基于改进AlexNet模型的滚动轴承故障诊断方法

针对传统方法难以提取滚动轴承故障特征、诊断精度不佳且模型结构复杂等问题,提出一种改进Alexnet模型的滚动轴承故障诊断方法。首先,将滚动轴承各故障振动信号转化为富含时频信息的二维特征图样本集,按一定比例划分为训练集与验证集;然后针对AlexNet模型中存在的模型训练速度慢、准确性不高等缺点进行改进,使用ImageNet图像数据集对改进模型进行训练,并保存训练过程获取的知识;最后将保存的训练信息迁移应用于改进模型对轴承故障数据集的诊断。通过改进前后模型对部分cifar-10图像数据集的训练与验证情况证明了改进模型的优化效果,对比常见网络模型对轴承10类别故障诊断情况,所提方法具有更好的诊断效率和诊断精度。

改进Alexnet网络的滚动轴承故障诊断方法

本文针对滚动轴承故障诊断准确率不高的问题提出一种新方法。首先,将振动信号通过短时傅里叶变换(Short Time Fourier Transform,STFT)转化为时频图像构建数据集。其次,采用批量归一化算法和GeLU激活函数改进Alexnet网络,对不同工况的时频图像进行训练和故障诊断。在凯斯西储大学(Case Western Reserve University,CWRU)轴承数据集试验中,改进后的Alexnet网络训练损失更低,收敛速度更快,故障识别准确率更高。最后,比较模拟滚动轴承损伤故障实验平台采集的样本数据,改进Alexnet网络的故障识别准确率为97.2%,明显优于Alexnet网络、SVM网络和CNN网络,验证了该改进方法的有效性。

基于改进AlexNet的红外图像行人姿态识别

针对传统红外图像行人姿态识别准确率低下的问题,在经典AlexNet网络的基础上,提出一种改进型AlexNet网络。该网络设定输入红外图像的尺寸为227×227×3,包含5个卷积层、3个池化层、3个全连接层和1个输出层。同时,减小卷积核提取更精细的特征,减少节点数防止过拟合,删除分组和随机失活神经元操作获得更快的提取和计算速度。实验结果表明,与流行的GA-CNN、CNN-SVM、CNN-MLP、CNN-RF算法对比,改进网络的Mean Precision、Mean Recall和Mean F1等性能指标均优于对比算法。

基于改进AlexNet与CUDA的大豆快速三分类方法

为了能够精确、快速实现大豆籽粒分类,提出了基于改进AlexNet与CUDA的大豆籽粒快速三分类方法。以大豆籽粒多分类为目标,构建大豆籽粒图像库;根据快速分类的任务要求,对传统AlexNet模型进行改进并采用统一计算设备架构C++实现;以NVIDIA Jetson TX2为核心构建大豆籽粒快速分类系统。训练集及验证集分类准确率分别可达98%和94%;对于在线采集的大豆图像进行分类测试准确率约为93%,且一粒大豆籽粒分类耗时约6ms,能够满足快速分类的应用需求。

基于PSO-BFA和改进Alexnet的滚动轴承故障诊断方法

现实中滚动轴承的工况复杂易变,无法有效地对其进行故障诊断。对此,提出一种基于粒子群优化的细菌觅食(Particle Swarm Optimization and Bacterial Foraging Algorithm,PSO-BFA)和改进Alexnet(第二代卷积神经网络)的滚动轴承故障诊断方法。该方法将Alexnet的结构简化,并分别在其前两层池化层之后添置局部归一化层以降低训练成本;将以小批量样本softmax的交叉熵为损失函数,按Adam迭代优化法小样本、少迭代次数训练改进Alexnet后的变负荷样本诊断精度设计为适应度函数,并结合PSO中粒子移动速度的更新方法更新BFA中细菌的游动方向来寻找改进Alexnet的结构等相关参数;根据PSO-BFA所得的参数,以相同的训练方法大样本、多迭代次数训练改进Alexnet,实现复杂工况下滚动轴承多状态故障诊断。实验结果表明所提出的方法对复杂工况下滚动轴承16种故障状态的诊断是可行的,且有更高的诊断精度、更好的抗干扰和泛化性能。

基于改进AlexNet的可变形卷积皮肤病变识别算法

为了有效解决类间相似度高、类内差异化大、数据类别不平衡的皮肤病变识别,提出了基于改进AlexNet的可变形卷积网络皮肤病变识别算法.构建改进的AlexNet可变形卷积网络模型,增加采样偏移量,使不同位置的卷积核采样点可根据图像内容自适应变化,自动调整不同尺度或感受野,提取比标准卷积更精细的特征.使用交叉熵损失函数和焦点损失函数的加权损失函数,削弱易分类样本在训练中所占的权重,使模型专注于相似度高、易错分的样本,解决样本比例不平衡的问题,优化模型的识别率.在HAM10000数据集上进行仿真实验,主客观的实验结果表明,提出的方法在7种皮肤病变上的识别优于现有方法,具有更高的准确性、特异性和鲁棒性.

基于改进AlexNet的电力系统暂态功角失稳紧急控制策略

随着新能源渗透率的提升,电网环境日益复杂,电力系统安全稳定运行也面临着新的挑战。为了满足电力系统暂态功角失稳后的实时紧急控制决策,采用深度学习与紧急控制相结合的方法,提出一种基于改进AlexNet网络的电力系统暂态功角失稳紧急控制策略。首先基于改进AlexNet对失稳发电机功角轨迹进行预测,识别临界机群;然后定义紧急控制动作灵敏度指标,建立改进AlexNet灵敏度预测模型,拟合发电机功角特征与紧急控制动作灵敏度的映射关系,从而确定紧急控制的动作母线;最后以切除发电机和负荷容量最小为目标,建立紧急控制优化模型并求解最优策略,并在新英格兰10机39节点系统进行算例验证。结果表明,针对电力系统暂态功角失稳问题提出的基于深度学习的功角轨迹预测模型和紧急控制灵敏度预测模型,均有较高的预测精度。在此基础上制定的紧急控制策略能使失稳系统快速恢复稳定运行,加强电网安全稳定防御体系。

基于改进AlexNet模型的串联型电弧故障识别方法

针对传统电弧故障检测方法依赖人为设定阈值、存在保护误动作以及现有人工智能方法需要预先提取特征、计算量大的问题,提出一种基于改进AlexNet模型的串联型电弧故障识别方法;该方法直接采用原始电流波形作为模型输入,避免数据特征预处理;利用Inception结构对AlexNet模型结构进行改进,减少网络参数,并采用随机梯度下降算法与学习率自适应调整方法对模型训练策略进行优化,分别利用已知负载与未知负载对所提方法进行试验验证。结果表明,该方法电弧故障识别准确率达到97.5%以上。

改进AlexNet网络模型在课堂教学质量监控评估中的应用

构建高校教学质量监控体系是高等教育改革的切实有效手段,课堂教学监控是高校教学质量监控体系的重要组成部分。运用改进AlexNet网络人工智能技术,应用于高校课堂教学监控,从课前考勤到课堂状态,利用信息化手段对学生以及教师进行全方位监控。实际应用研究结果显示:对96名学生、1200条记录数据的关联分析,学生上课低头次数超3次,上课玩手机,其期末成绩不及格的概率分别约为85.7%,75%。利用机器学习相关算法对考勤及课堂状态数据与期末成绩进行分析研讨,为提高课堂教学质量提供思路。

基于改进AlexNet网络的无人机遥感图像分类方法

针对传统卫星遥感难以获取相应的高空间分辨率数据,影响农作物的分类准确度的问题,提出一种基于改进AlexNet网络的无人机遥感图像分类方法.首先,为降低方法的复杂度,加快收敛效果,优化改善AlexNet网络模型,仅保留AlexNet网络模型的前5个图像处理卷积层;其次,对试验农作物无人机遥感图像进行光谱特性分析,提取各类作物自身的光谱曲线.在此基础上,考虑到农作物在可见光波段的反射率相近,很难依据反射率曲线进行区分,基于改进AlexNet网络的深层卷积结构,依据不同波段内的像素亮度对农作物进行准确分类.最后,利用湖南省长沙市农业科学研究所试验基地实测数据进行算例试验.结果表明:在相同的试验条件下,与SVM-RFE和SVM-SS相比,所提方法对于农作物的总体分类精度均值提升了3.91%以上,Kappa系数均值至少提升了2.20%,可适用于实际场景.

利用改进型AlexNet的ADS-B欺骗式干扰检测

广播式自动相关监视(ADS-B)是一种新的空管监视技术,遵循着“空地一体化”和“全球可互用”的指导原则,实现了航迹信息共享。但其开放式的架构特点,使其极易受到各类欺骗式的干扰,严重威胁空中交通安全。本文针对真实ADS-B信号的多普勒频偏变化规律与报告位置的变化规律相符合的特点,结合以深度学习为代表的机器学习方法,提出利用改进型的AlexNet提取特征并检测欺骗干扰。本方法对比传统的信号处理方法,减少了计算复杂度,提高了识别准确率,特别是在航迹长度较短时优势更加明显。仿真实验验证了方法的有效性。

采用改进型AlexNet的辐射源目标个体识别方法

针对辐射源目标精确识别需求,结合以深度学习为代表的机器学习理论技术,提出将改进型AlexNet作为特征提取器,实现目标细微特征提取固化,形成智能化识别网络模型。以广播式自动相关监视(ADS-B)信号为实验对象,在机场实地采集了13个目标的ADS-B脉冲信号数据作为辐射源目标个体识别的训练和测试样本,利用AlexNet和改进的AlexNet验证了算法的有效性。结果表明,改进的AlexNet网络训练时间更快,综合识别率达到98.32%。

改进的AlexNet卷积神经网络用于中草药叶片分类

近年来,深度学习被广泛应用于图像处理的各个领域。本文提出一种旨在强化特征提取的改进的AlexNet模型并通过对比实验加以验证。首先,利用网络爬虫算法爬取5类中草药叶片图像形成一个样本容量较小的数据集。然后,利用数据增扩技术将原数据集容量增大4倍形成新的数据集。最后,利用改进后的AlexNet模型和增扩后的数据集开展4组对比实验。实验结果表明,结合数据增扩和改进的AlexNet模型能最大程度地提高中草药图像分类的准确率。

基于叶绿素荧光成像技术的番茄苗热害胁迫智能识别方法

为实现作物热害胁迫状态快速、无损和智能化识别,该研究设计了一套叶绿素荧光图像采集装置,并提出一种基于叶绿素荧光成像技术的番茄苗热害胁迫智能识别方法。以不同热害阶段下的番茄苗叶片作为研究对象,通过搭建的叶绿素荧光图像采集设备获取具有单一背景的叶片原始荧光图像,将获取的12组荧光参数值结合Spearman等级相关性分析得到相关性最高的非调节性能量耗散的量子产量Y(NO),对其进行图像预处理后构建番茄苗叶片热害图像数据集。对AlexNet模型进行改进,引入批量归一化(Batch Normalization,BN)方法加快模型的收敛速度,选择Mish激活函数提高模型的表达能力,同时使用全局平均池化层(Golbal Average Pooling,GAP)替换全连接层和深度可分离卷积替换传统卷积的方法减少模型参数量,以提升模型运行速度,通过Adam优化算法更新梯度。研究结果表明,改进AlexNet模型性能最优,平均识别精度达98.8%,平均测试耗时为11.6 ms,模型权重空间仅为1.13 MB。相比未改进AlexNet模型,平均测试耗时下降23.2%,模型权重空间下降99.5%。该研究为番茄苗早期热害胁迫检测和胁迫等级划分提供了一种方法,也为其他作物夏季热害监测和防控提供技术参考。

基于局部特征的卷积神经网络车灯识别

为了解决车辆管控工作中出现的肇事车辆逃避交通监管的问题,对数据集处理方式和局部特征的车型分类算法进行研究。首先,以AlexNet网络为基础分析了各个网络结构对于输入图片的敏感程度,从网络层数和卷积核尺寸上进行网络优化得出IM-AlexNet网络。然后,使用数据增强方式处理后的自建数据集,训练IM-AlexNet分类模型网络。最后,在HOG-SVM、GoogleNet和VGG16三种模型上进行对比实验并分析。实验结果表明:IM-AlexNet网络在验证集上准确率达到96%左右,损失值低于0.2,训练速度达到3 s/step。在混淆矩阵中IM-AlexNet网络模型总体准确率达到69%,完成了局部特征对车型分类的实验,分类准确率大大提高。

基于机器视觉的柔性包装袋喷码缺陷检测研究

目的针对传统喷码检测方法计算量大、字符区域定位不显著、识别准确率较低等不足,提出一种基于机器视觉的柔性包装袋喷码缺陷检测方法。方法以柔性包装袋上喷码图像为研究对象,以滤波抑噪、阈值处理等技术对图像进行预处理,运用YOLO-V3网络模型对字符区域进行定位,并采用阈值和非极大值抑制算法提高喷码区域定位的显著性,通过改进AlexNet网络结构、运用多特征融合运算等方法,获取更为丰富的图像卷积特征,实现字符串的整体识别,从而提高喷码缺陷识别的准确率。结果将YOLO-V3联合改进AlexNet的检测方法与传统喷码检测方法进行对比,结果表明,所设计喷码缺陷检测方法的分类准确率达到99.39%。结论基于机器视觉的柔性包装袋喷码缺陷检测方法在模型计算量、字符区域定位显著性和字符识别准确率都有一定的优势,并有效解决了字符串整体识别的问题。

基于深度网络跨层特征融合的氩弧焊点分类

传统卷积神经网络是通过由浅入深的特征提取,构建分类器进行图像分类,该方式容易忽略浅层特征。对工业过程收集的氩弧焊点图像,基于AlexNet网络进行修改,提出一种增强的AlexNet(en-AlexNet)网络,该方法使用批归一化进行数据归一化,引入跨连结构同时进行灵敏性分析,并嵌入Inception模块进行多尺度深度特征提取,将深层特征与浅层特征进行融合,最后使用softmax分类器来判别焊点是否合格。最终平均分类准确度达到98.13%,优于传统的支持向量机方法和其他的典型卷积神经网络模型。另外,模型的参数量、收敛速度和平均召回率均优于其他典型的卷积神经网络。结果验证了所提en-AlexNet网络在焊点的多类别分类上的有效性。

基于改进深度卷积神经网络的交通标志识别

在实际交通环境中,所采集到的交通标志图像质量往往受到运动模糊、背景干扰、天气条件以及拍摄视角等因素的影响,这对交通标志自动识别的准确性、实时性和稳健性提出了很大的挑战。为此提出了改进深度卷积神经网络AlexNet的分类识别算法模型,该模型在传统AlexNet模型基础上,以真实场景中拍摄的交通标志图像数据集GTSRB为研究对象,将所有卷积层的卷积核修改为3×3大小,为了预防和减少过拟合的出现在两个全连接层后加入dropout层,并且为了提高交通标志识别精度,在网络模型第5层后增加两层卷积层。实验结果表明,改进后AlexNet模型在交通标志识别方面具有一定的先进性和稳健性。

基于电压暂降监测数据的工业用户耐受能力等级评估

准确评估工业用户的电压暂降耐受能力,是保证电网公司顺利推进优质供电服务的基础工作。为解决现有评估方法对过程结果、参数依赖程度高的问题,提出基于电压暂降监测数据的工业用户耐受能力等级评估方法。首先,定义电压暂降期间的U-t、P-t轨迹,通过小波模极大值算法检测轨迹起止点,提取P-U轨迹;其次,提出P-U轨迹图像彩色编码方法,将P-U轨迹原始图转换为P-U轨迹RGB彩图;然后,提出基于改进AlexNet的耐受能力等级评估模型,对已知用户的图像与数据进行训练,输出未知用户的耐受能力等级评估结果;最后,通过算例分析,验证了所提评估方法的准确性与有效性。

结合卷积神经网络多层特征和支持向量机的车辆识别

车辆识别方法计算量大,提取的特征复杂,且传统神经网络利用端层特征进行分类导致特征不全面,为此提出了一种结合卷积神经网络(CNN)多层特征和支持向量机(SVM)的车辆识别方法。该方法在传统AlexNet模型基础上构建卷积神经网络模型,通过分析参数变化对测试正确率的影响得到最优车辆识别模型;提取多层车辆特征图,采用串行融合方法与主成分分析降维技术将其构成一个具有多属性的车辆特征向量,以增强特征全面性,减少计算量;利用SVM分类器代替CNN的输出层实现车辆识别,以提高模型泛化能力与纠错能力。实验结果表明,相比传统方法,所提方法在分类精度和识别速度方面都有显著提高,且具有良好的稳健性。