基于改进VGG的变电站设备声频故障分析

由于长时间运行、设备老化、外部环境等原因,变电站设备存在着故障的风险。因此,对变电站设备的故障进行有效的监测和预警,成为电力系统安全运行的关键。而视觉几何组(VGG)算法是一种基于卷积神经网络的深度分析模型,该算法具有多层卷积和池化层,能够提取设备声频信号中故障特征来源,并进行分类,最终实现对变电站设备的运行状态进行实时分析。为此,通过改进VGG网络变电站设备的声频信号特征提取,实现了对设备故障的准确识别和预测。

基于改进的VGG-16模型的花卉识别小程序设计

由于花卉种类繁多,花卉的识别需要人们掌握深厚的植物学知识和长期观察的经验总结,而利用深度学习可实现花卉种类的智能识别。首先,通过迁移学习在视觉几何群网络(Visual Geometry Group Network,VGG-16)算法的基础上进行改进,实现花卉的识别;其次,将训练好的模型进行封装,上传至云服务器;最后,在云服务器上进行识别,通过超文本传输协议(Hyper Text Transfer Protocol,HTTP)与微信小程序进行通信,实现了拍照上传即可识别花卉种类和了解花卉特性的小程序设计。

基于卷积神经网络的吊钩视觉识别系统开发和应用

基于卷积神经网络算法开发了吊钩机器视觉识别系统,用于替代人眼判断吊钩与焦罐的吊耳是否钩好,该系统输出信号与PLC控制系统进行联锁,控制焦罐在提升井的运行。经过在韶钢干熄焦现场测试,达到了预期效果,提高了焦罐提升的安全性,保障了熄焦的安全生产。

基于卷积神经网络的焊接装配特征识别研究

为实现高铁白车身焊接拼装技术的智能化与自动化,解决焊接过程中特征区域小、背景干扰多等问题,提出了基于迁移学习和卷积神经网络的焊接装配特征快速识别算法。首先采用二值化等传统图像处理算法确定待提取特征的粗略位置,在此基础上再使用sobel、腐蚀、霍夫线段检测确定特征区域的精确位置。其次,考虑到不同环境下,精确定位后特征区域表现不同,故采用基于卷积神经网络的分类模型以增强预测模型的鲁棒性和准确性。最后,选择基于迁移学习的的视觉几何群网络(VGG16)来解决样本量不足以训练整个模型参数的问题。实验结果表明,本文所提的识别算法能够准确识别型材的状态,且在识别检测速度上优于YOLOV3,在准确率上劣于YOLOV3,算法满足使用场景下的实时性要求。

基于机器视觉的零部件的缺陷检测

汽车零部件在实际生产过程中,打磨、抛光等各种无法确定的因素会在零部件的表面留下缺陷,从而严重影响车辆的组装、制造,存在巨大的安全隐患,因此车辆零部件的缺陷检测十分重要。零部件缺陷检测已从传统的手工分类发展为基于机器视觉的方法。本文基于卷积神经网络对VGG16网络模型进行改进,提高了模型对汽车零部件缺陷的检测精度。首先,改进了网络模型的全连接层;其次,在模型中引入了AMF-Softmax损失函数,在达到更优的聚类效果的同时解决了数据不平衡问题,最终实现了零部件缺陷的识别与定位。与传统模型的缺陷检测效果比较表明,改进的VGG16网络结构模型测试准确率可以达到97.59%,在零部件缺陷检测方面具有优越性。

电动汽车充电系统串联电弧故障智能识别方法

为解决电动汽车充电系统串联电弧故障电弧电流难以准确检测的问题,提出一种基于机器学习的电动汽车充电系统串联电弧故障识别方法。首先,搭建电动汽车充电系统电弧故障实验平台,采集不同工况下故障电弧电流数据;然后,采用离散傅里叶变换进行特征分析,并构建故障电弧特征数据集;最后,基于16层视觉几何群网络训练得到电弧故障检测模型,并利用各工况下测试集对电弧故障检测模型进行测试。研究结果表明该方法识别准确率均可达到98%以上,并拥有良好的抗干扰能力。

基于深度学习的农田害虫识别研究

农田害虫降低了农作物的产量和质量,如何有效区分和治理农田害虫成为首要解决的问题。文章紧抓农田环境需求和农民对农作物的产量需求不匹配的痛点,基于卷积神经网络技术识别农田害虫,为农业提供有效的识别方式。采用MobileNetV1、残差神经网络(Residual Network,ResNet)50、视觉几何群网络(Visual Geometry Group Network,VGG)16以及微调预训练模型VGG16共4种网络模型二分类农田害虫图片集。由于样本数据量较少,为防止出现过拟合,使用了数据增强技术,即通过现有训练图片生成更多的训练图片,从而提高泛化能力。实验表明,4种网络模型的准确率分别为88.63%、91.73%、86.49%和90.13%,在农田害虫识别中均具有较好的实际应用效果。