基于SE-ResNeXt的滚动轴承故障诊断方法

针对滚动轴承在故障诊断过程中信号特征提取困难导致诊断准确率低、鲁棒性差的问题,提出一种基于Squeeze-Excitation-ResNeXt(SE-ResNeXt)网络的滚动轴承故障诊断方法;将采集的一维轴承振动信号作为输入,进行滑动窗口采样与标准化处理,通过压缩、激励操作进行特征重标定,扩大模型感受野,并级联聚集残差变换网络自适应提取故障信号特征;在模型训练过程中选择最优压缩率为1/8以及8个组卷积,引入Relu函数加快网络收敛,使用全局平均池化替代全连接层避免过拟合现象,构造能够自主进行表征学习的最优故障诊断模型;通过仿真实验表明:与目前的深度学习算法相比,SE-ResNeXt网络能够准确的实现轴承故障诊断,并在高噪声的环境下仍具有较好的鲁棒性。

一种改进YOLOv3的学校场所目标识别方法

基于遥感影像进行特定场所类型的识别在智慧城市规划、土地利用分析、平安城市建设等多方面都具有重要意义。然而,不同场所的环境景观属性(如道路和停车场等)比较复杂,难以用传统的分类或目标识别方法基于简单的规则进行识别。卷积神经网络具有较强的空间信息挖掘能力,尝试对著名的YOLOv3模型进行改进,提出一种名为YOLO-S-CIoU的新模型,用于学校场所目标的识别。主要改进工作包括:1)使用SRXnet模块替换YOLOv3中的Darknet53模块以提高特征学习能力;2)利用complete-IoU loss(CIoU loss)优化边界框的回归;3)基于自制的学校场所样本数据集(SS数据集)进行训练和验证。实验结果表明,YOLO-S-CIoU的平均精度(AP)达到96.46%;参数量为226 MB。与改进前YOLOv3相比,YOLO-S-CIoU实现了参数量9 MB的下降以及AP 2.3%的提升。此外,在新疆图木舒克市和烟台市区域遥感影像中对学校场所目标识别,召回率比YOLOv3分别提高37.5%和42.2%。这表明改进后的网络模型在不同地理区域的遥感影像识别中具有更强的鲁棒性和更高的识别能力。

基于多尺度特征融合的肺结节良恶性分类方法

为解决肺结节分类问题中肺电子计算机断层扫描(computed tomography,CT)图像特征提取不全面和随着卷积网络深度的加深易导致的梯度消失问题,提出一种基于多尺度特征融合网络(multi-scale feature fusion network,MSFFNet)的肺结节良恶性自动分类模型.使用多尺度卷积操作对输入的肺结节CT图像分别进行不同范围的特征提取和特征的融合拼接,解决特征提取不全面的问题;引入SE-ResNeXt模块,充分利用通道注意力机制,有效解决特征信息丢失的问题;输出肺结节良恶性的分类结果.在大型公开可用的肺图像联合数据库(lung image database consortium,LIDC-IDRI)上进行实验,MSFFNet模型的分类准确率达97.2%,特异性和敏感性分别为96.14%和98.62%,优于SE-ResNeXt等方法的分类效果.

基于工程环境背景下安全帽佩戴检测算法研究

针对当前安全帽佩戴检测算法存在结构复杂、鲁棒性差等问题,提出一种借助改进后的YOLOv3算法进行安全帽佩戴检测。利用包含通道注意力机制的SE-ResNeXt残差结构,替换YOLOv3模型中Darknet53网络的残差结构,在不加深网络结构的情况下,利用通道注意力机制,捕获特征有用信息,达到提高特征表示能力的目的。再利用空间池化金字塔模块,对待测图片进行多尺度提取,提高检测精度。最后将IOU损失函数替换成CIOU损失函数,在进一步提高检测精度的同时,加速模型收敛。通过自建数据集验证可知,改进后模型检测准确率相比于原始YOLOv3模型,检测平均精确度(mAP)提高了4.29%,每秒检测帧数(FPS)提高了8.67%。

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。