基于多尺度卷积神经网络特征融合的植株叶片检测技术

植株叶片检测是植株科学培育和精准农业过程中重要的环节之一。传统植株叶片检测的做法对操作人员的专业知识提出了较高要求,且人工成本高、耗时周期长。基于此,提出基于多尺度卷积神经网络特征融合(MCFF)的植株叶片检测技术。从深度学习技术辅助植株培育的需求出发,基于多尺度卷积神经网络特征融合,针对莲座模式植物、拟南芥和烟草3种不同类型、不同分辨率的植株进行叶片计数检测。经过与其他主流算法的比较,发现MCFF具备较高的检测精确度,平均精度均值(mAP)为0.662,实现了高度竞争的性能(AP=0.946),各项指标接近实用水平。

基于一维卷积神经网络与近似熵特征融合的水电机组故障诊断

针对水电机组振动信号存在非平稳和非线性,单一特征提取难以实现高精度故障诊断问题,提出了一种基于卷积神经网络和近似熵特征融合的故障诊断方法。利用卷积神经网络提取振动信号特征;EEMD与近似熵构建信号特征向量,将两种方法提取的状态特征融合构建融合特征向量;进一步,将融合特征作为输入、故障类别作为输出,训练BP神经网络得到水电机组故障识别器,识别水电机组运行状态,即正常或具体故障类型。结合转子实验台实验数据,验证了所提方法在挖掘信号特征方面的有效性及较高的故障诊断准确率。

卷积神经网络与视觉Transformer联合驱动的跨层多尺度融合网络高光谱图像分类方法

高光谱图像(HSI)分类是地球科学和遥感影像处理任务中最受关注的研究热点之一。近年来,卷积神经网络(CNN)和视觉Transformer相结合的方法,通过综合考虑局部-全局信息,在HSI分类任务中取得了成功。然而,HSI中地物具有丰富的纹理信息和复杂多样的结构,且不同地物之间存在尺度差异。现有的二者结合的方法通常对多尺度地物目标的纹理和结构信息的提取能力有限。为了克服上述局限性,该文提出CNN与视觉Transformer联合驱动的跨层多尺度融合网络HSI分类方法。首先,从结合CNN与视觉Transformer的角度出发,设计了跨层多尺度局部-全局特征提取模块分支,其主要由卷积嵌入的视觉Transformer和跨层特征融合模块构成。具体来说,卷积嵌入的视觉Transformer通过深度融合多尺度CNN与视觉Transformer实现了多尺度局部-全局特征信息的有效提取,从而增强网络对不同尺度地物的关注。进一步地,跨层特征融合模块深度聚合了不同层次的多尺度局部-全局特征信息,以综合考虑地物的浅层纹理信息和深层结构信息。其次,构建了分组多尺度卷积模块分支来挖掘HSI中密集光谱波段潜在的多尺度特征。最后,为了增强网络对HSI中局部波段细节和整体光谱信息的挖掘,设计了残差分组卷积模块对局部-全局光谱特征进行提取。Indian Pines, Houston 2013和Salinas Valley 3个HSI数据集上的实验结果证实了所提方法的有效性。

采用多尺度自适应选择卷积神经网络的轴承故障诊断研究

针对轴承故障诊断方法中传统多尺度卷积神经网络对不同尺度的特征只是简单拼接,而未考虑不同尺度的特征差异的问题,提出一种多尺度自适应选择卷积神经网络轴承故障诊断模型(MSASCNN)。通过不同大小的宽卷积筛选原始轴承振动信号中的特征,合并为初始特征;构建多尺度自适应选择卷积块,提取不同尺度的特征,利用改进的注意力机制自适应调整不同尺度的特征权重,加入残差连接,防止模型退化;通过分类器完成轴承故障诊断。在凯斯西储大学轴承数据集和XJTU-SY轴承数据集上的实验结果表明:在模型改进实验中,与没有改进注意力机制的模型相比,所提模型的轴承故障诊断准确率提升了1.98%;在不同信噪比的噪声干扰环境中,所提模型的轴承故障诊断准确率均高于93%。

基于注意力引导多尺度降噪卷积神经网络的钢轨表面缺陷图像降噪

针对钢轨表面缺陷图像降噪依赖人工设置滤波参数和缺陷边缘模糊的问题,提出基于注意力引导多尺度降噪卷积神经网络的钢轨表面缺陷图像降噪方法。首先采用深层网络中的多尺度卷积自动提取含噪图像的特征,使其不依赖于人工设置滤波参数,并克服单尺度卷积特征不够精细导致缺陷边缘模糊的问题;其次利用跳跃连接融合网络深层特征和浅层特征,强化浅层特征影响,克服因网络加深导致浅层特征被忽略的问题,使特征更充分;然后利用注意力机制调节特征在空间不同位置的权重,筛选出能表征噪声的特征,获得噪声信息;最后通过重建模块去除含噪图像中的噪声,实现端到端的降噪。试验结果从定性和定量角度证明所提方法不仅降噪效果更好,且更有效地保留了缺陷边缘信息,为缺陷精确分割提供条件。

基于多维融合特征和卷积神经网络的多任务用户短期负荷预测

针对海量用户负荷预测场景下,应用单任务用户负荷预测法所导致的运行效率低以及无法学习相关任务间关联关系等问题,提出一种基于多维融合特征和卷积神经网络的多任务用户短期负荷预测方法。首先,基于聚类技术实现多任务学习中相关任务的选择;其次,为每一类用户群构建多维融合输入,合理有序容纳多个任务的特征,避免维度爆炸和信息混乱;最后,分别为每一类用户建立以卷积神经网络为共享层的多任务预测模型,学习共享特征,并行输出相应类中全部用户的负荷预测值。基于爱尔兰能源监管委员会提供的智能电表实测数据进行算例分析,结果表明,该方法在提高整体运行效率和平均预测精度方面均取得良好成效。

基于多尺度循环卷积神经网络的卫星通信信号识别

针对目前的卫星通信调制分类算法大多忽略了不同尺度特征的融合问题,提出了一个多尺度循环卷积神经网络模型。该网络结构整合了双分支设计、压缩与激励策略、多尺度残差网络以及长短期记忆网络,旨在全面捕捉信号的多尺度特性并有效建模时间序列。实验结果表明:文中所提模型在0 dB以上的识别准确率达到了97.1%,在13 dB时更进一步提升至99%;与经典的CNN2模型和LSTM2模型相比,在识别准确率上展现了显著优势,且相较于识别性能接近的CLDNN2模型,参数量减少了47.7%,训练时间缩短了68%;尤其是QAM16和QAM64两种调制样式识别准确率显著上升并且保持较高水平,这也进一步证实了模型多尺度特征融合策略的有效性。

基于卷积神经网络的多尺度特征融合去噪算法

现有卷积神经网络去噪算法大多只能在合成噪声上表现良好,且只从单一尺度上提取特征,无法构建更干净的图像。针对以上问题,提出了一种基于卷积神经网络的多尺度特征融合去噪算法,该算法利用分层得到不同尺度的特征,可以获得更多的感受野,通过特征融合将上一尺度的特征融合到当前尺度中,进行渐进式的训练,可以去除更多的噪声。在每一层的特征提取后设置一个编-解码器,并在编-解码器中加入空洞卷积,防止图像分辨率过低导致图像细节破坏、信息丢失。用提出的网络模型在合成噪声数据集和真实噪声数据集上进行实验,结果表明,该算法的去噪性能优于对比算法,能够保留更多的细节。

基于时间卷积神经网络和双尺度特征选择的混合碳价预测模型

针对传统碳价格预测模型存在的过拟合和无法有效提取相关特征的问题,提出了一种混合预测模型。首先,通过改进的完全自适应噪声集成经验模态分解算法对原始序列进行分解,以降低数据的波动性和复杂性;然后,用模糊熵对剩余子序列进行重构;此后,利用偏自相关函数和随机森林对子序列进行双尺度特征选择,确定最佳输入维度,以减少不相关特征的输入;最后,通过时间卷积网络进行预测。实验结果表明,与对比模型相比,所提出的模型具有优越性和鲁棒性。该研究结果可为碳市场发展和减排路径相关研究提供有意义的参考。

卷积神经网提取特征的红外与可见光图像融合研究

当前红外与可见光图像融合存在一些难题,导致前红外与可见光图像精度低,误差大,而且前红外与可见光图像融合效率低,为了解决当前红外与可见光图像过程存在的问题,设计了基于卷积神经网提取特征的红外与可见光图像融合方法。首先分别采集对象的红外图像和可见光图像,并对原始图像去噪等预处理,改善图像的质量,然后采用卷积神经网络提取红外与可见光图像融合特征,根据特征得到红外与可见光图像融合结果,最后进行了仿真实验,结果表明本方法红外与可见光图像的融合结果的融合比率提高了0.24,平均梯度值提升了0.22,图像融合质量更高。

基于信息融合与一维卷积神经网络的光伏电站传感器健康状态评估方法

针对现有传感器故障诊断方法中对专家知识的依赖、忽视旁路终端时空关联性、冗余特征影响等问题,提出一种基于信息融合与一维卷积神经网络的传感器健康状态评估方法。针对与光伏发电预测强相关的光照传感器和温度传感器,从传感器数据流统计特征、传感器数据流时序特征、旁路终端数据特征、天气预报数据特征等4个维度进行特征提取,并利用随机森林算法筛选传感器核心特征,最后针对以上两类传感器分别训练健康状态评估模型。实验结果表明,所提方法在温度传感器和光照传感器的健康状态评估中准确率分别达到了99.29%和99.07%。

基于知识融合的多尺度卷积神经网络对加氢裂化特征提取的研究

深度学习凭借其高效的特征提取能力在工艺流程建模中得到广泛研究应用,然而对于工艺流程知识与深度学习融合及多尺度特征提取方面尚未有系统研究。为解决上述问题,构建了一种可容纳局部子流程单元操作的全流程矩阵以实现知识融合,并基于扩展的Inception卷积块提出了多尺度卷积神经网络(MSCNN)。柴油加氢裂化工业实验结果表明:基于知识融合的MSCNN对加氢精制催化剂温度和氢气耗量的预测均方根误差(RMSE)分别仅有0.75和1053,与传统卷积网络(CNN)、全连接网络(BPNN)相比显示出优越的预测性能。提出了一种用于特征评价的GMM-t-SNE框架,其可视化结果表明,MSCNN所提取特征的t-SNE分布与预测目标的GMM聚类分布一致,表明MSCNN提取的特征合理,显著提升了模型的预测性能。

基于混合层次特征融合卷积神经网络的语音情感识别模型

随着人们对人机交互技术的自然度和人性化要求的不断提高,语音情感识别技术备受关注,因为它易于使用且传递情感信息更为丰富。而卷积神经网络(CNN)因能有效地捕获频谱图中的关键局部特征和结构而成为语音情感识别的主流模型之一。本文基于CNN提出了一种混合层次特征融合卷积神经网络(Mixed-Level Feature Fusion CNN, MLFF-CNN),MLFF-CNN通过融合卷积神经网络的浅层和深层特征,不仅能够利用CNN浅层捕获的语音信号中的局部信息,还能够有效地利用深层捕获更高级、结构化的情感信息。此外,为减少融合时的信息冗余,本文提出了一个混合层次特征融合的注意力机制,应用于MLFF-CNN中的浅层和深层特征融合,有助于选择与情感相关性最高的信息进行融合。在广泛使用的情感数据集IEMOCA和CASIA上的实验结果显示,MLFF-CNN模型在语音情感识别任务上优于现有的先进方法,证明了本文所提方法的有效性和可行性。

基于卷积神经网络与特征融合的天气识别方法

在太阳能热水器及太阳能电池等太阳能发电领域,下雨、下雪、阴天等气候因素将严重影响发电效果,而太阳能随动系统工作也必须消耗能量,所以迅速判断当前的天气状况,并设计自适应的开关随动系统极其重要。当天气状况为阴雨或者雪天时,系统应当关闭从而减少能耗。鉴于传统的天气识别方法效率低、准确度差、计算量大的问题,在公开的天气图像基础上创建了一个具有多种类别的天气分类集,并提供了一种基于卷积神经网络与特征融合的天气图像识别技术。通过采用传统方式获取图像的颜色、纹理、形状3种特征作为整个模型的底层特征,在原本的VGG16(visual geometry group-16)模型基础上进行了改进,从而提取图像的深层特征,最后将底层特征与深层特征融合起来在Softmax上进行输出,总识别率达到94%。

基于双通道时频卷积神经网络的故障电弧检测

交流故障电弧产生的高温极易点燃周围的可燃材料,是引发电线火灾的重要原因之一.准确检测不同类型的故障电弧对于预防重大火灾事故的发生具有重要意义.然而故障电弧的复杂性与隐蔽性给检测方法带来了极大挑战.基于阈值和电流特征提取的技术难以全面概括故障电弧的特征,而大多数基于深度神经网络的方法直接对电流信号进行特征学习,忽略了信号中的频率信息,从而导致泛化能力差的问题.对此,本文提出了基于时频特征学习的双通道时频卷积神经网络的故障电弧识别方法,设计了可学习的自适应离散小波变换,用于提取一维信号中的多尺度特征,同时通过短时傅里叶变换获取二维的时频图像特征,分别在这2种特征信号上进行卷积,最后将2个通道中学习的特征进行融合,用于分类预测.通过对故障电弧发生器采集到的3种工况下电弧电流信号进行性能评估,验证所提方法的有效性.实验结果表明,该方法与其他同类方法相比具有更高的电弧识别准确率,达到了97.91%.

基于高分辨率卷积神经网络的皮肤常见肿瘤智能诊断模型构建

目的探究高分辨率卷积神经网络(HRNetW32)模型在皮肤常见肿瘤临床诊断中的应用。方法基于高分辨率特征提取皮肤常见肿瘤智能诊断模型,利用HRNetW32模型,实现统一输入皮肤常见肿瘤皮肤镜图像,自动预测皮肤常见肿瘤类型的诊断结果;同时将构建的模型与VGG16、VGG19、ResNet34等常见卷积神经网络模型进行对比分析。结果HRNetW32模型在训练集和验证集准确率分别为99.72%和95.00%,损失函数值分别为0.15和0.21,表明所构建的模型能准确高效地提取皮肤常见肿瘤皮肤镜图像的高维特征。同时HRNetW32模型表现出了优于VGG16、VGG19、ResNet34模型的精确率、召回率、Micro F1分数、灵敏度、特异度、真正率和假正率。结论HRNetW32模型可用于常见皮肤肿瘤筛检,且诊断准确率较高,具有较高临床诊断价值。

遥感影像目标检测多尺度熵神经网络架构搜索

针对传统神经网络架构搜索需要耗费大量时间用于超网训练,搜索效率较低,搜索得到的模型无法高效解决遥感影像中多尺度目标检测困难、背景复杂度高的问题,本文提出采用多尺度熵神经网络架构搜索的方法进行遥感影像目标检测。首先,在搜索空间的基础模块中加入特征分离卷积以代替残差模块中的常规卷积,减少遥感影像中由于背景复杂度高而造成的信息间干扰,提高网络模型在复杂背景下的检测性能;然后,引入最大熵原理,计算搜索空间中每个候选网络的多尺度熵,将多尺度熵与特征金字塔网络相结合,以兼顾遥感影像大、中、小目标的检测;最后,在不进行参数训练的情况下利用渐进式进化算法搜索得到多尺度熵最大的网络模型用于目标检测任务,在保证模型检测精度的同时,提升网络搜索效率。本文方法在RSOD、DIOR和DOTA数据集上的平均检测精度均值分别达到93.1%、75.5%和73.6%,网络搜索时间为8.1 h。试验结果表明,与当前基准方法相比,本文方法能够显著提升网络的搜索效率,在目标检测任务中更好地结合了不同尺度下的特征并解决了影像背景复杂度高的问题。

基于卷积神经网络的玛钢管件表面缺陷检测仿真

针对现有检测算法HRNetV2p无法很好地平衡各尺度缺陷的检测精度等问题,在HRNetV2p中引入一种结合通道注意力机制的特征融合模块,自适应地调整融合特征中空间-语义信息的比率,解决浅层特征缺乏语义信息的问题.建立一个玛钢管件表面缺陷检测数据集IIDD,进行数据标注及数据统计.在HRNetV2p网络中引入CG密集跳跃传输单元及CG自适应融合模块,通过整合、重新校准和重新整合3个操作自适应地调整浅层特征空间-语义信息比率.给出了试验的设置以及评价指标,完成了改进的玛钢管件表面缺陷检测算法在IIDD测试集上的性能试验.结果表明,改进后的HRNetV2p算法在IIDD上的平均检测精度AP 50为91.3%,相比原始HRNetV2p提高了2.6%,其中对大、中、小尺度缺陷的平均检测精度分别提高了2.7%、2.7%、5.6%.

基于低层特征融合多核卷积神经网络的管道缺陷漏磁图像识别方法

为了提高管道缺陷漏磁图像识别的准确率,提出了一种基于低层特征融合多核卷积神经网络的方法。首先构造一个由多卷积核Concat操作构成的Concatenation模块,由3个Concatenation模块和全连接层构成识别模型,该模型能得到不同尺度的信息。然后对原始图像进行下采样操作,与经过第一个Concatenation模块卷积操作后得到的特征映射进行融合,就能得到更多的空间、颜色、轮廓等信息,再经过两层Concatenation模块进行特征提取最后分类。结果表明:融合了原始图像的低层特征后的模型对管道漏磁缺陷的识别率相较于CNN提高了7.5%,相较于传统的机器学习算法准确率提升了11.5%。

基于改进对比学习和并行融合神经网络的室内WiFi定位算法

机器学习在WiFi指纹定位技术中扮演着重要角色。针对信号波动对指纹辨识力的影响往往被忽略以及如何从样本中提取更广泛的表征信息的问题,提出了一种基于改进对比学习(CL)和并行融合神经网络的WiFi定位算法。该算法首先利用改进对比学习来提高指纹辨识力,其在增加不同类别指纹间的区分度的同时能减小同类别指纹间的差异。其次,构建基于卷积神经网络(CNN)和长短期记忆(LSTM)的并行融合网络,与传统的串行融合方式相比,网络可以从原始样本中提取更多的有效特征。此外,在池化层后增加Flatten层以进一步考虑网络的中间层信息,从而利用更广泛的特征信息来提高模型的泛化性能。结果表明,所提算法的定位性能比其他定位算法提高26%。