基于LSTM-SAFCN模型的生物质锅炉NO_(x)排放浓度预测

针对生物质锅炉燃烧过程的动态特性,提出一种改进的长短期记忆-自注意力机制全卷积神经网络(LSTM-SAFCN)模型用于预测NO_(x)排放浓度。首先利用完全自适应噪声集合经验模态分解法(CEEMDAN)对数据进行预处理,消除数据噪声对NO_(x)排放浓度预测的影响;其次融合自注意力机制与长短时记忆-全卷积神经网络(LSTM-FCN)进行特征提取与预测建模,该拓展方法能够同时兼顾时间序列数据的局部细节与长期趋势特征;最后,利用生物质热电联产系统的实际运行数据验证了所提算法的有效性。

基于融合FCN-TCN-LSTM的工业大用户可调节潜力分析模型

综合考虑调控成本和价格激励的影响,开展工业大用户双向可调节潜力的分时段分析是提升新型电力系统负荷管理能力的关键。建立一种基于融合全卷积网络、时域卷积网络、长短期记忆网络的模型,以分析工业大用户可调节潜力。建立全卷积网络数据集重构模型,并基于典型负荷特性指标实现对具有高可调节潜力负荷数据的工业大用户的遴选;以高可调节潜力数据集为基础,建立改进时域卷积网络模型,对工业大用户进行调控成本影响下的可调节潜力分析测算。基于实际数据对所提模型进行验证,算例结果表明,所提模型可分析出工业大用户典型设备的可调节潜力,且模型的稳定性与精确度较高。

基于特征优选策略和DLSTMs-FCN优化的短期负荷预测

针对当前基于长短期记忆网络的短期负荷预测模型存在特征冗余、重要信息丢失等问题,提出一种基于特征优选策略和DLSTMs-FCN并联优化结构的短期负荷预测方法。首先利用基于极限梯度提升的特征优选策略构造负荷预测模型中的输入特征最优集,减少冗余信息,加快模型拟合;而后利用DLSTMs提取负荷数据的时序特征,并辅以FCN的多维卷积运算及结构特征提取的高分辨率信息,增强对输入数据重要特征的学习和记忆,进而并联构成高效准确的短期负荷预测模型。实验结果表明,本文优化方法相较于ALSTMs和CNN-LSTMs预测误差分别降低了6%和4%,预测误差波动分别降低了4.7%和4.8%。

基于FCN网格定位和特征融合的水培生菜幼苗状态检测方法

为了及时发现问题幼苗状态和提高幼苗分拣效率,以水培生菜幼苗培育过程中出现的死亡和双株状态为研究对象,提出一种基于FCN网格定位和特征融合的水培生菜幼苗状态检测方法。在原有研究的基础上,针对双株状态幼苗检测精度低的问题,引入FCN架构改变原有边框回归方式,利用其对位置信息敏感的特性,获取精确的网格点空间信息。同时,利用特征融合策略,充分获取不同网格点间的相关性,实现对水培生菜幼苗问题状态的精准定位。试验结果表明,该方法的平均检测精度达到88.1%,检测精度优于原有方法、FSAF、YOLOv3、FoveaBox、ATSS和CornerNet,尤其对双株状态的幼苗检测精度得到明显提升。该方法能够实现水培生菜问题幼苗状态的自动检测,为水培蔬菜育苗分拣智能化及种植自动化提供技术支持。

基于FCN-BiGRU的空中目标意图识别方法

随着科学技术的发展和作战方式的改变,对于敌方作战意图的推理开始进入战场,防空作战决策对于意图识别的准确率有更高的要求,现有的知识图谱、专家网络和深度神经网络等方法在识别的精度上还存在差距,难以满足防空作战的需求。因此,本文结合卷积神经网络和循环神经网络的优点设计了一种用于空中目标意图识别的深度学习模型FCN-BiGRU,全卷积网络(FCN)可以提取空战数据中的复杂局部特征,双向门控循环单元(BiGRU)用来捕捉空战意图数据的时序特征,通过消融实验和对比实验证明,FCN-BiGRU模型的意图识别准确率达到98.71%,超过现有空中目标意图识别模型1.14%,为防空作战决策提供了更有力的依据。

基于R-FCN区域全卷积网络的绝缘子红外图像识别研究

红外热成像因其具有非接触性、灵敏性等优点,已被广泛应用于电力设备的带电检测及其诊断中。其中,对设备快速精确地识别定位是电力设备智能诊断的关键。然而利用传统机器算法对电力设备图像进行识别定位,存在泛化能力不强、鲁棒性较差等不足。针对此问题,开展基于R-FCN区域全卷积网络的绝缘子红外图像识别研究。在TensorFlow框架下搭建R-FCN检测模型,并利用迁移学习方法初始化模型权重,以提高训练效果。最后,将所研究算法与Faster-RCNN和SSD模型进行对比。实验表明,R-FCN模型的检测精度为89.2%,检测速度为23 fps,具有较高的精度和速度。该算法为绝缘子的智能诊断奠定坚实基础。

基于FCN和LSTM深度学习模型的电力终端负荷预测方法

针对目前研究的电力终端负荷预测方法在预测过程中,未考虑负荷终端时序性和非线性的特点,存在预测精度较低,速度较慢的问题,提出了基于FCN和LSTM深度学习模型的电力终端负荷预测方法。利用循环神经网络,建立电力终端负荷预测模型,分析记忆状态,对电力终端数据进行预处理,并编码非数字特征,确定预测模型。利用均方误差公式得到的电力终端负荷预测模型的损失函数,通过数据预处理、优化数据参数、训练电力终端负荷预测模型完成负荷预测。实验结果表明,基于FCN和LSTM深度学习模型的电力终端负荷预测方法充分分析了终端时序性和非线性特点,有效确保预测精度,提高预测速度。

基于FCN算法的秦岭北麓建设用地多时序遥感监测分析研究

为全面掌握秦岭北麓建设用地分布情况及转化机制,促进资源、环境协调可持续发展。本文选取秦岭北麓建设用地作为研究对象,以2019—2021年的高分一号影像数据作为数据源。通过建立样本库,选取实验区,采用FCN(fully convolutional networks全卷积神经网络)算法对实验区和秦岭北麓全区多时序影像进行智能提取,实现秦岭北麓建设用地变化监测。从对建设用地图斑分布情况、变化趋势以及变更因素的分析来看,秦岭北麓12个季度建设用地面积整体呈现增长趋势,建设用地转入类型以其他用地和耕地为主,转出则以其他用地为主。通过有效掌握秦岭北麓建设用地变更机制,对提升国土综合监管及社会服务能力具有重要意义。

基于复杂纹理特征融合的材料图像分割方法

为解决材料图像分割中存在小样本、纹理复杂和数据分布不平衡的问题,抓住材料图像同相像素具有高度相似性的特性,提出一种基于复杂纹理特征融合的材料图像分割方法。在编码阶段,使用全卷积神经网络(FCN)作为基础网络,VGG16作为骨干网络;将改进的FCN的每层的特征图放入设计的级联的特征融合模块(CFF block),融合高低层语义信息;将融合的特征图放入多尺度学习模块(multi-scale block)进一步提取纹理特征。在解码阶段,对特征图施加注意力机制(Attention block),保留关键的特征图;针对材料图像中数据不平衡问题,采用并改进Dice损失,优化分割结果。通过对比实验和消融实验验证该方法的mIoU在多个数据集上均优于经典的深度学习方法。

一种改进的高空间分辨率遥感影像森林类型深度学习精细分类方法:双支FCN-8s

【目的】对全卷积神经网络模型进行双支化改进,探索高空间分辨率遥感影像森林类型深度学习分类新方法,为提高森林资源遥感调查精度提供技术支撑。【方法】双支FCN-8s包含2个FCN-8s子模型,一个子模型基于R、G、B三波段特征,采用微调方式构建;另一个子模型基于五特征构建。将2个子模型8、16、32倍下的采样结果进行融合并分类,得到每个像元的类别。以旺业甸林场为研究区,采用GF-2卫星遥感影像提取标准化植被指数(NDVI),构建基于R+G+B三波段特征、R+G+B+NIR四波段特征和R+G+B+NIR+NDVI五特征的数据集,对双支FCN-8s优化方法的有效性进行定量评价。【结果】1)双支FCN-8s方法的总体分类精度为85.89%,Kappa系数为0.84;相比传统FCN-8s,双支FCN-8s方法可提高大部分森林类型的分类精度,尤其对油松、红松、白桦等类别改善效果明显。2)相对于传统基于特征优选的SVM模型而言,双支FCN-8s方法的总体分类精度由75%上升至85.89%,精度提升大于10%,各类别的分类效果均有改善。3)使用微调策略以及加入NDVI特征后,模型可有效改善油松、山杨及白桦等树种的分类效果。【结论】双支FCN-8s高空间分辨率遥感影像森林类型深度学习精细分类方法可有效提升森林类型的细分程度和分类精度。

基于改进的R-FCN航拍巡线图像中的绝缘子检测方法

航拍巡线图像中的绝缘子目标存在部分遮挡的情况,利用区域全卷积网络(Region-based Fully Convolutional Networks,R-FCN)模型对其进行检测,出现了绝缘子目标检测效果较差且检测框无法完全贴合目标的问题。基于此,文中提出了一种基于改进的R-FCN航拍巡线图像中的绝缘子目标检测方法。首先,根据绝缘子目标的宽高比特征,将R-FCN模型中RPN的建议框的宽高比修改为1∶4,1∶2,1∶1,2∶1,4∶1;然后,针对遮挡问题,在R-FCN模型中引入对抗空间丢弃网络(Adversarial Spatial Dropout Network,ASDN)层,对特征图的部分位置生成掩码以获得目标特征的不完整样本,从而提高模型对目标特征较差的样本检测性能。在包含7433个绝缘子目标框的数据集中,R-FCN模型的平均检测率达到了77.27%,而改进的R-FCN检测方法的平均检测率达到了84.29%,性能提升了7.02%,且检测框更贴合目标。

基于R-FCN深度卷积神经网络的机器人疏果前苹果目标的识别

疏果前期苹果背景复杂、光照条件变化、重叠及被遮挡,特别是果实与背景叶片颜色极为相近等因素,给其目标识别带来很大困难。为识别疏果前期的苹果目标,提出基于区域的全卷积网络(region-based fully convolutional network,R-FCN)的苹果目标识别方法。该方法在研究基于ResNet-50和ResNet-101的R-FCN结构及识别结果的基础上,改进设计了基于ResNet-44的R-FCN,以提高识别精度并简化网络。该网络主要由ResNet-44全卷积网络、区域生成网络(RegionProposal Network, RPN)及感兴趣区域(Region of Interest, RoI)子网构成。ResNet-44全卷积网络为基础网络,用以提取图像的特征,RPN根据提取的特征生成Ro I,然后Ro I子网根据ResNet-44提取的特征及RPN输出的Ro I进行苹果目标的识别与定位。对采集的图像扩容后,随机选取23 591幅图像作为训练集,4 739幅图像作为验证集,对网络进行训练及参数优化。该文提出的改进模型在332幅图像组成的测试集上的试验结果表明,该方法可有效地识别出重叠、被枝叶遮挡、模糊及表面有阴影的苹果目标,识别的召回率为85.7%,识别的准确率为95.1%,误识率为4.9%,平均速度为0.187 s/幅。通过与其他3种方法进行对比试验,该文方法比FasterR-CNN、基于ResNet-50和ResNet-101的R-FCN的F1值分别提高16.4、0.7和0.7个百分点,识别速度比基于ResNet-50和ResNet-101的R-FCN分别提高了0.010和0.041 s。该方法可实现传统方法难以实现的疏果前苹果目标的识别,也可广泛应用于其他与背景颜色相近的小目标识别中。

基于FCN的无人机玉米遥感图像垄中心线提取

为解决农业机器人在玉米田行间行走的全局路径规划问题,该研究提出一种基于全卷积神经网络(Fully Convolutional Networks,FCN)的无人机玉米遥感图像垄中心线提取方法。基于无人机获取的高精度可见光遥感图像,设计了针对农田垄中心线提取的数据集标注方法,采用滑动窗口法进行图像分块,利用深度学习语义分割网络FCN对垄中心线附近7~17像素宽度范围的垄线区域进行提取,模型在测试田块上精确率达66.1%~83.4%,召回率达51.1%~73.9%,调和平均值为57.6%~78.4%;对拼接后的图像使用影像分割投影法提取中心线,探究了垄线区域宽度对垄中心线提取精度的影响,训练采用9像素的垄区域宽度,可得到垄中心线在77 mm左右偏差范围准确率为91.2%,在31.5 mm左右偏差范围内为61.5%。结果表明,基于FCN对无人机玉米遥感图像进行处理,可得到整片田地的垄中心线栅格地图,方便农业机器人进行全局路径规划。

局部聚类分析的FCN-CNN云图分割方法

空气中的尘埃、污染物及气溶胶粒子的存在严重影响了大气预测的有效性,毫米波雷达云图的有效分割成为解决这一问题的关键.提出了一种基于超像素分析的全卷积神经网路FCN和深度卷积神经网络CNN(FCNCNN)的云图分割方法.首先通过超像素分析对云图每个像素点的近邻域实现相应的聚类,同时将云图输入到不同步长的全卷积神经网络FCN 32s和FCN 8s中实现云图的预分割;FCN 32s预测结果中的"非云"区域一定是云图中的部分"非云"区域,FCN 8s预测结果中的"云"区域一定是云图中的部分"云"区域;余下的不确定的区域通过深度卷积神经网络CNN进行进一步分析.为提高效率,FCN-CNN选取了不确定区域中超像素的几个关键像素来代表超像素区域的特征,通过CNN网络来判断关键像素是"云"或者是"非云".实验结果表明,FCN-CNN的精度与MR-CNN、SP-CNN相当,但是速度相比于MR-CNN提高了880倍,相比于SP-CNN提高了1.657倍.

基于贝叶斯优化FCN-DenseNet算法的供水管网爆管智能识别

为了进一步拓展深度学习算法在供水管网爆管分析中的适用范围,提出了一种爆管区域识别方法。基于全连接稠密网络算法(Full Connect Network-DenseNet,FCN-DenseNet)构建了爆管区域识别模型,提取不同区域的爆管特征。同时,采用贝叶斯优化算法对识别模型的超参数组合进行优化和自动选取。以华东某园区的部分供水管网为研究对象,在建立水力模型的基础上,通过布置监测点和划分监测分区形成管网监测方案。综合考虑爆管位置、时间、流量、监测噪声及研究区域管网实际情况等因素,进行爆管工况模拟,建立爆管数据集,对识别模型进行训练和验证。结果表明,在验证数据集下,爆管区域平均识别率φ_(1)、φ_(2)分别可以达到93.5%、96.7%。贝叶斯优化的FCN-DenseNet算法增强了模型的性能和适用性,管网监测分区爆管可能性排序能够指导水司进行爆管分析和巡检。

传统方法和深度学习用于不同模态心脏医学图像的分割研究进展

随着老龄化加剧,心血管疾病患病人数逐年增加,借助医学图像实现心脏功能的评估在诊疗过程中起着重要作用.心脏分割是评估心脏功能的前提,一直受到临床医生和科学研究者的密切关注.本文从传统方法和深度学习方法角度梳理了近十年以来关于心脏分割研究的文献.重点介绍了基于主动轮廓和图谱模型的传统分割方法,以及基于U-Net和全卷积神经网络(FCN)的深度学习算法.其中针对通过增加局部模块、优化损失函数、强化网络结构等方式改进深度学习网络以实现心脏特定区域精准分割这一主题进行了详细展开,并从心脏磁共振、X射线计算机断层扫描(CT)和超声3种成像模态对上述方法进行总结.最后总结了该领域目前的研究现状并对未来研究方向进行了展望.

基于FCN和互信息的医学图像配准技术研究

针对传统配准方法在进行三维多模态图像配准时存在收敛速度较慢、容易陷入极值等问题,提出一种基于全卷积神经网络(Fully Convolutional Networks,FCN)和互信息的配准方法。利用FCN模型提取二维图像深层特征并进行粗配准;将得到的配准结果作为互信息算法的初始搜索点,从而使搜索范围缩小至全局最优解附近;利用互信息算法对参数进一步微调优化,得到最优三维配准结果。实验结果表明,在进行CT-MR图像配准时,所提方法不仅可以大幅度提升配准速度,还能有效避免局部收敛的情况,具有更高的准确性。

融合VGG与FCN的智能出租车订单预测模型

为提高出租车市场管理和运营效率以及实现出租车效益最大化,在地图栅格化的基础上,提出一种融合VGG网络与全卷积网络(FCN)的出租车多区域订单预测模型。将出租车轨迹数据转换为订单图像,去除VGG网络全连接层仅保留主要结构以减少模型参数,利用该网络中深度卷积提取不同空间区域出租车行驶特征,使用FCN中反卷积层上采样重构下一个时间段出租车订单图像,从而获得不同区域和时间段的出租车订单预测数据,并以订单图像形式呈现在地图上。实验结果表明,与BP、RBF等预测模型相比,该模型预测结果平均准确率更高且均方根误差更低,可快速预测出租车多区域订单分布情况。

结合FPN改进R-FCN的肺结节检测算法

针对目前肺结节检测算法在CT影像中存在的检出率低、假阳性高及体积较小的结节难以检测的问题,提出结合特征金字塔FPN(Feature Pyramid Networks)改进R-FCN(Region-based Fully Convolutional Networks)的肺结节检测算法。对传统R-FCN算法加以改进,将ResNet(Residual Neural Network)结构升级为DenseNet(Dense Convolutional Network)利用其密集连接机制以加强特征的传播复用,提升网络效率;引入FPN结构,一方面用于生成不同尺度的特征作为RPN(Region Proposal Network)网络的输入以生成候选区域,另一方面在检测时可以综合利用低层特征的高分辨率信息与高层特征的高语义信息,从而有效解决体积较小结节难以定位的问题。改进网络将使用focal loss作为损失函数以解决训练过程中正负样本不均衡的问题。实验结果显示,所提算法的CPM为0.876,检测精度有效提升。

海上高速航行船舶触礁距离实时计算方法

为了提高船舶航行安全性,并应对航行过程潜在碰撞风险,提出海上高速航行船舶触礁距离实时计算方法。通过航海雷达探测船舶航行环境中的礁石目标,确定极坐标系下的位置坐标后,将其转换地心垂直坐标系下,构建基于PLSTM-FCN的船舶航迹预测模型,从船舶自动识别系统中获取高速航行船舶历史位置、航速、航向、船舶长度、宽度以及吃水深度等AIS数据,将其作为模型输入,模型输出为船舶航行实时位置预测结果,结合礁石目标位置,完成触礁距离的实时计算。实验结果表明,该方法可预测船舶航行航迹,预测MSE值仅为0.002 2;可实现船舶触礁距离的实时计算,计算结果与实际距离误差介于0.77~1.55之间。