基于GoogLeNet与迁移学习的质子交换膜燃料电池集成系统故障诊断

为准确判别质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)系统在动态阶跃工作电流下的故障类型,该文建立了PEMFC集成系统模型,提出一种基于GoogLeNet卷积神经网络与迁移学习的PEMFC故障诊断方法。首先,根据燃料电池运行过程的电化学反应机理与经验公式建了PEMFC集成系统模型,辅机系统包括冷却系统、空气供给系统和供氢系统。然后,搭建燃料电池测试台架,利用实验数据验证搭建的PEMFC集成系统模型,并改变模型部件参数产生特征故障图像数据集。最后,采用迁移学习将预训练模型中的权重迁移到GoogLeNet模型中,以提高分类模型的收敛速度和泛化能力。2000组故障样本诊断结果表明,PEMFC集成系统在正常、冷却系统故障、氢气饥饿、空气饥饿和水淹故障共5种运行状态下的诊断精确率分别为99.30%、100%、99.10%、100%和99.10%,综合诊断准确率达99.50%,结果证明所提方法具有较高的分类精度和鲁棒性。

基于改进GoogLeNet的汽车仓储库区障碍物分类识别方法

针对汽车仓储库区的特点,提出了一种基于改进GoogLeNet卷积神经网络的仓储库区障碍物分类识别方法,即对传统GoogLeNet卷积神经网络浅层的Inception模块进行改进,并在此基础上增加四分类全连接层,改进后的卷积池化层作为仓储库区四分类图像数据的特征提取器,对全连接层和输出层进行模型训练。实验结果表明:该障碍物分类识别方法准确率高且识别时间短,大大增加了AGV障碍物检测系统的准确性与鲁棒性。

基于简化GoogLeNet的农作物叶片病害识别系统设计与实现

GoogLeNet在图像分类任务上效果较好,但是其模型规模较大导致难以实用,因此通过裁剪的方式对GoogLeNet进行轻量化改造。改造后的模型参数量有所减少且分类精度达到98.4%。最后使用简化模型结合Django框架设计了浏览器/服务器(Browser/Server,B/S)架构的农作物叶片病害识别系统。

基于机器学习的电弧行为识别与特征分析

电弧熔丝增材制造过程中电弧行为是影响零件成形精度及质量的关键因素之一,针对电弧熔丝增材制造过程中电弧无振荡、摇摆振荡以及圆周振荡3种电弧状态的监测图像,提出一种基于局部二值模式(local binary pattern,LBP)与GoogLeNet神经网络结合识别电弧模式的新方法.结果表明,通过局部二值模式获取电弧形态图像中的纹理特征,然后建立GoogLeNet神经网络模型,相比于直接对原始图像进行神经网络的训练,该方法可有效识别电弧长度、宽度以及左右最大倾角随堆积层数的变化规律,从而精准判别电弧所属状态.针对常规存在熔池、熔滴以及复杂背景等因素干扰的电弧形态图像,该方法处理后可获得更清晰的电弧边缘轮廓,更有利于将熔池、熔滴和电弧的形态边界进行划分,最终的状态识别准确率可达99.50%,为电弧熔丝增材制造过程中的电弧状态监测提供理论参考.

基于改进GoogLeNet的飞机尾流快速识别

为了识别繁忙近地空域中的飞机尾流,提高空中交通管制的智能化水平,结合激光雷达特性和尾流演化特点,通过改进GoogLeNet网络和组合残差结构,提出了一种针对尾流快速识别的卷积神经网络模型。在双流的进离场区域使用多普勒激光雷达对风场进行采样,得到目标区域的径向速度场;所采集的数据预处理后输入到模型分别进行训练、验证、测试。结果表明,相比于AlexNet、GoogLeNet模型,所提出卷积神经网络模型以0.45 M的低参数量在飞机尾流的识别准确度达到98.44%,在实验平台上的检测速度达到160 Fps/s。该模型可在复杂的环境下,快速准确地识别飞机尾涡。

Multi-sensors Image Fusion via NSCT and GoogLeNet

In order to improve the detail preservation and target information integrity of different sensor fusion images,an image fusion method of different sensors based on non-subsampling contourlet transform(NSCT)and GoogLeNet neural network model is proposed. First,the different sensors images,i. e.,infrared and visible images,are transformed by NSCT to obtain a low frequency sub-band and a series of high frequency sub-bands respectively.Then,the high frequency sub-bands are fused with the max regional energy selection strategy,the low frequency subbands are input into GoogLeNet neural network model to extract feature maps,and the fusion weight matrices are adaptively calculated from the feature maps. Next,the fused low frequency sub-band is obtained with weighted summation. Finally,the fused image is obtained by inverse NSCT. The experimental results demonstrate that the proposed method improves the image visual effect and achieves better performance in both edge retention and mutual information.

迁移学习模式下基于GoogLeNet网络的风电机组视觉检测

针对无人机航拍环境下拍摄角度变换、特征不显著等干扰问题,提出一种改进的GoogLeNet卷积神经网络对风电机组进行识别和定位,无需人工预选取即可自动提取风电机组类别特征。通过GoogLeNet网络构造风电机组深度特征向量,在网络模型训练过程中引入迁移学习的概念,利用风电机组图像训练已预训练的GoogLeNet网络,在加快模型训练速度的同时,能避免分类网络陷入局部最优解。并在Faster RCNN框架下采用区域建议网络和多任务损失函数将候选区域搜索和边框回归融入到网络中,实现航拍图像中风电机组的自动分类和标注,缩短数据处理时间。实验结果表明,通过迁移学习的手段,利用优化的GoogLeNet网络能改善复杂航拍环境下的目标视觉检测准确率,完成风电机组自动定位任务,基于GoogLeNet的风电机组平均准确率达到了96%以上。

改良GoogLeNet的电机滚动轴承故障诊断

针对电机滚动轴承信号特征人工提取困难、故障分类效果差的问题,利用传统GoogLeNet模型单元与稠密连接思想结合,提出一种改良的GoogLeNet卷积神经网络结构。将提出的改良模型应用于电机滚动轴承的故障诊断试验,对原数据分组处理并贴上标签后,直接输入到改良模型中进行训练,最后将测试集输入到训练好的模型中,测试其分类准确率。由于诊断过程不需要进行人工特征提取,从而避免了人工提取故障特征时的困难和带来的误差,大大简化了故障识别过程,证明了改良GoogLeNet模型在故障诊断中的可行性。将提出的模型与传统GoogLeNet模型和其他典型模型做对比,结果表明,改良GoogLeNet卷积神经网络模型具有精确度高、特征提取能力强、收敛速度快、表现稳定的特点。

基于改进GoogLeNet的锌渣识别算法

针对目前热镀锌工艺中捞渣机器人工作效率低、缺乏选择性等问题,提出一种基于深度学习的锌渣识别算法,以提高捞渣生产线无人化水平。首先,在GoogLeNet网络基础上进行改进,并搭建了适用于实际生产环境的锌渣识别模型;其次,利用经验丰富的工作人员所标注的薄渣和厚渣这两类锌渣图片来建立数据库,完成锌渣分类模型的训练;最后,将工业相机采集到的锌渣图像进行分块处理,标记每张小图的位置,将分割后的小图输入到训练好的模型中完成分类,并得到待捞锌渣的位置。实验结果显示,本文方法在测试集上的识别准确率达到99.1%,高于对比算法,并且针对每张锌渣原始图像的平均识别时间为0.36 s,只有传统GoogLeNet模型的53%,这证明所提出的锌渣识别算法具有较好的工业应用前景。

一种基于GoogLeNet卷积神经网络的木节缺陷识别方法

为了能够对木节缺陷进行准确识别,减少木材的浪费,本研究在Pytorch深度学习框架的基础上,提出一种基于GoogLeNet卷积神经网络的木节缺陷识别方法。该方法利用GoogLeNet网络对朽节、干节和死节等7种云杉木节缺陷的RGB图像进行自动提取特征,不需要对图像进行预处理,即可实现分类识别,采用全局平均池化的方法来代替全连接层,减少网络的参量。同时为了防止网络的过拟合,在网络中使用Dropout机制。实验结果表明,利用该卷积神经网络对7种木节缺陷的识别率可以达到95.42%,在木节缺陷图像处理中,GoogLeNet模型能准确有效地识别木节缺陷。

基于GoogLeNet深度迁移学习的苹果缺陷检测方法

针对目前国内苹果分选大部分以人工操作的现状,提出利用GoogLeNet深度迁移模型对苹果缺陷进行检测。检测结果表明,本文方法对扩充后的1932个训练样本的识别准确率为100%,对235个测试样本的识别准确率为91.91%。为评估目前苹果缺陷检测常用算法的性能,将GoogLeNet与浅层卷积神经网络(AlexNet和改进型LeNet-5)及传统机器学习方法(K-NN、RF、SVM)进行了对比,结果表明,与苹果缺陷检测的常用算法相比,本文方法具有更好的泛化能力与鲁棒性。

基于改进的GoogLeNet鸭蛋表面缺陷检测

文章提出了一种基于改进的GoogLeNet(GoogLeNet-Mini)的鸭蛋表面缺陷检测方法,并对比其他3种神经网络GoogLeNet、VGG16和AlexNet。结果表明,4种网络的测试集准确率分别为95.88%,94.16%,92.75%,85.43%。GoogLeNet-Mini对测试集3类鸭蛋(正常、脏污、破损)的检测准确率分别为98.43%,97.45%,95.88%。与GoogLeNet、VGG16和AlexNet相比,GoogLeNet-Mini具有更高的准确率,更好的泛化性与鲁棒性,且对3类鸭蛋的检测准确度均能达到生产要求,检测范围适用于脏污面积超过5%,破损面积超过2%的鸭蛋。

基于改进GoogLeNet的遥感图像分类方法

针对遥感图像的分类问题,文中提出了一种基于GoogLeNet卷积神经网络模型的遥感图像分类方法。根据遥感图像的特点,适当改进了GoogLeNet的网络结构;同时借鉴迁移学习的思想,采用在ImageNet上预训练的模型对不同的遥感图像数据集进行训练测试。分类准确率较改进前提高了10%以上,并节省了网络的训练时间。实验结果验证了该方法能提高遥感图像的分类准确率和节省训练时间的有效性。

基于GoogLeNet的混凝土细观模型应力-应变曲线预测

非均质复合材料的宏观力学性能往往取决于细观组分的分布方式和力学性能,但是建立明确的关系表达式极其困难.为了应对这一挑战,以混凝土为研究对象,提出了一种基于深度学习的策略,能够高效、准确地通过细观模型图像信息获取应力-应变曲线.首先,使用基于卷积神经网络(convolutional neural network,CNN)的GoogLeNet模型进行图像信息识别和提取,并针对应力-应变曲线的复杂性特点,进行了数据预处理操作,并且设计了相应的多任务损失函数.数据集中的细观模型图像采用基于Monte-Carlo的随机骨料模型生成,并且使用数值模拟试验获取对应细观模型的单轴压缩应力-应变曲线.最后,通过对神经网络的训练和测试评估了所提出方法的可行性.结果表明,GoogLeNet模型训练效率和预测精度均优于AlexNet和ResNet模型,具有良好的泛化能力和鲁棒性.

基于GoogLeNet的智能录播系统中站立人脸的检测与定位

针对目前智能录播系统中学生站立检测的需求,提出一种基于GoogLeNet神经网络的站立人脸的检测与定位算法。该算法首先利用帧差法和肤色检测初步确定学生站立活动区域,然后在该区域使用迁移学习训练的GoogLeNet神经网络检测是否存在人脸,若存在,则记录人脸的位置信息,最后通过人脸在垂直方向和水平方向上的运动距离来判断是否为站立的学生人脸。实验结果表明,本文方法基本可以实现学生站立人脸的检测与定位功能。

基于改进GoogLeNet模型的电气设备红外图像分割与识别

针对红外电气设备图像对比度低和信噪比低导致图像识别率不高的问题,提出一种改进的红外图像分割与识别方法。首先通过K均值聚类结合区域生长算法实现对图像的预处理,通过GoogLeNet网络对图像特征进行提取;其次在图像识别阶段,为提高识别率,引入超参数构建联合损失函数,以此改进GoogLeNet网络训练的识别率;最后搭建深度学习算法实验环境,并以实验室搜集的电气设备红外故障图像为例对图像进行识别。结果表明,所提方法可有效提取图像特征,并且识别率要明显高于improve_cnn、VggNet、AlexNet 3种模型。

基于GoogLeNet-GMP网络的自适应图像水印方法

为提高水印方案的抗攻击能力和自适应性,提出一种盲水印的GoogLeNet-GMP神经网络方案。首先,所提网络较为简约,最深的路径(即通过预处理网络、嵌入网络和提取网络的路径)仅包含17层。通过在水印预处理网络中提高水印分辨率来保持宿主图像的分辨率,由此增强了水印的透明性。同时,在水印预处理网络中使用平均池化,将水印数据的二进制值与宿主图像结合在一起,从而增强了水印的透明性。最后,提取器使用交叉熵作为损失函数,实现嵌入器和提取器之间的训练平衡。实验结果表明,所提方案性能出色,水印容量为0.003 8,数据集中的PSNR均值为40.57 dB。在有意义攻击下的性能优于其他先进方法。

卷积神经网络在图像目标检测中的应用

分析卷积神经网络(Convolutional Neural Networks,CNN)在图像目标检测中的性能,重点比较AlexNet、GoogleNet和ResNet50这3个流行模型在不同数据集上的表现。在CIFAR-100和CIFAR-10数据集上,GoogleNet和ResNet50表现出更精确的物体识别能力,而AlexNet相对稍弱。这些结果有助于深入了解CNN在图像识别任务中的性能和适用性。

MDI训练样本集构建对雷达探测旋翼无人机分类的影响分析

利用卷积神经网络对目标微多普勒特征进行深度学习是目前雷达探测无人机分类的重要手段。实际应用中,无人机参数如叶片转速、叶片长度、叶片初始相位、无人机方位角、无人机俯仰角、无人机径向速度等参数变化大,导致训练样本变化大。该文分析训练样本集对旋翼无人机分类结果的影响。首先建立单旋翼无人直升机、四旋翼无人机和六旋翼无人机雷达回波仿真模型。然后对其进行微多普勒特征分析提取,构建多种不同情况下的合并多普勒图像(Merged Doppler Images,MDI)训练样本集。最后利用GoogLeNet(Inception v1)得到不同情况下的无人机分类结果,分析训练样本集中样本数量、无人机单一参数变化、样本参数涵盖完整性以及无人机参数采样间隔对分类准确率的影响。实验结果表明:训练样本集的差异可能对分类准确率产生显著影响。

基于卷积神经网络(CNN)的高速路交通图片拥堵识别

近年来,高速路的拥堵问题变得越来越严重,传统的交通拥堵识别采用视频进行研究,其具有代价昂贵,识别速度慢的缺点。文章提出了一种基于图片进行交通拥堵识别的方法。因为卷积神经网络(CNN)在图像识别方面有着识别速度快,适用范围广,识别准确率高的优点,所以文章使用了带有relu激活函数代替传统的sigmod函数和tanh函数,并引入了dropout层的卷积神经网络模型Google Net,并对网络结构和参数进行了调整优化,得到了一个交通拥堵图片识别的改进的Google Net改进模型,该模型的样本内测试准确率达到了98.6%。在对2000张现实高速路上的图片进行识别测试后,测得其准确率为96.5%。采用文理特征的传统方法的高速路交通拥堵图像识别准确率为90%。