融合Inception V1-CBAM-CNN的轴承剩余寿命预测模型

针对现有的滚动轴承剩余寿命(RUL)预测方法精度低、轴承健康指标(HI)构建困难等问题,提出了一种基于卷积神经网络(CNN)并融合Inception V1模块和卷积注意力机制模块(CBAM)的滚动轴承RUL预测模型。首先,在CNN中添加了CBAM机制,并进行了加权处理,在通道和空间维度对重要特征进行了强化,对次要特征进行了抑制,通过添加改进的InceptionV1模块,提高了CNN通道间信息交互水平,全面提取了退化特征;然后,进行了网络优化,采用全局最大池化(GMP)方法对模型进行了简化,采用Dropout和批量归一化(BN)方法,避免了过拟合,提高了精度,且克服了训练时出现的梯度消失问题;最后,对数据进行了处理,将降噪后的信号重组为三维张量,将其作为HI,构建了退化标签,引入了评价指标,采用PHM2012轴承数据集进行了实验验证,在3种工况下将其与深度神经网络(DNN)、CNN方法、结合注意力机制的残差网络方法(ResNet)进行了对比。研究结果表明:该方法在变负载条件下的平均RMSE为0.033,较其他方法的RMSE值分别降低了86%、78%和69%,在预测精度和泛化能力方面具有明显优势。

脑血管数字减影血管造影高分辨率分割网络设计

针对现存卷积神经网络对脑血管数字减影血管造影分割精度不高的问题,本文提出了一种基于U-Net的改进网络(IC-Net)。通过融合使用Inception和CAM通道注意力模块,以多种感受域提取更丰富的血管特征信息,并对特征信息进行筛选。增加7×7卷积层,通过压缩特征层分辨率的方式减少训练过程中产生的数据量。本文所提模型与U-Net、R2U-Net、Attention U-Net相比,IOU、Accuracy、F1-Score和ROC曲线下面积4项指标平均提升了1.82%、0.014%、1.19%和0.73%。结果验证了IC-Net模型明显提升了脑血管数字减影血管造影虚弱血管和血管末端的检测能力,提升了分辨伪影噪声的能力,为医生识别脑血管中产生的病变提供有力参考。

基于Inception-BiLSTM和迁移学习的结构损伤识别

针对传统卷积神经网络(convolutional neural network,CNN)方法在时空特征提取存在不足,提出了一种改进的Inception与双向长短期记忆(bi-directional long short-term memory,BiLSTM)联合模型,以全面学习振动信号中的空间和时序信息。首先,构建具有多尺度感受野的Inception模块,自适应地提取不同尺度下的空间特征;其次,BiLSTM序列化处理时间特征,以深度挖掘时间相关性;最后,通过全局平均池化和Softmax分类器来实现钢框架结构的损伤识别。为评估该模型对噪声的鲁棒性,引入高斯白噪声作为干扰。此外,采用迁移学习策略来评估模型在不同强度激励和小样本下的泛化能力,确保适用于不同的损伤识别任务。结果表明,与传统的CNN方法相比,该模型在无噪声条件下及信噪比超过25 dB时保持了100%的识别精度。该方法解决了土木工程应用中样本量不足和不同强度激励的实际挑战。通过微调预训练模型的参数,实现了在不同强度激励和小样本情况下的知识迁移与泛化,从而增强了模型的实际适用性。

基于深度学习的桥梁表观裂缝检测算法研究

针对在复杂背景条件下难以直接对桥梁表观裂缝进行检测的问题,文章提出一种基于深度学习的桥梁表观裂缝检测算法。首先利用滑动窗口算法将采集到的桥梁表观裂缝图像切分为小尺寸的桥梁裂缝面元图像和桥梁背景面元图像,并根据对面元图像的分析,提出一种基于Inception网络和残差网络(ResNet)的桥梁裂缝分类模型,用于桥梁裂缝面元和桥梁背景面元的识别;然后结合桥梁裂缝分类模型与滑动窗口算法对桥梁表观裂缝图像进行检测;最后利用数字图像处理技术测量裂缝宽度。结果表明:该文算法对桥梁表观裂缝有超过99%的分类精度,可满足实际工程需要;实现了裂缝的提取并能准确地定位出裂缝在图像中的位置;根据成像原理能测量出裂缝宽度。与传统的深度学习模型相比,该模型拥有更高的执行效率,可用于大规模检测,更易于应用在桥梁健康检测中。

基于Inception-BiLSTM的小样本刀具磨损状态识别研究

针对工业生产中故障数据不足难以准确进行故障诊断问题,以Inception模块为主体结构,结合双向长短时记忆网络(BiLSTM),提出了Inception-BiLSTM故障诊断方法,并用刀具磨损状态识别进行实验验证。首先,将振动信号通过连续小波变换(CWT)得到时频特征图,利用Inception网络对时频图进行特征提取;然后,使用全局平均池化(GAP)将特征向量降维;最后,使用BiLSTM提取数据信息,以识别刀具磨损状态。实验结果表明,在小样本条件下,该方法相较于对比方法对刀具磨损状态识别的准确率更高。

基于改进RegNet网络的玉米叶片病害识别研究

针对目前玉米叶片病害识别模型参数量大、移动端部署难、识别准确率不够高等问题,提出一种基于轻量化网络RegNet和迁移学习的识别方法,首先收集4类常见玉米叶片病害图像样本,通过平移、镜像、旋转等方式对图像进行处理,以增加图片数量,提升模型识别和泛化能力。接着以轻量化网络RegNet为主体,采用Inception A结构对stem中的3×3卷积进行替换,增加模型宽度,以分解卷积的形式对玉米叶片病害进行多尺度特征提取。最后在head中引入金字塔池化模块(pyramid pooling module,PPM),用于减少空间信息丢失,保留病害重要特征和细节。试验结果表明,改进后的模型相比RegNet,Top-1准确率提升1.26百分点,平均精确率提升1.34百分点,平均F1分数提升1.33百分点,平均召回率提升1.34百分点,参数量只增加了0.89×10^(6),改进后的模型具有更好的特征提取能力,该模型为玉米叶片病害类型的识别提供了一种有效的方法。

基于SMOTE和Inception-CNN的种植和组培金线莲鉴别

金线莲是一种珍贵中药材,其治疗、保健作用十分显著。金线莲培育方式主要有种植、组培等,不同培育方式的金线莲,在性状上仅表现出细微差异,但药用、市场价值差异显著,培育方式鉴别能有效保证药用疗效、维护良好市场秩序,然而由于不同品系、产地、培育时间等复合差异的影响,增加了培育方式鉴别难度与复杂度。提出一种基于改进1D-Inception-CNN模型的金线莲培育方式鉴别方法。采用近红外光谱仪采集种植、组培金线莲的光谱,首先使用合成少数类过采样技术(SMOTE)进行过采样以解决种植品、组培品样本比例不平衡问题,其次构建基于改进Inception结构的一维卷积神经网络对来自不同品系、产地、培育时间的金线莲进行种植品、组培品鉴别,最后采用贝叶斯优化方法对构建的卷积神经网络模型超参数进行优化;最终五折交叉验证平均鉴别准确率、精确率、召回率、综合评价指标高达97.95%、 96.16%、 100%、 98.02%。研究表明,实验提出的鉴别模型为快速鉴别金线莲种植品、组培品提供一种有效方法。

基于时空Inception残差注意力网络的脑电情绪识别

为了提高脑电情绪识别分类精度,最大限度利用脑电信号的空间和时间信息,提出一种Inception残差注意力卷积神经网络与双向长短期记忆(bi-directional long short-term memory, BiLSTM)网络相结合的新型架构时空Inception残差注意力网络。将脑电信号采集电极位置映射到二维矩阵中,采集信号作为通道,构成三维数据;将得到的三维数据输入到时空Inception残差注意力卷积网络之中,提取时空信息;将得到的特征输入到全连接层进行分类;将Inception结构引入脑电情绪识别领域,实现多尺度特征提取,并将电极映射到矩阵之中,保留电极位置信息,使用时空Inception残差注意力网络从时空两个维度获取脑电相关信息。实验表明,使用该模型对DEAP数据集进行情绪四分类可得到93.71%的准确度,相较于对比模型,识别精度提高了10%~20%。提出的模型在脑电信号情绪识别领域具有优良性能。

基于改进的VGG16网络金属表面缺陷图像分类研究

针对工业生产中金属表面缺陷识别存在人力消耗大、效率不高等问题,提出改进的VGG16网络金属表面缺陷图像分类方法。以VGG16网络为基础,引入注意力机制CBAM增强特征学习能力,引入Inception网络结构拓宽网络宽度,以此增强模型非线性能力;对输入图像做数据增强处理,提高网络模型鲁棒性。实验证明,改进的网络模型在数据集GC10-DET上准确率达到90.23%,在数据集NEU-CLS上准确率达到98.84%。实验结果表明该方法在金属表面缺陷分类上具有良好的实际应用意义。

结合深度学习的糖尿病视网膜病变血管分割和重建

为了助于早期诊断糖尿病性视网膜病变,提出结合视网膜血管分割与三维重建的方法。三维重建可以避免分割后血管长度、曲度和分支角度等信息误判影响早期诊断。提出IAAnet算法进行视网膜图像分割,将传统Unet网络与Inception V3、ASPP、AttentionGates相结合,较好地减少信息损失并避免过拟合的现象,提高网络对特征的提取能力。运用投影重建法来还原血管三维信息,并支持调节亮度、对比度,使医生更好地观察血管的真实状态。本文算法在准确率、召回率、F1分数、交并比、ROC曲线下面积上的结果分别是97.68%、96.07%、97.26%、92.79%、94.00%,通过与其他网络对比,IAAnet算法具有良好的分割准确性,三维投影重建后能在三维图像上获取更丰富的血管信息为早期诊断提供帮助。

基于深度学习的矿井滚动轴承故障诊断方法

针对传统卷积神经网络在煤矿井下等复杂环境中难以充分挖掘数据特征等问题,提出了一种基于马尔可夫转移场(MTF)和双通道多尺度卷积胶囊网络(DMCCN)的矿井滚动轴承故障诊断方法,构建了MTFDMCCN故障诊断模型。根据MTF和灰度图对原始振动信号进行编码后,采用双通道输入模式连接卷积网络获取浅层特征;将特征图进行融合后输入到胶囊网络,提高模型对空间信息的敏感度;在网络中引入Inception模块,聚焦多尺度特征,加强网络的特征提取能力;通过胶囊层进行向量化处理,实现滚动轴承的故障诊断与分类。消融实验、抗噪性及泛化性实验结果表明:Inception模块、灰度图输入、MTF图像输入均对轴承故障诊断具有正向促进的作用,MTF编码对模型的诊断精度提升最高;MTF-DMCCN模型具有较好的鲁棒性和抗噪声能力;MTF-DMCCN模型具有优异的变转速适应能力,在不同工况条件下具有良好的泛化性能。为进一步验证模型性能,选取格拉姆角差场(GADF)、格拉姆角和场(GASF)、灰度图、MTF等图像编码方式与不同网络相结合,采用辛辛那提大学数据集(IMS)进行对比实验,结果表明,MTF-DMCCN模型能有效识别滚动轴承故障类型,平均故障诊断准确率达99.37%。

基于纹理特征和改进VGG的家蚕蛹雌雄识别方法

【目的】针对蚕种培育中人工分蛹效率低且易受到主观因素影响的问题,提出一种基于纹理特征和改进VGG的家蚕Bombyx mori蛹雌雄识别方法。【方法】利用透射变换矫正蚕蛹方向,截取家蚕蛹头尾图,以B通道图作为轮廓提取的基础,通过道格拉斯-普克(Douglas-Peucker, DP)算法,分析轮廓复杂性从而识别并获取家蚕蛹尾部图;采取掩膜消除背景干扰,通过多通道的特征融合图加强纹理信息;对Inception模块进行改进,将残差网络与改进后的Inception模块加入VGG模型中;利用数据增强技术扩充数据集;以精确率(precision)、召回率(recall)、精确率和召回率的调和平均F1分值以及准确率(accuracy)作为评价指标,分别对3种输入图片以及4种识别模型进行评估对比。【结果】结果表明,特征融合图在改进VGG模型上的家蚕雌蛹的精确率、召回率和F1分值分别为98.017%, 94.794%和96.375%,雄蛹的精确率、召回率和F1分值分别为95.342%, 98.231%和96.762%,识别家蚕雌雄蛹的准确率为96.580%。特征融合图识别家蚕雌雄蛹的准确率比原始灰度图的提升了18.093%,改进VGG识别家蚕雌雄蛹的准确率比原始VGG的提升了2.257%。【结论】基于纹理特征和改进VGG的家蚕蛹雌雄识别方法能降低人工劳动时间,为实现家蚕蛹雌雄自动分拣提供基础。

基于改进ViT模型的水稻叶片病害识别方法

针对真实环境下水稻叶片病害识别的背景复杂,且卷积神经网络(CNN)在水稻叶片病害图像识别中仅仅依赖于局部特征信息,识别效果并不理想等问题,提出一种基于改进的vision transformer(ViT)的水稻叶片病害识别方法。首先收集4类常见水稻叶片病害图像样本,每一类样本都包含简单和复杂的背景,为了增加样本多样性以及提高模型泛化能力,对图像进行镜像翻转、高斯模糊等图像增强操作。接着以ViT模型为主体,采用Inception v1与Inception v2组合而成的InceptionMLP模块代替原ViT模型中的原始线性卷积层MLP层,通过在不同大小的图像块上评估模型的性能,发现采用16×16图像块时,改进的ViT模型在水稻叶片白叶枯病、稻瘟病、褐斑病和东格鲁病的识别准确率上获得最佳结果,总体准确率达到了99.24%,较原模型的准确率提高了3.23百分点。改进的ViT模型通过增强特征表示能力,能够捕捉到不同感受野的特征,因此,在水稻叶片病害识别中,相比于基于CNN的ResNet和EfficientNet模型,分别提高了2.30、20.11百分点的准确率。此外,与Transformer系列的BEiT、DaViT和Swin-Transformer模型相比,改进的ViT模型也显著提升了准确率,说明本研究得出的方法具有较高的准确率。

基于孪生Inception网络的燃烧器火焰状态监测

燃煤电厂炉膛火焰的实时监测关系到发电经济性和锅炉的安全运行,而基于光能、热能和辐射能等能量信号的传统火检技术仅能探测火焰的有无,已无法满足日益迫切的火力发电精细化“调峰”需求。本文以实际电厂燃烧器火焰图像为研究对象,应用基于改进的Inception深度卷积神经网络(deep convolutional neural network,DCNN)的火焰状态分类方法,通过深入分析燃烧器火焰图像特点,对火焰多维度特征进行提取并制作数据集,同时将预处理后的不同类别火焰图像制作成火焰图像数据集,构建Inception DCNN,实现自动特征提取的火焰状态分类,并提出基于孪生Inception DCNN对燃烧器火焰状态进行分类。结果表明,改进的孪生Inception DCNN网络模型将火焰的状态分类问题转化为评价状态相似度问题,间接实现分类目标,识别准确率达到99.86%。

基于IDRSN-BiLSTM的铣削加工表面粗糙度预测方法

针对传统的表面粗糙度预测方法过度依赖人工提取特征以及预测精度较低的问题,提出一种基于Inception模块改进的深度残差收缩网络(IDRSN)和双向长短时记忆网络(BiLSTM)的表面粗糙度预测方法。首先,利用深度残差收缩网络(DRSN)中软阈值化结构和注意力机制对输入信号进行降噪处理。其次,引入Inception模块构建IDRSN以提升网络的多尺度信息获取能力,实现自适应多尺度特征提取。然后,引入反向长短期记忆(LSTM)构建BiLSTM预测网络,利用正反两个LSTM提高网络捕捉历史和未来完整信息的能力。最后,进行实验验证,分别对比IDRSN、DRSN、BiLSTM和人工提取特征4种方法的提取特征效果,以及BiLSTM、卷积神经网络(CNN)、DRSN和CNN-LSTM 4种表面粗糙度预测模型的预测精度。结果表明所提方法具有较高的预测精度,为铣削加工表面粗糙度预测奠定了方法基础。

基于改进卷积胶囊网络的轴承故障诊断

针对轴承工作环境复杂,变工况下诊断性能低等问题,提出一种基于改进卷积胶囊网络的轴承故障诊断方法。采用Inception结构和通道、空间双重注意力模块,代替胶囊网络中的单层卷积核结构,对数据进行多尺度的关键信息的获取。通过胶囊网络结构,构建向量神经元,在动态路由算法的特征传递方式下,结合优化的损失函数,完成故障诊断。在单、变工况下的凯斯西储大学轴承数据集上进行实验,结果分析表明,该方法能有效地进行故障诊断。

基于改进孪生胶囊网络的小样本轴承故障诊断

针对不同工况下滚动轴承故障数据不足,诊断准确率低的问题,提出了一种基于改进孪生胶囊网络的小样本滚动轴承故障诊断方法。首先,通过短时傅里叶变换将轴承振动信号变换为二维时频图,作为孪生网络的输入,通过对比样本间相似度扩大训练次数,解决故障数据不足的问题;然后,将多尺度Inception模块加入胶囊网络构建孪生胶囊网络模型(SICN),提取多尺度浅层特征后进行矢量化处理,经动态路由算法得到具有空间位置信息的胶囊向量;最后,设计余弦距离策略对胶囊向量进行相似性度量,判断是否属于同类,减小度量误差并实现故障类别辨识。结果表明:SICN模型可以提取更丰富、全面的特征,提高诊断准确率和泛化能力,可有效应用于小样本下滚动轴承的故障诊断。

基于Attention-Inception网络集成的雷达HRRP序列目标识别方法

传统的雷达高分辨距离像(High Resolution Range Profile,HRRP)序列识别方法依赖于人工提取特征,并且在使用现有的经典深度学习方法识别小数据集时存在梯度消失和过拟合问题,导致收敛速度慢,识别率低。针对上述问题,提出了一种基于注意力机制的集成Inception网络模型,通过集成Attention-Inception单分支网络,实现了HRRP序列更深层次特征的提取;通过对模型的损失函数加入L2正则化,缓解小数据集在集成网络中的过拟合问题;利用Inception Ⅰ和Inception Ⅱ结构提取HRRP序列多尺度特征,并引入注意力机制计算特征序列的分配权重;加入残差结构,减缓了集成网络梯度消失问题。在预处理后的HRRP序列上进行实验结果表明,所提方法的目标识别率达到93.3%,并且与未去除噪声的HRRP序列相比目标识别率提高了14.67%。

基于UI-LSTM模型的短时降水预测研究

降水临近预报是为了预测未来短时间的降雨量。现有大多数基于循环神经网络(Recurrent Neural Network,RNN)的降水预报模型,采用单一的卷积核对输入和隐藏状态的特征进行提取存在局部性,不能捕获雷达回波图中复杂的物理变化,且未有效提取时空相关性和对强降雨区域的精准预测。针对现有模型存在的问题,提出了UI-LSTM模型用于降水临近预报,能够有效地提取雷达回波序列的时空相关性,采用了U形结构,同时使用跳过连接进行特征拼接,学习到整个雷达回波图的上下文语义信息,且将浅层和深层信息进行特征融合。加入了Inception结构来代替ConvLSTM细胞结构中输入到输入和状态到状态的卷积,通过不同大小的卷积核,有效提取输入,隐藏状态的特征。在公开数据集(CIKM AnalytiCup 2017)进行实验并与其他模型进行对比实验。实验结果表明,UI-LSTM模型在HSS、CSI、MAE和SSIM指标整体上要远高于其他对比模型,且提高强降水天气预测的准确率。

融合Inception与SE-Attention的加密流量移动业务识别

移动设备通常接入无线局域网,并依赖WiFi加密协议对网络中数据链路层流量进行加密,以维护通信安全。然而,现有加密流量识别方法主要针对网络层及以上的流量载荷进行分析,无法有效识别链路层加密流量的移动业务类别。针对该问题,提出了一种在WiFi加密场景下基于链路层流量的移动业务识别方法。通过被动嗅探WiFi数据帧,提取链路层中可用的流量侧信道特征,将流量数据转换为二维直方图矩阵。融合Inception网络和SE-Attention机制,提出识别模型——SE-Inception,旨在更好地捕捉到流量数据帧分布特征中的细节和全局信息,突出对重要特征的关注,以提高识别准确率。文中采用真实数据集进行实验验证,结果表明该方法在WiFi加密场景下可有效识别链路层加密流量的移动业务类别,平均准确率可达98.29%,相比于已有的识别方法具有更优的性能。