基于MT-CNN的矿井带式输送机输煤量检测技术

为实现矿井带式输送机输煤量检测的信息化、智能化,提出基于MT-CNN的矿井带式输送机输煤量检测技术。为了全面提升输煤量检测技术,从而提高矿井效益,选取了多任务卷积神经网络(MT-CNN)对检测目标进行多核心识别检测,优化了图像直线信息和边缘信息的提取效率,构建了良好的网络层次结构,优化了信息连接通道,从而全面提高图像识别分析和数据检测处理的效果。通过MT-CNN技术对输煤量的轮廓形态和荷载状态进行分析运算,经过图像样本数据训练获取矿井带式输送机输煤量的相关数据。研究结果表明,该技术能够有效提高输煤量图像识别的真实性,而检测时间缩短49%,计算结果准确率提高到98%,有效提高了输煤量检测的效率和准确度,具有较好的应用性能和良好的使用效果。加强矿井带式输送机的输煤量检测,可以为后续研究提供依据,很大程度上推动了相关技术发展,实现矿井信息化、智能化、现代化发展。

基于MT-CNN的人脸识别算法研究

介绍了MT-CNN算法在人脸检测领域的应用,并使用Tensorflow搭建了MT-CNN的三个神经网络模型,实现了人脸回归框的检测与人脸特征点的识别。然后使用残差神经网络模型Face-Resnet进行训练,最终得到的网络模型在LFW数据库上的精度可以达到98.4%。最后将改进的杰卡德相似度应用到人脸特征向量的分类上。通过实验数据表明,当相似人脸阈值取0.4057时可取得最好的人脸分类效果。

基于多尺度特征融合与双注意力机制的多元时间序列预测

多元时间序列的各子序列包含不同时间跨度的多尺度特征,现有时间序列预测模型不能有效地捕获多尺度特征以及评估其重要程度。提出一种基于多尺度时序特征融合与双注意力机制的多元时间序列预测网络FFANet,有效融合多尺度特征并关注其中重要部分。通过多尺度时序特征融合模块中并行的时序膨胀卷积层,使模型具有多种感受域,从而提取时序数据在不同尺度上的特征,并根据重要性对其进行自适应融合。利用双注意力模块对融合的时序特征进行重新标定,通过分配时序和通道注意力权重并加权至对应的时序特征,使FFANet聚焦对预测有重要贡献的特征。实验结果表明,相比AR、VARMLP、RNN-GRU、LSTNet-skip、TPA-LSTM、MTGNN和AttnAR时间序列预测模型,FFANet在Traffic、Solar Energy和Electricity数据集上的RRSE预测误差分别平均降低0.1523、0.1200、0.0743、0.0354、0.0215、0.0121、0.0200。

基于编解码器的电力施工场景可控图像字幕生成

电力施工场景图像字幕生成采用基于深度学习的编解码技术理解图像信息,并转换为文字描述输出,从而预警安全隐患,丰富了传统图像分析技术的输出形式。传统图像字幕生成方法缺乏可控性且细节描述不充分,针对电力施工场景图像描述的研究匮乏。为此,该文提出一种基于编解码器的可控图像字幕生成优化方法。引入新的特征提取模型,以FVC R-CNN(faster and visual commonsense region-convolutional neural network)模型作为编码器,提取图像的显著特征和视觉常识特征,并改进激活函数以得到改进的基于M-tanh的长短时记忆(M-tanh long short-term memory,MT-LSTM)神经网络用于特征解码,最后通过多分枝决策策略优化输出。在Ubuntu16.04和PyTorch深度学习框架下对电力场景描述数据集进行了训练和测试,实验结果表明图像字幕生成准确率不仅得到显著提高,而且增强了场景描述的可控性,可有力提升电力施工现场的安全管理智能化水平。