基于ResNeXt网络的滚动轴承剩余使用寿命预测

为了准确掌握滚动轴承剩余寿命信息,评估轴承的退化状态,提出了一种基于深度学习理论的卷积神经网络模型,对轴承剩余使用寿命进行预测。通过选取最新的ResNeXt作为网络骨干,设计卷积神经网络模型。该网络模型可以堆叠大量的卷积层从而抽取到丰富的语义特征,即使在训练数据较少时仍然具有很好的泛化能力。最后在公开数据集上对算法进行了训练和验证,表明该方法可以根据滚动轴承的振动信号较为准确地对轴承的剩余使用寿命进行预测。

基于非对称卷积−压缩激发−次代残差网络的人脸关键点检测

级联深度卷积神经网络(DCNN)算法为首先在人脸关键点检测中使用卷积神经网络(CNN)的模型,CNN的使用使得检测精度得到极大的提升。针对该策略需要对相邻阶段间的数据反复进行回归处理使得算法流程十分复杂的问题,提出基于非对称卷积−压缩激发−次代残差网络(AC-SE-ResNeXt)的人脸关键点检测算法。所提算法仅使用单阶段回归,既避免了级联策略中多阶段回归的算法流程复杂性,又解决了相邻阶段间数据需要进行预处理的问题。为了不降低精度,在次代残差网络(ResNeXt)块的基础上添加了非对称卷积(AC)模块和压缩激发(SE)模块,构建了AC-SE-ResNeXt网络模型。同时,为了能够精确拟合在不同光照、姿态、表情等复杂环境下的人脸,将AC-SEResNeXt网络模型加深到101层。对训练好的模型分别在数据集BioID和LFPW上进行测试,其中该模型在BioID数据集上的人脸五点关键点检测的综合平均误差率为1.99%,在LFPW数据集上的人脸五点关键点检测的综合平均误差率为2.3%。实验结果表明,所改进的算法不但简化了算法流程使之能进行端到端处理,而且其精度与级联DCNN算法相当,鲁棒性也有明显提升。

基于MTF与改进ResNeXt神经网络的齿轮箱故障诊断

齿轮箱的振动信号包含丰富的信息。通过将采集到的一维时序信号转换为二维图像,可进一步增强信号特征,从而更好地表征设备状态。基于此,提出一种基于马尔可夫变迁场(MTF)与改进ResNeXt神经网络相结合的齿轮箱故障诊断模型。通过MTF对采集到的一维信号进行转换,得到与时序相关的二维特征图。采用像素平均法对图像进行压缩,以更好地突显其特征信息。最后,将压缩后的图像送入改进ResNeXt神经网络中进行故障识别分类。通过使用动力传动故障诊断综合实验台齿轮箱数据,验证了模型的可行性,并确定了图像转换的最佳尺寸。此外,通过使用凯斯西储大学滚动轴承数据进行消融及抗噪性实验,验证了该模型的有效性与泛化性。

基于卷积语义增强的细粒度图像分类方法

细粒度图像分类是指基于已划分的基本类别而进行的更细粒度的子类别划分。由于细粒度图像分类具有类间差异小、类内差异大的数据特征,使其成为了一项非常具有挑战性的研究任务。通过对现有细粒度图像分类算法和模型的分析研究,提出一种基于卷积增强多尺度特征语义的弱监督细粒度分类方法。该方法通过卷积关联高低层特征,运用高层特征语义突出底层有意义的特征,抑制语义无效的底层特征,进而获得更具表达能力的多尺度特征。在以ResNeXt-101网络作为骨干网络和特征提取网络的基础上,在3个常用的细粒度图像数据集上对该方法进行实验验证,取得的分类正确率分别为88.3%、93.7%和94.3%。实验结果表明,与增强全局特征子特征的语义方法SEF、采用并行卷积块的多层特征融合方法MFF等其他多个主流细粒度分类算法相比,所提方法取得了更好的分类效果。

基于视频分析的空管员违规行为识别方法

为利用视频数据对空管员违规行为进行智能化分析,降低不安全事件发生率,提出2阶段的违规行为识别模型(AR-ResNeXt),基于实地调研构建空管员视频数据集,利用最小化动态多实例学习损失函数和中心损失函数,获得违规行为检测的判别特征表示,结合异常回归网络和ResNeXt网络,完成对空管员违规行为的时序区间检测与动作分类。研究结果表明:AR-ResNeXt模型在自制数据集中,其帧级AUC达到82.9%,分类准确率达到87.8%,可准确识别空管员发生违规行为的时序区间并进行分类,研究结果可为保障空中交通安全奠定基础。