基于多域信息融合与深度分离卷积的轴承故障诊断网络模型

针对传统卷积神经网络(CNN)对滚动轴承振动信号的故障识别准确率不高这一问题,提出了一种基于多域信息融合结合深度分离卷积(MDIDSC)的轴承故障诊断方法。首先,利用自适应噪声的完全集合经验模态分解(CEEMDAN)算法对轴承振动信号进行了分解;然后,利用分解出的本征模态函数(IMF)的各个分量构建了多空间状态矩阵,并将该多空间状态矩阵输入该深度分离卷积模型中,进行了卷积训练;同时,在该深度分离卷积模型中添加了残差结构,对数据特征进行了复利用,并对卷积核进行了深度分离,解决了深度模型的网络退化问题;最后,提出了一种空间特征提取方法,对模型参数进行了修剪,采用一种自适应学习率退火方法进行了梯度优化,以避免模型陷入局部最优。研究结果表明:通过对多个轴承故障数据集进行对比分析可知,MDIDSC在轴承故障诊断方面的准确率和稳定性明显优于其他方法,MDIDSC的最高测试准确率为100%,平均测试准确率为99.07%;同时,在测试集中的最大损失和平均损失分别为0.1345和0.0841;该结果表明MDIDSC在轴承故障诊断方面具有一定的优越性。

相似元素的深度分离

提出了一种分子设计和定向寻找分离试剂的新方法。以相似元素钨和钼的分离为例 ,根据WO2 -4和MoS2 -4的结构特征 ,从价键因素、亲水疏水因素、几何因素等方面分析了它们与吸附剂的作用 ,成功选择了有色金属硫化物作为选择性吸附剂 ,实现钨和钼的高效分离 。

基于深度分离卷积的情绪识别机器人即时交互研究

情绪识别是人工智能领域的研究热点,人机交互系统若能感知人类的情感行为并能表达情感,将会使机器人与人类的交互更加自然。人类主要通过面部表情、语义语调、肢体语言等几个方面获取情感信息。以拥有高自由度的NAO机器人为应用平台,设计了机器人面部情绪识别和肢体情感表达的人机交互系统。首先,引入深度分离卷积算法对人脸表情(生气、恐惧、伤心、高兴、惊讶和中性)进行特征提取和分类,结果表明通过训练得到的网络模型对FER2013人脸表情测试集的预测正确率可以达到0.711;其次,设计NAO机器人的肢体动作,对6种面部情感做出了分类;最后,对机器人实时表达使用者的情绪状态进行了测试,反馈时间均在2 s内,并对连续10帧预测结果进行了统计分析。

气液深度分离过滤元件的研制

针对天然气气液深度分离工况条件，对预过滤器和聚结器的滤芯进行了设计与研制。详细论述了气液深度分离元件过滤机理，由工况条件确定了滤芯过滤面积、精度、材质等参数。滤芯采用纸玻璃纤维制成折叠式筒状滤芯，其分离（过滤）面积是未折叠筒状滤芯的4-6倍，是一种过滤精度高透过性能好的高效分离元件。滤芯应用试验表明，该滤芯强度优于国外进口滤芯，使用寿命大大延长，天然气的气质达到国家二类气质标准。

基于深度分离卷积神经网络的高速高精度SAR舰船检测

随着人工智能的兴起,利用深度学习技术实现SAR舰船检测,能够有效避免传统的复杂特征设计,并且检测精度获得了极大的改善。然而,现如今大多数检测模型往往以牺牲检测速度为代价来提高检测精度,限制了一些SAR实时性应用,如紧急军事部署、迅速海难救援、实时海洋环境监测等。为了解决这个问题,该文提出一种基于深度分离卷积神经网络(DS-CNN)的高速高精度SAR舰船检测方法SARShipNet-20,该方法取代传统卷积神经网络(T-CNN),并结合通道注意力机制(CA)和空间注意力机制(SA),能够同时实现高速和高精度的SAR舰船检测。该方法在实时性SAR应用领域具有一定的现实意义,并且其轻量级的模型有助于未来的FPGA或DSP的硬件移植。

肠造口术后皮肤黏膜深度分离使用亲水银敷料的效果

肠造口（intestinal stoma）是指因治疗需要，把一段肠管拉出腹腔，并将开口缝于腹壁切口上，以排泄粪便和尿液。肠造口是大肠癌的主要治疗手段之一，但肠造口并发症的发生率高达11％～60％。

基于注意力机制和残差深度分离卷积的RUL预测方法

传统机械设备剩余使用寿命(RUL)预测方法需进行多源数据融合、建立健康指标等人工干预过程,预测精度受限于健康指标对设备退化过程的表征能力。为实现端对端的RUL预测并提升预测精度,提出了一种基于注意力机制和残差深度分离卷积网络相结合的RUL方法,并采用C-MAPSS航空发动机仿真数据集检验方法的有效性。采用滑动窗从发动机多源状态参数中截取多元序列作为表征发动机状态的样本,并基于一维可分离卷积网络建立RUL预测模型,为提升模型的预测精度在网络中引入了注意力机制和残差网络。最终所提方法对C-MAPSS 4个测试集的均方根误差均值分别为11.28、14.12、11.57和15.61,且对发动机在运行期间的RUL预测也具有良好的泛化能力。通过与多种RUL预测方法的结果相比较,表明所提方法对4个测试集的整体预测精度均较高,是一种有效的机械设备RUL预测方法,并可用于设备的早期故障预警。

使用深度分离卷积网络实现继保压板状态识别

变电站内继电保护压板的核对一直以来都是依靠人工进行操作,并且变电站继电保护压板装置众多,人工核对压板方式费时费力且易出错。文章提出一种利用深度可分离卷积网络实现继电保护压板识别的方法。首先,基于TensorFlow机器学习平台创建深度可分离卷积网络;然后,对采集的压板图像进行标注,形成数据集,并对网络进行训练,得到图像识别模型;最后,使用TensorFlow Lite对模型进行转换和优化,并将其应用于嵌入式系统。试验结果表明,深度可分离卷积网络在嵌入式系统上运行性能和识别速度达到预期效果,压板开合状态识别正确率达100%,具有广泛应用价值。

基于改进SE-Net和深度可分离残差的高光谱图像分类

针对目前常见的用于高光谱图像分类的卷积神经网络参数数量多,训练时间长,对样本数量依赖性大的问题,提出一种适用于有限训练样本条件下基于改进压缩激活网络和深度可分离残差的分类网络MDSR&SE-Net.首先使用主成分分析对原始高光谱图像进行通道降维,然后通过三维卷积神经网络连接多特征残差结构,同时嵌入改进的SE模块提取高光谱图像的空间和光谱细节特征,最后将提取到的特征数据输入Softmax分类器激活分类.为了使网络更加轻量,通过在残差结构中使用深度可分离卷积和引入全局平均池化减少参数数量.实验结果显示,使用有限训练样本在三种常见高光谱数据集上总体分类精度均达到99%以上.

嵌入注意力机制的深度可分离卷积SAR目标识别

深度可分离卷积(Depthwise Separable Convolution,DSC)的应用使得深度学习的网络模型轻量化。在此基础上,提出了嵌入注意力机制的DSC合成孔径雷达(Synthetic Aperture Radar,SAR)目标识别方法。通过将DSC与注意力机制结合,提高网络对目标重要特征的学习能力;将多个DSC进行叠加和并联,设计多尺度网络模块,增强不同深度网络的特征提取能力;通过残差连接缓解深层网络的梯度弥散和梯度爆炸问题。使用公开数据集实验表明,所提方法在网络模型参数量较小的情况下,获得99.0%的平均识别率,具有较强的识别优势。

基于深度可分离卷积神经网络的端到端高效车牌识别方法

车牌识别易受到天气或光照条件等不可预见干扰的影响。因此,文章提出了一种无需分割的车牌识别框架,该网络模型结合了先进的深度学习方法和设计思想,采用了深度可分离卷积来极大地降低计算量。与之前相比,它以更低的计算要求实现了更高的识别精度。在两个不同的数据集上对所提方法的有效性进行了评估,并获得了超过99%识别准确率和70以上的帧率,该方法稳健高效,值得推广。

基于动态深度可分离卷积神经网络的管道泄漏孔径识别

针对传统模型为提高管道泄漏检测的精度而导致的模型结构复杂度、参数量和计算量大的问题,提出一种基于动态深度可分离卷积神经网络的管道泄漏孔径识别方法;动态卷积层将提取到的泄漏信号特征经过通道注意力权值计算和动态权值融合,通过动态深度可分离卷积层获得更强的特征表达能力,利用全局平均池化层降低网络模型参数,通过全连接层识别管道泄漏孔径。结果表明:新方法具有较高的识别精度,克服了传统模型资源开销大、功耗高的问题,降低了模型的训练时间,提升了管道泄漏孔径的识别速度,可用于工业中的管道泄漏程度监测。

基于深度可分离卷积和交叉注意力的水面污染识别

水面污染严重影响水面景观和水体生态.针对识别水面污染过程中水面场景复杂、小目标污染物特征难以提取等问题,本文提出一种基于深度可分离卷积与交叉注意力算法模块(deep-wise convolution and cross attention,DCCA).使用深度可分离卷积降低模型的参数量和计算量,使用交叉注意力建立不同尺度特征图之间的关系,使模型更好地理解上下文信息并提高识别复杂场景和小目标的能力.实验结果表明,添加DCCA模块后平均精确率提升了1.8%,达到了88.7%.并使用较少的显存占用提高了水面污染的检测效果.

基于深度可分离卷积的异常驱动视频异常检测

视频异常检测已成为当前研究的热点问题,具有深刻的实际应用价值。针对视频异常检测中3D卷积计算复杂度高、难以训练以及使用重构方法进行检测时仅利用正常数据容易导致过拟合的问题,提出一种新型的深度可分离卷积异常驱动网络。首先,通过手工特征提取的方式抽取跳跃帧,并将其作为伪异常样本进行辅助训练;其次,设计深度可分离卷积网络,降低3D卷积的计算参数量;最后,通过最小化正常数据的重构误差和最大化异常数据的方式让网络学习以区分异常数据和正常数据。实验结果表明,该模型在各大公开数据集上均表现出具有竞争力的性能,其中在UCSDped1、UCSDped2、Avenue和UMN数据集上的准确率分别达91.3%、99.2%、87.4%和98.6%。此外,该模型对异常检测具有较强的灵敏度,且具有较强的泛化能力和鲁棒性。

基于深度可分离卷积和残差注意力模块的车道线检测方法

针对全天候条件下道路车道线视觉检测技术存在的算法结构复杂、参数数量较多等问题,提出一种基于深度可分离卷积和残差注意力模块的车道线检测方法,建立了LPINet网络模型。利用深度可分离卷积减小输入图像尺寸,设计三种不同结构的瓶颈残差单元降低网络参数数量,引入ECANet注意力机制增加重要特征通道权重,提升车道线检测精度。在Tusimple数据集和GZUCDS自建数据集上的实验结果表明:在晴天场景下,LPINet网络车道线检测精度可达96.62%,且模型参数量降至1.64 MB,实现了轻量化设计;在雾天、雨天、夜晚和隧道复杂场景中进行了探索性研究,车道线检测精度达到93.86%,证明了方法的有效性。

基于深度可分离卷积神经网络的水声目标分类研究及FPGA实现

针对传统声纳处理器算力受限,能效比低,难以支撑水声目标识别实时推理的问题,本文基于异构SoC平台设计了面向被动声纳水下目标实时计算处理系统。该系统具有较低资源开销和较小分类精度损失等优点,是一种低时延、高能效比的硬件加速器解决方案。本文以MobileNetV1网络模型为基础并对其进行结构优化,在现场可编程门阵列(Field programmable gate array,FPGA)上通过并行流水线的加速结构实现它的前向推理过程,并对其权值参数进行二值化的处理,以达到减少存储量和计算量的同时加快其推理速度的目的。同时,根据在输入通道维度以及输出图像高度上分块并行的优化思想,设计了深度可分离卷积的流水优化策略,采用并行流水的结构极大减少了前向推理的时间。实验表明,在利用出海实际采集得到的水声数据集上,本文实现的系统识别精度为88.5%,在的分辨率的图像上,时间延迟达到4.23 ms。对比CPU速度提升了70.68倍,是GPU速度的68%。能效比分别为CPU的0.08%,GPU的2.12%。本文为神经网络在硬件资源有限以及功耗存在限制的轻量型移动端或者边缘设备上的应用与部署,以及对促进融合水下勘探网络的建设和水下信息的快速获取提供了设计思路。

面向小型边缘计算的深度可分离神经网络模型与硬件加速器设计

神经网络参数量和运算量的扩大,使得在资源有限的硬件平台上流水线部署神经网络变得更加困难。基于此,提出了一种解决深度学习模型在小型边缘计算平台上部署困难的方法。该方法基于应用于自定义数据集的深度可分离网络模型,在软件端使用迁移学习、敏感度分析和剪枝量化的步骤进行模型压缩,在硬件端分析并设计了适用于有限资源FPGA的流水线硬件加速器。实验结果表明,经过软件端的网络压缩优化,这种量化部署模型具有94.60%的高准确率,16.64 M的较低的单次推理定点数运算量和0.079 M的参数量。此外,经过硬件资源优化后,在国产FPGA开发板上进行流水线部署,推理帧率达到了366 FPS,计算能效为8.57 GOPS/W。这一研究提供了一种在小型边缘计算平台上高性能部署深度学习模型的解决方案。

基于RISC-Ⅴ的深度可分离卷积神经网络加速器

人工智能时代,RISC-Ⅴ作为一种新兴的开源精简指令集架构,因其低功耗、模块化、开放性和灵活性等优势,使之成为一种能够适应不断发展的深度学习模型和算法的新平台.但是在硬件资源及功耗受限环境下,基础的RISC-Ⅴ处理器架构无法满足卷积神经网络对高性能计算的需求.为了解决这一问题,本文设计了一个基于RISC-Ⅴ的轻量化深度可分离卷积神经网络加速器,旨在弥补RISC-Ⅴ处理器的卷积计算能力的不足.该加速器支持深度可分离卷积中的两个关键算子,即深度卷积和点卷积,并能够通过共享硬件结构提高资源利用效率.深度卷积计算流水线采用了高效的Winograd卷积算法,并使用2×2数据块组合拼接成4×4数据片的方式来减少传输数据冗余.同时,通过拓展RISC-Ⅴ处理器端指令,使得加速器能够实现更灵活的配置和调用.实验结果表明,相较于基础的RISC-Ⅴ处理器,调用加速器后的点卷积和深度卷积计算取得了显著的加速效果,其中点卷积加速了104.40倍,深度卷积加速了123.63倍.与此同时,加速器的性能功耗比达到了8.7GOPS/W.本文的RISC-Ⅴ处理器结合加速器为资源受限环境下卷积神经网络的部署提供了一个高效可行的选择.

基于连续小波分析与深度可分离卷积的水电机组工况识别

为快速、准确地判定水电机组运行状态,提出了一种基于连续小波分析与深度可分离卷积相结合的工况识别方法。该方法首先采集水电机组不同运行工况下的振动信号,通过连续小波变换对其进行解析,并获取其多尺度时频联合分布信息。随后,对时频信息进行了数据归一化、几何尺寸变换和格式转换等一系列处理,将其转换为数字图像形式。最后,构建了深度可分离卷积神经网络模型,依据数字图像信息对模型进行参数训练,该模型能够有效区分机组不同出力工况及过渡工况。根据我国西南地区某水电站的一台轴流转桨式水电机组的振动信号,采用所提方法实现了机组多种工况的识别,正确率达到98.06%。

基于通道混洗和深度可分离卷积的混合型晶圆缺陷识别

针对传统深度神经网络对混合型晶圆缺陷信息提取计算效率低的问题,提出了一种基于通道混洗和深度可分离卷积的轻量化深度神经网络,实现了混合型晶圆缺陷的高效识别。在晶圆图数据集Mixed-type WM38上的实验结果表明,所提出的模型对比于一些现有的深度学习模型,在耗费较少的训练和推理时间的同时取得了较高的模型精度,其平均正确率达97.32%,参数量仅有0.4786 M。