基于ShuffleNet-DELM的轴承故障诊断研究

滚动轴承信号是一种典型的非平稳、非线性数据,深度学习模型能够有效提取此类数据特征。为获得更高的精度,深度学习模型不断增加计算量和参数规模,而工程实际中计算机硬件能力和可供训练的数据有限,更注重较快的响应速度和泛化能力。为解决此类矛盾,提出一种基于ShuffleNet-DELM的轴承故障诊断方法。首先将一维的时序信号变换为二维频域张量,再使用改进的ShuffleNetV2模型提取特征,最后经由深度极限学习机(deep extreme learning machine,DELM)方法进行分类,在不同工况的滚动轴承数据集合上取得95.47%的平均准确率。结果表明:该方法响应速度快,能够进一步提高ShuffleNetV2模型对轴承故障的分类精度和泛化能力,有较好的实用价值。

基于模糊层次分析法的联合防空武器装备效能评估

联合防空武器装备是现代防空作战的核心战斗力,对联合防空武器装备效能进行客观精准的评估,能够为优化联合防空武器装备效能、提升联合防空作战能力提供有益的借鉴和参考。将层次分析法和模糊综合评估法相结合,建立评估指标体系,运用层次分析法确立指标权重,运用模糊综合评估法进行模糊隶属函数处理的步骤实施评估,实现定性分析和定量分析的有机结合。评估结果能够以具体数字直观反映联合防空武器装备的实际效能,为部队有针对性地推动联合防空武器装备体系建设提供了科学依据。

改进Alexnet的小样本轴承故障诊断研究

深度学习在常规的机械轴承故障分类研究中,应用已经较为广泛,取得的成绩也可圈可点。然而,在工程实际中,训练数据的缺乏使得模型难以达到理想效果,轴承种类和工况的不同也会对分类精度产生较大影响。从迁移学习和深度学习技术入手,筛选出泛化能力较强的Alexnet网络为基础模型,以预训练加参数微调的方法为主,通过数据增强、替换激活函数relu为elu、模型结构及超参数调优等方法,使得模型在小样本的前提下,对不同种类和工况的轴承故障诊断达到了较好的效果。结果表明,在样本数量控制在原数据总量1%的前提下,分类准确率从68.48%提升至84.40%,提升效果明显。

基于注意力机制的迷彩伪装人员检测算法研究

目的:针对复杂环境目标检测任务中迷彩伪装人员与周围背景高度一体化、辨识度低而导致误检和漏检的问题,提出一种基于注意力机制的迷彩伪装人员检测算法TC-YOLOv5s。方法:TC-YOLOv5s算法以YOLOv5s为基本框架,分别在特征提取网络和特征融合网络末端嵌入自注意力模块Transformer,并在特征融合网络中引入卷积注意力机制模块(convolutional block attention module,CBAM)。将TC-YOLOv5s算法在自制的军事伪装人员数据集上进行训练验证,并与RetinaNet、YOLOX-s、YOLOv5s、YOLOv5m以及YOLOv5l算法检测效果进行比较。结果:TC-YOLOv5s算法对复杂环境下迷彩伪装人员识别的准确率、召回率以及平均准确率均值(mAP0.5)分别达到了95.0%、88.0%和95.1%,相比YOLOv5s算法,平均准确率均值提高了4.8%;与RetinaNet、YOLOX-s、YOLOv5m、YOLOv5l等算法相比,TC-YOLOv5s算法更加轻量化,平均准确率均值和处理速度更优。结论:TC-YOLOv5s算法检测精度高、鲁棒性好,能够有效识别和准确定位迷彩伪装人员。

多战场环境军事人员图像分割技术应用研究

目的:针对多战场环境中军事人员目标较小以及军事人员与环境背景难以区分导致分割效果较差的问题,提出一种分割神经网络。方法:以U-Net为主干神经网络,基于空洞空间金字塔池化模块和双特征交叉融合模块提出编码-解码神经网络ASPP-DFCF-U-Net(以下简称“AD-U-Net”)。将多环境迷彩分割数据集(Multi Environment Camouflage Dataset,MECD)按比例分为训练集、验证集和测试集并进行数据增强,在MECD上对AD-U-Net进行训练并测试。为验证AD-U-Net的有效性,采用平均交并比、召回率、精确度、F1分数指标将AD-U-Net与U-Net、SegNet、FCN-8s 3种神经网络的分割结果进行对比分析。结果:AD-U-Net的平均交并比、召回率、精确度、F1分数分别为83.04%、89.58%、91.49%和90.52%,均高于U-Net、SegNet和FCN-8s,在目标较小、分割目标与背景高度相似的情况下具有更好的分割效果。结论:AD-U-Net在MECD上具有优良的分割效果,将其应用于搜救装备中进行人员搜救可大大提高军事人员的分割准确率,提高搜救效率。

基于改进YOLOv5s的光学遥感图像舰船分类检测方法

针对遥感图像舰船检测中存在的场景复杂、尺度多样造成的错漏检问题,提出一种基于改进YOLOv5s的轻量级舰船分类检测方法,以在设备计算能力受限前提下,实现对舰船的实时快速分类检测。该方法将一种轻量、高效的通道注意力应用到主干特征提取网络中,使得构成的新的特征提取网络在场景复杂的遥感图像中对舰船具有更强的辨识能力;将特征提取网络得到的不同层次特征图输入到加权双向特征金字塔结构中,优化主干网络高低阶段特征的融合,并在遥感图像舰船数据集上进行实验。结果表明,改进后的网络模型的平均均值精度由原始的83.9%提高至89.2%,对航母、军舰、民船、潜艇的平均精确度分别提升1.6个百分点、0.9个百分点、8.8个百分点、9.5个百分点,同时平均检测速度和网络复杂度明显优于其他算法。