基于注意力机制的CNN-BiLSTM的IGBT剩余使用寿命预测

针对绝缘栅双极型晶体管(IGBT)可靠性问题,提出了一种融合卷积神经网络(CNN)、双向长短期记忆(BiLSTM)网络和注意力机制的剩余使用寿命(RUL)预测模型,可用于IGBT的寿命预测。模型中使用CNN提取特征参数,BiLSTM提取时序信息,注意力机制加权处理特征参数。使用IGBT加速老化数据集对提出的模型进行验证。结果表明,对比自回归差分移动平均(ARIMA)、长短期记忆(LSTM)、多层LSTM(Multi-LSTM)、 BiLSTM预测模型,在均方根误差和决定系数等评价指标方面该模型的性能最优。验证了提出的寿命预测模型对IGBT失效预测是有效的。

一种结合注意力机制的IGBT失效预测方法研究

针对IGBT的可靠性分析问题,提出一种长短时记忆网络和卷积神经网络为骨干网络的深度学习模型,将其应用于IGBT失效预测。模型中,引入的注意力机制给予不同维度的特征的重要作用部分更大的权重,以加强重要信息的影响。同时,网络结构的交叉连接充分挖掘不同层级的特征,融合的多层级特征提升了模型的泛化性与鲁棒性。在美国国家宇航局的IGBT加速老化数据集上进行验证,结果表明:相比于当前的主流模型,注意力机制以及交叉连接2种方案预测准确率的均方根误差分别提升1.27%和0.78%。基于此,进一步提出基于注意力机制与带有跳连结构LSTM-CNN相融合的网络模型,预测准确率的均方根误差提升2.68%。结论表明:在IGBT的失效预测中,注意力机制与交叉连接分别从不同的角度提升模型的泛化性与鲁棒性,充分表明所提方法的有效性。

基于知识增强与注意力机制的双通道图像描述研究

图像描述方法中在信息输入时只将图像作为输入,在端到端训练过程中,内部参数变化难以获取,很有可能造成错误.为进一步减小图像描述的不确定性,在图像描述任务中应用知识增强方法,即在输入端输入图像中的主题信息,将图像描述的范围确定化.提出了一种新的双通道图像描述架构,该架构包括主题通道与图像通道两部分,主题通道提取语义信息,并将其作为主题信息对图像信息进行知识增强;图像通道实现经典图像描述任务功能.两个通道都由极快速区域神经网络进行编码提取特征,采用注意力机制进行特征筛选,由长短期记忆网络进行解码预测信息.最后再使用一个长短期记忆网络综合两个通道的信息,实现主体通道对图像通道的知识增强并生成描述.该方法在数据集Flickr与MS COCO上测试,与一般的图像描述方法相比准确率获得了提高.

基于改进YOLOv5的锂电池极片缺陷检测

电极作为动力电池的重要组成部分,其质量关系到电池的性能、安全性以及使用寿命。针对锂电池制作工程定位与表面缺陷检测速度慢、精度低等问题,提出一种改进YOLOv5的特征检测算法。首先引入卷积注意力模块,对特征在通道和空间维度上进行融合增强,提高微小目标的检测精度;然后改进了损失函数达到保留有利特征和提高收敛速度的目的。最后,在自建极片缺陷数据集上实验检测,在检测速度不变的情况下,改进模型在测试集上的m AP提高了1.2%,召回率提高1.5%,能够满足极片缺陷检测要求。

改进Mask R-CNN的车辆检测算法

为提升在不同复杂场景下的车辆检测性能,提出一种基于改进Mask R-CNN的车辆检测算法.在算法的主干网络ResNet50中引入PSA极自注意力机制提升主干网络特征提取能力;在特征金字塔顶层网络中添加一个带有ECA注意力机制的分支与原分支进行特征融合,缓解顶层特征由于通道降维造成的信息损失.重新设计卷积检测头使得边框回归更为准确,并使用余弦退火算法和Soft-NMS算法来优化训练过程和后处理结果.实验结果表明,改进的Mask R-CNN车辆检测算法相比原Mask R-CNN算法在复杂场景下具有更高的检测精度,在CNRPark-EXT测试集中平均精确度提高3.8%,在更具挑战性的MiniPark测试集中平均精确度提高7.9%.

基于改进YOLOv5s网络的锂电池极片缺陷检测

锂电池被广泛应用于工业生产,针对传统方法在检测锂电池极片缺陷时存在漏检和误检率高等问题,提出一种以YOLOv5s模型为基础网络进行改进的检测算法。首先,针对锂电池极片图像分辨率低且缺陷目标较小的问题,在主干网络引入空间深度层(SPD)和无步长卷积层(Conv),以提升小目标缺陷的检测性能;其次,将通道维度(SE)注意力机制嵌入C3模块中,并将原YOLOv5s模型网络中的C3模块替换为新的C3SE模块,以强化模型的特征表达能力;最后,在特征融合网络的最后一层引入注意力机制,以提高模型的特征融合能力。实验结果表明,改进模型与原YOLOv5s模型相比,平均精度均值达96.8%,提升了5.5%,能够更好地满足锂电池极片制造工业的需求。

基于时域特征与LSTM-Attention的IGBT退化预测方法

绝缘栅双极晶体管(IGBT)在可靠性分析任务中时间信息难以充分利用,导致预测精度不高。文中提出一种基于多维时域特征和注意力机制的深度学习方法,该方法结合主成分分析(PCA)技术、长短时记忆网络(LSTM)和注意力(Attention)机制。首先,采用时域分析来手动提取原始数据中的多维时间特征,并利用PCA技术对其进行特征融合处理;然后,利用LSTM网络从样本数据中自动学习序列特征,引入的Attention机制能够对更重要的特征和时间步长赋予更大的权值。最后,使用NASA Ames实验室加速老化数据库进行实验,结果表明所提方法优于最新方法。手动提取的时间特征在经过特征融合后,可以作为序列数据预测任务中的有效退化特征,并结合Attention机制大大提高预测精度。

基于改进YOLOv7的锂电池极耳缺陷检测研究

为了提高锂电池极耳缺陷检测的准确率和速度,提出一种改进YOLOv7的极耳缺陷检测方法。改进YOLOv7基础模型,采用Focal-EIoU损失函数代替CIoU作为边界框回归算法,以提高边界框收敛速度,优化定位结果;替换可切换空洞卷积SAConv增强模型的特征提取能力;引入SE注意力机制,提高模型对不同尺度特征的全局把控能力。实验结果表明,改进后的Our-YOLOv7模型在测试集得到的mAP为98.6%,检测速度为64FPS,分别比原模型提高了5.4%和3FPS,该模型符合锂电池极耳缺陷检测任务的实时性和精度需求,可为极耳缺陷检测研究提供一定的参考。

基于改进YOLOv5s的齿轮表面缺陷检测

为解决传统齿轮表面缺陷检测精度低、速度慢等问题,设计了一种基于通道和空间的注意力机制的齿轮表面缺陷检测方法。在YOLOv5s网络模型的基础上引入卷积注意力模块,对特征在通道维度和空间维度上进行融合增强,增强缺陷区域特征并抑制背景区域特征,提高小目标的检测精度;同时改进了非极大值抑制的后处理方法,改进后的方法(DIOU_NMS)将预测框与真实框的重叠区域和2个框之间的中心点距离作为抑制原则,提升复杂背景下目标的检测精度。实验结果表明,该方法的平均精度均值mAP_0.5为90.3%,相比YOLOv5s提升了1%,检测速度FPS为75 f/s,模型大小为14.8 MB,满足齿轮表面缺陷检测实时性和准确性的需求。

改进YOLOv5s的口罩佩戴检测算法

针对现有口罩佩戴检测算法难以在密集场景下检测小目标及检测精度低等系列问题,提出了一种改进YOLOv5s的口罩佩戴检测算法。首先,采用PSA极化自注意力机制,使得模型更专注于口罩这一特定类别检测。其次,引入ASFF模块让模型达到充分利用不同尺度特征的效果。接着,增加尺度检测,强化原模型在密集复杂场景下的特征提取能力,扩展检测区域,提高对于口罩这类小目标的检测精度。最后,将原模型使用的回归损失函数修改为EIoU Loss,使网络在训练时可以保证预测框更快收敛。实验结果表明,改进之后的算法相较原算法在维持较快检测速率基础上平均准确率提高4.2%,和现有其他主流检测算法对比精度也有较大提高,能够较好地对人员口罩佩戴情况进行检测且满足实时性的要求。