型有了额外的正则化,提高了模型的泛化能力。在Flickr8K和Flickr30K两个数据集上的实验表明,本文方法优势明显,在多个统计指标上均超过了现有其他方法。     

基于GoogLeNet和双层GRU的图像描述

针对基于卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long short-term memory,LSTM)的方法存在计算复杂度高、收敛速度慢、训练时间长等问题,本文提出基于GoogLeNet和双层GRU的图像描述模型,在训练阶段采用适应性动量估计法(adaptiv...     

弹条Ⅰ型轨道扣件动力参数的试验研究

通过试验室的静、动力试验,确定了弹条Ⅰ型扣件的纵向、竖向及横向的三维动力特性;为研究列车三向激励下,车—道系统、道—桥系统及车—道—桥系统的结构响应提供了有参考价值的静、动力参数     

基于轻量化深度学习网络的数字仪表识别

数字式仪表常用于变电站、工厂等生产环境,是一种直观的设备监测仪器。然而当前数字式仪表的读取方式还依赖于人工巡检,手动记录等,这些传统的巡检方式来监测设备的运行状态大大降低了巡检效率。为了实现传统行业的数字化转型,本文提出基于轻量化深度学习的数字仪表识别方法,通过改进的YOLOv5的目标检测框架,针对数字仪表目标区域在整张图片大小不一致的情况,提出对于感兴趣区域（ROI）的迭代目标检测方法,首次检测将感兴趣区域进行检测并切割统一到相同的尺度,随后迭代检测网络针对感兴趣区域内的字符进行检测并分类,以达到精确读数的目的。为提升多尺度检测性能,本文采用Res2Net模块主干网络中的的残差模块。采用GIoU取代通用的IoU作为位置损失函数加速模型训练效果的收敛。实验表明,改进后的框架实现了99.62%的准确率和99.55%的召回率,相比基线网络分别提升了12.72%和5.85%。通过将框架在边缘计算平台上的终端部署,在实际生产中取代了人工巡检,实现了商业化运行。     

飞梭轨道主梁的轻量化设计

轨道是轨道类游乐设备的关键部件,占整套设备重量的比重最大,在设备运行过程中,轨道作为主要载体几乎承载着运动部件和乘人的所有载荷.本文以跨度为24 m的飞梭轨道主梁为工程背景,为达到飞梭轨道在满足强度和刚度要求的前提下实现轻量化的目的,应用ANSYS Workbench有限元分析软件,在全面受力分析的基础上对轨道在最危险...     

基于改进YOLOv4算法的铁路扣件检测

扣件的健康状态是保障轨道车辆正常运行的关键。当前人工检测轨道扣件效率较低,具有缺陷性。针对这一问题,提出了基于改进YOLOv4算法的轨道扣件与检测。在YOLOv4网络中,利用CSPDarknet53第二个残差块嵌入conv卷积结构与YOLO头部结构,增加输出端,并进行网络中的上采样与下采样。与YOLOv4原算法模型相比,提升了准确率与检出率。将使用改进YOLOv4的方法,实现对有砟轨道与无砟轨道上扣件的状态检测。试验结果表明：基于改进YOLOv4算法检出率和准确率比原YOLOv4算法分别提升4.65%和4.88%,并且YOLOv4模型体积与其他模型相比更小,适用于轨道扣件检测。     

基于振动加速度的神朔铁路轨道状态评价模型

神朔铁路是国家I级电气化重载铁路,目前神朔铁路上只有一种检查列车行驶过程中轨道状态的工具,即便携式添乘仪(简称添乘仪).与添乘仪配套的数据分析软件是主要分析处理振动加速度数据的工具.但该数据分析软件对振动加速度数据的分析不足,不能满足轨道精细化管理的需求.本文根据轨道状态管理需求分别在空间和时间维度上,建立了两个利用振动加速度数据评价轨道状态的模型:超限密集度模型和超限重复度模型.在神朔铁路运用一年来的结果表明:这两个模型能够更加客观和合理地评价轨道状态,有助于提高养护维修作业的效率和针对性.     

利用轻量化深度学习模型和加速度信号的枪击识别方法

枪支射击的检测与识别有助于实现枪支和子弹的精准管控,从而防止枪支滥用、提高公共安全。区别于传统利用加速度传感器的枪击识别需要进行特征提取的方法,本文针对不同类型的枪击加速度信号,首次采用深度学习的方法进行研究,提出了一种新的兼顾精度和轻量化的EfficientNetTime时间序列分类模型。该架构核心由MBConvTime,Fused-MBConvTime模块组成,能够自动提取枪击加速度信号特征,对不同输入时间尺度更具鲁棒性。在识别精确率方面达到97.42%超越传统枪击识别算法,并在公开枪击数据集上与SVM、决策树、随机森林三种传统机器学习模型和FCN、Resnet、Inceptiontime、Xceptiontime四种时间序列深度学习模型对比。实验结果表明EfficientNetTime模型更加高效,识别精确率也更高。     

基于轻量化卷积神经网络的改进模型与验证

卷积神经网络随着深度和结果复杂度的不断增加,其参数量和计算量大大制约了它的应用场景,本文在SueezeNet网络结构基础上引用分组卷积并采用Channel-shuffel来解决分组卷积后的信息不流通问题。以减少原有网络结构的的参数量提高网络运行效率。在ORL数据集的验证表现也表明,在网络参数减少的情况下分类精度和收敛效率并不会有降低甚至略有提高。可以体现分组卷积在结构轻量化上的有效性。     

梁端无砟轨道扣件系统及钢轨的受力分析

采用梁轨一体化无砟轨道有限元模型,计算了不同梁端位移作用下扣件系统与钢轨的受力,得出:①梁端位移对扣件系统与钢轨的受力影响很大,设计中应引起足够的重视;②相比活动支座,固定支座对控制梁端扣件系统与钢轨受力更为有利;③同一墩台两侧粱发生不对称位移比发生对称位移时对无砟轨道梁端扣件系统与钢轨的受力影响更为显著.     

梁端无砟轨道扣件系统及钢轨的受力分析

采用梁轨一体化无砟轨道有限元模型,计算了不同梁端位移作用下扣件系统与钢轨的受力,得出:①梁端位移对扣件系统与钢轨的受力影响很大,设计中应引起足够的重视;②相比活动支座,固定支座对控制梁端扣件系统与钢轨受力更为有利;③同一墩台两侧梁发生不对称位移比发生对称位移时对无砟轨道梁端扣件系统与钢轨的受力影响更为显著。     

基于核函数主元分析的机械设备状态识别

研究了核函数主元分析在机械故障模式分类中的应用,通过计算原始空间的内积核函数实现原始数据空间到高维数据空间的非线性映射,再对高维数据作主元分析,求取更易于分类的核函数主元,实验表明,核函数主元分析更适于提取故障信号的非线性特征,能有效区分不同的故障模式,可以应用于机械设备的状态识别。     

基于代理模型的白车身轻量化设计

针对传统有限元法无法有效实现白车身轻量化的问题,提出了将代理模型技术应用于白车身系统建模与优化设计中,实现白车身在刚度和模态约束下的全局轻量化.通过采用面向质量响应的相对灵敏度分析,从白车身中筛选出16个关键部件.以部件厚度为设计变量,构建了3阶响应面模型、径向基函数模型和克里金模型,并对比了不同代理模型的拟合精度.以...     

基于轻量化神经网络的公路监控场景天气识别研究

针对深层卷积神经网络模型参数量大、对硬件设备要求高而难以部署于边缘端的问题,本文结合高速公路监控图像这一应用场景,对基于轻量化神经网络的天气识别算法进行研究.首先对经典的轻量化神经网络模型MobileNet进行理论分析,由参数量和计算次数的角度分析其深度可分离卷积与标准卷积操作的不同.同时,收集并标注基于公路监控图像的...     

基于轻量化深度学习模型的安全帽检测方法

基于对施工现场管理中安全帽检测重要性的认识,同时考虑工程项目中硬件设施的成本控制等现实问题,提出了一种基于深度学习网络Tiny-YOLO v3的轻量化改进版本LT-YOLO的安全帽检测技术方法。LT-YOLO增加了网络的输出层,并包含一种创新的R-DSC特征提取模块,该模块能够在不改变网络输入与输出大小的前提下,极大地降低模型的复杂度。实验结果表明,LT-YOLO在轻量化效果与检测性能之间取得了优良的平衡,在3.5 M参数量的基础上达到了59.3 mAP(mean average precision)和59.4%Recall。因此LT-YOLO拥有极低的参数量和计算量,对高算力硬件的依赖性低,适用于实际工程管理应用的施工现场安全管理,能够极大地降低企业成本,提升施工安全管理的水平。     

基于隐马尔科夫模型的履带行走装置状态识别

针对驱动轮断齿故障对履带车行驶振动的影响,在实验室对小型履带车展开驱动轮正常、断齿状态的路面振动测试.基于隐马尔科夫模型(HMM)的状态识别方法,对履带行走装置在不同运行状态的振动信号进行分析识别,利用小波包分解求出各种状态在不同频带上的能量百分比作为HMM的输入特征向量,建立包含驱动轮正常、断齿两种状态的HMM模型库...