基于局部描述子的小样本轴承故障诊断方法

深度学习由于其在特征表示方面的优势,近年来已被应用于很多领域,但是在故障诊断领域很难获取大量的故障样本来训练模型。针对这一问题,提出了一种基于局部描述子的小样本轴承故障诊断方法,利用改进的深度最近邻神经网络(Deep Nearest Neighbor Neural Network,DN4)进行故障诊断。首先通过短时傅里叶变换将振动信号转换为二维时频图像,特征提取主干网络采用ResNet-12网络,引入高效多尺度注意力机制(Efficient Multi-scale Attention,EMA)来更好地提取故障特征,得到轴承故障的局部描述子,最后利用K近邻算法来得到故障类别。为验证所提方法的有效性,进行了不同样本数量、跨工况条件下的轴承故障诊断实验,实验结果表明,文章所提方法在小样本条件下具有较好的故障识别效果和泛化性能,具有一定的工程应用价值。

基于MES−YOLOv5s的综采工作面大块煤检测算法

综采工作面的目标具有高速运动、多尺度、遮挡等特点,现有的目标检测算法存在精度低、模型占用的内存大、硬件依赖强等问题。针对上述问题,提出了一种基于MES−YOLOv5s的综采工作面大块煤检测算法。采用轻量化设计,将MobileNetV3作为主干网络,以减小模型占用的内存,提高CPU端的检测速度;在颈部网络添加高效多尺度注意力(EMA)模块,融合不同尺度的上下文信息,并进一步减少计算开销;采用SIoU损失函数代替CIoU损失函数,以提高训练速度和推理准确性。消融实验结果表明:MobileNetV3大幅减少了模型占用的内存和检测时间,但mAP损失严重;EMA模块和SIoU损失函数可在一定程度上恢复损失的精度,同时保证模型在CPU上具有较高的检测速度,满足煤矿井下目标实时检测需求。对比实验结果表明,与DETR,YOLOv5n,YOLOv5s,YOLOv7模型相比,MES−YOLOv5s模型综合性能最好,mAP为84.6%,模型占用的内存为11.2 MiB,在CPU端的检测时间为31.8 ms,在高速运动、多尺度、遮挡和多目标的工况环境下能够保持较高的召回率和精度。

基于紧凑型双线性网络的野生菌识别方法研究

野生菌因味道鲜美、营养价值高而受到人们的青睐。近年来因食用野生菌而导致中毒死亡的事件频发,因此采用深度学习来对野生菌进行识别与鉴定。为解决该问题,从细粒度角度出发,提出一种改进的高效紧凑型双线性卷积神经网络(Efficient Compact Bilinear Convolutional Neural Network, Efficient-CBCNN)。采用双线性网络框架,移除EfficientNetV2模型的分类层,作为双线性网络的分支,提取特征;引入性能更好的高效多尺度注意力(Efficient Multi-scale Attention, EMA)机制改进EfficientNetV2,在保持性能的同时计算量更小;对分支EfficientNetV2结构进行精简,降低结构的复杂度和计算开销;接入紧凑双线性池化(Compact Bilinear Pooling, CBP)对2个分支输出的特征进行池化操作,捕捉2个特征图之间的高阶交互信息,增强特征的表达能力;连接自定义的全连接层进行分类。实验结果表明,Efficient-CBCNN模型识别准确率得到较大提升,取得98.49%的准确率,相较于VGG16、ResNet50、ShufflenetV2、BCNN(原始)四种模型,所提模型在准确率上分别提升了10.17%、6.19%、12.82%、5.33%,且参数量较BCNN(原始)更少,训练速度更快。

低空无人机实时探测的PBE-YOLOv8n算法

面向低空无人机“黑飞”“滥飞”带来的威胁,针对现存低空无人机目标检测算法检测精度较低、实时性较差的问题,本文提出一种基于YOLOv8n改进的PBE-YOLOv8n低空无人机目标检测模型。使用局部卷积(PConv)代替普通卷积(Conv),设计全新的快速跨阶段局部层卷积(C2f_Faster)模块代替跨阶段局部层卷积(C2f)以实现模型轻量化;使用黄金集散(Gold-YOLO)结构替换颈部路径聚合网络(PANet)结构,保留更多渐层特征,提高检测精确性;在颈部网络中引入高效多尺度注意力(EMA)机制,捕捉局部重要信息,以提高模型的特征融合能力;使用智能交并比(WIoU)边界损失函数代替原损失函数,提升网络的边界框回归性能。实验结果表明,本文提出的PBE-YOLOv8n算法在精确度和速度上都有所提升,证明了该改进算法的有效性和先进性。

基于交错部分卷积的高压输电线路检测方法

在输电线路无人机巡检任务中,针对基于深度学习的航拍图像中待检测目标检测精度不高和模型过大而难以部署至无人机等移动端设备的问题,提出了以YOLOv7-tiny为基础网络进行改进以实现提高检测精度并将模型轻量化的方法。首先,该文设计了一种交错部分卷积(interlace partial convolution,IPConv),并利用其构建IP1-ELAN、IP2-ELAN模块作为网络的特征提取模块,使其能有效减轻模型中通道冗余问题,并大幅度减少模型的参数量和浮点数;其次,在骨干网络最后一层中融合高效多尺度注意力机制(efficient multi-scale attention,EMSA)以实现跨通道交互,增强目标区域特征提取能力;最后,融合快速空间金字塔池化及跨阶段空间通道(spatial pyramid pooling faster,cross stage partial channel,SPPFCSPC)模块,进一步增强特征提取能力,提升模型检测性能。通过实验验证,该文方法在输电线路巡检数据集中模型参数量和浮点数分别仅为3.79M,8.4G,检测精度为85.8%。综合性能优于目前常用的检测算法,能够基本满足部署至无人机端进行检测任务。