基于形状的二维灰度图象插值

内插是三维重建中的一个重要步骤 .一般传统的插值算法大体可分为灰度插值和基于对象形状的插值两种 .其中直接的灰度插值对二值及灰度图象均适用 ,但结果在多数情况下并不准确 ;而基于形状的插值 ,早期仅适用于二值图象 .近来 ,人们将两者较好地结合起来 ,使得基于形状的插值同样适用于灰度图象 .为了克服直接灰度插值易造成较严重的轮廓模糊问题及为克服 Chuang等人提出用基于形状的插值方法求得的对应点易产生偏差的问题 ,提出了一种新的基于形状的二维灰度图象插值算法 .该算法首先采用数学形态学的方法分别对两幅源图象进行膨胀和腐蚀 ,用于确定插值图象的轮廓 ;然后对轮廓内的点 ,分别找出其在两幅源图象上的对应点 ,再通过灰度的线性插值来求得此点的灰度 ,进而得到最终的插值图象 .实验结果表明 ,此算法得到的插值结果是令人满意的 .

基于二维灰度图的数据增强方法在电机轴承故障诊断的应用研究

在基于深度学习的电机轴承故障诊断中,一般采用基于生成对抗网络(generative adversarial networks,GANs)的数据增强方法以获取足量故障数据,从而保证模型的性能。一维时序信号下的数据增强会出现生成数据质量差、网络训练速度慢以及训练过程繁琐等问题,该文针对此,提出一种基于二维灰度图及辅助分类生成对抗网络(2D gray pixel images and auxiliary classifier generative adversarial networks,2D-ACGANs)的数据增强方法。首先将原始的一维时序信号转换为二维灰度图,以得到适用于二维卷积神经网络的输入数据;在此基础上结合辅助分类生成对抗网络,将原始数据的标签作为此网络的输入进行数据增强,该方法较一维数据增强方法有效减少网络训练参数量,同时解决传统方法中训练繁琐及标签信息丢失的问题。最后将提出的方法用于电机轴承的故障实验数据中进行对比验证,结果表明改进的2D-ACGANs算法能生成更高质量的数据,有效提高故障识别准确率及网络训练速度,具备良好的工程应用可行性。

二维半导体面阵列实时剂量验证系统的研制及应用

调强放疗(IMRT)是放疗技术的发展方向。为实现精确放疗的目标和严格的射线质量控制,以及技术安全保证,自主研发的二维半导体面阵列剂量实时验证测量系统,(TQ-2000B剂量分布图检测仪)该系统由445个半导体探测器按面阵列栅格精确排列,主要用于放疗射线质量控制:加速器QAI、MRT的TPS实时验证。通过实测的等剂量图、剂量值与相同条件下TPS计算的结果以及剂量胶片测量的结果进行比较,从而实现对调强放疗TPS实时验证。同时还介绍了它在加速器QA方面部分项目的测试应用。二维半导体面阵列剂量实时验证测量系统的研制成功,填补了国内空白,其主要技术指标和性能达到了国外同类产品的先进水平。

基于ACGAN和模型融合的电机轴承故障诊断方法

电机轴承疲劳试验成本较高和故障数据不足导致利用机器学习等人工智能算法进行故障诊断时效果不佳。另外,单一模型对电机轴承故障诊断的准确率也较低。为解决这两个问题,提出了一种结合辅助分类器生成对抗网络(ACGAN)和模型融合的电机轴承故障诊断方法。首先将采集到的振动数据转换为二维灰度图,对每个灰度图添加标签后输入ACGAN模型,生成大量与原始数据高度拟合的新样本。然后将新样本与原始样本混合,经数据降维后输入由6个基学习器和1个元学习器融合而成的模型中。最后由融合模型输出诊断结果。试验证明,ACGAN和模型融合能有效提高电机轴承故障诊断的准确率。

改进型深度残差网络在轴承故障诊断中的应用研究

残差网络的残差层数过多不能很好的提取轴承振动信号特征,使得网络模型的故障识别率无法满足工业生产的需求。为了解决这一问题提出一种改进型深度残差网络模型进行轴承故障诊断的方法,通过减少网络的残差个数减轻了网络的冗余度。同时,在此网络的基础上添加了注意力机制模块,使得网络更有针对性地提取重要数据特征。之后将一维振动信号转换为二维灰度图,利用网络模型对图片样张进行特征提取并对网络模型进行充足的训练。为了增加实验的严谨性,使用改进后的模型和其他网络模型对同一个振动信号进行故障识别。实验结果表明,改进的模型故障识别准确率相比较于原模型和其他网络模型都有显著提高,为轴承故障诊断提供了一种更优的模型。

基于LSGAN-SqueezeNet的轴承故障诊断研究

在滚动轴承的故障诊断过程中,需要大量的故障样本对模型进行训练,但由于工程实际环境较为复杂,难以采集到足量的轴承故障样本。提出基于最小二乘生成对抗网络(least squares generative adversarial networks,LSGAN)结合SqueezeNet在样本数据量不足条件下滚动轴承故障诊断的方法。该方法首先利用滚动轴承的原始样本训练LSGAN,生成不同状态下的轴承信号样本,采用SqueezeNet对真实样本与生成样本进行模型训练,实现样本数据量不足条件下的轴承故障诊断。通过凯斯西储大学及德国帕德博恩大学的滚动轴承试验数据对所提轴承故障诊断方法进行验证。试验结果表明,真实样本结合生成样本训练模型,对故障的诊断准确率均达到99.7%,该方法具有较高的诊断精度。实现了样本数据量不足条件下故障诊断的可行性及验证其泛化性,且有效提高了故障诊断的准确率、降低了训练成本。

考虑滚动轴承故障位置与损伤程度的双分支卷积神经网络故障诊断方法

针对现有深度学习方法对非平稳的滚动轴承故障诊断过程中,先验故障信息利用不充分和故障样本不完备,导致诊断精度不高甚至无法诊断的问题,充分发掘轴承故障位置和损伤程度与振动数据特征间的映射关系,提出一种考虑滚动轴承故障位置与损伤程度的双分支卷积神经网络故障诊断方法。该方法首先将原始振动信号矩阵化,构建二维灰度图像数据集,然后建立双分支的改进VGGNet深度卷积网络,将故障位置与损伤程度进行双标签二值化,每个分支独立提取深层特征,实现故障位置和损伤程度特征与标签的自适应。仿真实验结果表明:相较其他深度学习方法,所提方法能够在部分先验知识缺失条件下,实现滚动轴承潜在的不同故障位置及损伤程度的多状态分类,获得较高准确率的同时兼具良好的抗噪性能。