基于空洞分层注意力胶囊网络的X射线焊缝缺陷识别方法

由于X射线焊缝图像的复杂多样性,使得很多传统基于X射线焊缝缺陷检测方法的准确性不高,泛化能力较差。提出一种基于空洞分层注意力胶囊网络(DHACNet)的X射线焊缝缺陷识别方法。DHACNet由卷积模块、空洞分层注意力和胶囊网络(CapsNet)组成。卷积模块用来提取图像的卷积特征,空洞分层注意力用来提取多尺度显著性特征,CapsNet利用胶囊层和动态路由算法替代卷积神经网络(CNN)中的池化操作和全连接操作。DHACNet具有强大多尺度特征提取能力,能够克服CNN只关注图像局部特征和池化操作导致图像部分信息丢失等不足。在构建的X射线焊缝缺陷图像集上进行识别试验,识别准确率为96%以上,与传统方法进行比较,结果表明,该方法有效可行,能够为X射线焊缝缺陷识别系统提供技术支持。

基于注意力胶囊网络的作物病害识别方法

因病害叶片图像的复杂多变性,较难准确分割病斑图像和提取到鲁棒的病害分类特征。现有的基于卷积神经网络(CNN)的作物病害识别方法通过扩展训练样本来增加大量不同角度、方向的训练样本,从而增强模型的鲁棒性和泛化能力,但需要较长的训练数据和较大的算力,并且对于一些少见的病斑不能准确识别,因此提出一种基于注意力胶囊网络(ACapsNet)的作物病害识别方法。ACapsNet中的注意力机制用于提高CapsNet的训练能力。ACapsNet中的胶囊由多个神经元组成,每个神经元表示图像中特定病斑的各种属性,这些属性能够表达不同类型病斑的形状、颜色、纹理、位置、大小和方向等特征,在复杂黄瓜病害叶片图像数据集上进行交叉验证试验。结果表明,ACapsNet能够有效表达不同病害叶片图像的各种特征,加快网络的训练速度,能够应用于田间复杂场景的作物病害识别系统。

基于多尺度双路注意力胶囊网络在水稻害虫识别中的应用

【目的】研究基于多尺度双路注意力胶囊网络(Multi-scale Dual-path Attention Capsule Network, MDACapsNet)的水稻害虫识别方法,为田间害虫自动识别提供参考依据。【方法】针对现有方法对位置、姿势多变的水稻害虫识别准确率低等问题,在胶囊网络(Capsule Network, CapsNet)的基础上,提出一种基于MDACapsNet的水稻害虫识别方法。MDACapsNet由编码模块、重构模块与分类模块组成。在MDACapsNet编码模块中,多尺度双路注意力模块与局部共享动态路由算法用于提高网络的特征提取能力并降低网络计算量;在MDACapsNet的损失函数中增加重构图像损失项,加速网络训练。【结果】在复杂背景下的水稻害虫图像数据集进行实验,识别准确率为95.31%。与VGG16、CapsNet、ResNet相比较,MDACapsNet的识别准确率分别提高5.47%、19.83%、2.83%。【结论】MDACapsNet能较好地识别大小不同、背景复杂、姿势多样的水稻害虫,可应用于田间水稻害虫自动检测系统中。

基于数据驱动的综采工作面采运协同控制方法研究

目前针对采煤机与刮板输送机协同控制的研究初步建立了采运系统协同控制机制,但均未考虑非结构化综采工作面环境下,影响采运系统稳定运行因素的不确定性和耦合特性,以及煤流状态和刮板输送机负载电流受井下电气系统影响而无法真实反映刮板输送机负载变化的情况。针对上述问题,提出了一种基于刮板输送机负载电流强化和随机自注意力胶囊神经网络(RSACNN)的综采工作面采运协同控制方法。针对刮板输送机电动机电流的电气耦合特性,运用电流强化模型对原始刮板输送机电流进行预处理,得到能够反映煤流系统真实负载的电流分量。针对综采工作面采运系统运行状态参数与采煤机牵引速度存在着高度非线性和不确定性关系,难以建立精确数学模型的问题,基于胶囊神经网络(CNN)可保存综采工作面采运系统运行状态突变等细粒度特征的特性,建立了基于RSACNN的综采工作面采运协同控制模型。实验结果表明:RSACNN算法与自注意力胶囊神经网络(SACNN)算法、CNN算法的调速结果相比,预测的采煤机牵引速度精度更高,预测速度与真实速度的拟合度分别提高了0.03205和0.07504;平均绝对误差分别降低了17.7%,22.6%;平均绝对百分误差分别降低了49.9%,71.5%;均方根误差分别降低了13.3%,34.6%。