基于U-Net卷积神经网络的织物压力传感阵列串扰解决方法

为解决压阻式柔性压力传感阵列中存在的异常传感单元与串扰现象导致采集到的压力数据不准确的问题,构建了具有32×32个传感单元的压阻式柔性织物压力传感阵列系统,对传感单元检测值出现异常的原因进行了分析,采用中值滤波算法对系统获取的压力分布云图中的异常值进行处理;针对串扰现象,构建了U-Net卷积神经网络模型,采用机器学习方法对织物压力传感阵列系统生成的压力云图进行修正,设计了模型输入、输出数据集的采集方法。结果表明,经中值滤波算法处理后的压力云图的峰值信噪比处于30~40 dB之间,反映出中值滤波算法对异常值处理的效果较为理想;U-Net卷积神经网络模型训练过程中的均方根误差最终达到7.1,表明模型获得了较好的训练效果,通过与无串扰效应的柔性压力传感阵列采集的压力云图进行对比,表明U-Net模型能够有效消除串扰现象对织物压力传感阵列压力云图显示结果的影响。

基于改进U-Net卷积神经网络的数字图像智能分类方法

环境噪声和干扰可能会对数字图像智能分类方法的性能产生负面影响,导致分类速度慢。为此,研究基于改进U-Net卷积神经网络的数字图像智能分类方法。通过去噪、增强和标准化处理,提高数字图像的质量;利用改进U-Net卷积神经网络提高预处理后的图像的维度,使网络能够学习到更丰富的图像信息;采用分割算法将图像划分为多个区域,通过关键点精确定位技术,准确识别出图像中的关键特征点;对比待分类图像与已知类别的图像相似度,实现智能分类。实验结果表明:与传统的分类方法相比,新方法在分类速度更快,实际应用价值更高。

基于U-net卷积神经网络的电磁场快速计算方法

有限元法(FEM)是物理场分析常用的方法,但庞大的求解自由度导致FEM计算成本很大。针对FEM计算时间长的问题,构建一种基于U-net卷积神经网络的物理场快速计算方法,将样本数据通过栅格化或点云化处理后作为神经网络的输入和标签数据,通过网络训练实现物理场的快速计算并研究该方法在电磁场计算中的应用。结果表明,该方法能准确有效地预测电势、电场强度、磁感应强度等物理量的分布,且预测时间较FEM仿真计算时间大幅缩短。同时,通过合理选择数据集大小,即使在小数据集下也能有较高的预测精度。

基于改良U-Net卷积神经网络的复杂地质构造智能识别

浅地层中的地质异常体给地下工程带来了极大安全隐患,可能导致经济和生命损失.浅层地震法是开展施工场地勘察的一种无损高效的手段.但是地震勘探在浅地层问题中面临着信噪比低、信号衰减强、波场复杂等问题,结果存在多解性和主观性.针对地震勘探问题,提出了一种改良的卷积神经网络地质速度模型预测模型,提供了一种无需初始速度模型的浅层地质模型反演方案,形成了一套完整的浅层地震勘探信号处理处理流程.在训练样本方面,采用了随机地质模型方法构建多种类地质模型,并形成了地质模型-地震信号数据库.在传统U-Net卷积神经网络上进行了改良,以更好地适应浅地层弹性波叠前信号数据的反演任务.结果表明,神经网络的反演结果直观准确该模型能够精确地预测出地层分界线、褶皱、起伏、断层滑移线等的位置和大小等参数,所采用的SSIM和PSNR两个定量化评价指标均表示,所提出的改良神经网络可以实现高精度反演.预测结果与真实模型相比较,得到的SSIM平均值为0.91,PSNR平均值为39.0.同时该神经网络模型能够向三维问题扩展,能够极大地提高地震信号处理的效率和解译精度.

基于U-Net卷积神经网络的焊缝激光条纹提取

针对钢件焊缝激光条纹图像中存在强眩光、强弧光和飞溅遮盖等干扰问题,提出了一种基于U-Net卷积神经网络的焊缝激光条纹特征提取方法。该方法融合底层卷积的细节特征与高层卷积的抽象特征信息,生成紧凑的焊缝激光条纹图像特征。在采集到的数据上测试,检测准确率达到99.80%,平均交并比达到82.67%。该网络构建的参数少(大小为22.58 MB),且在与传统方法的对比中获得了更好的效果。因此,构建的网络模型检测准确率高,抗干扰能力强,能够满足自动化电弧焊接中检测焊缝激光条纹的要求。

基于U-Net卷积神经网络的管道漏磁异常检测

提出了一种基于深度网络的图像分割方法,对漏磁图像进行异常检测.该方法基于U-Net网络模型来提取管道图像异常特征,该网络模型分成2个部分,分别是Encoder和Decoder.其中Encoder是基于Resnet的改进网络,Decoder是基于U-Net的网络.在Encoder部分用深度可分离卷积代替原始的卷积部分,引入空洞卷积.运用基于对抗网络的训练方法对异常图像进行进一步修正,提升了检测准确性.实验结果显示:该方法在真实管道数据集上的IoU达到了0.983,可以满足众多工业应用的需求.

基于U-net卷积神经网络的大转角ISAR成像方法

针对ISAR成像在大转角条件下产生严重的越距离单元徙动从而使得ISAR图像散焦的问题,提出一种基于U-net卷积神经网络的大转角ISAR成像方法。首先利用快速傅里叶变换对大转角条件下的回波数据进行预处理,得到散焦的ISAR复值图像作为训练样本,其次,根据ISAR成像特点对U-net网络结构进行了改进,训练后得到具有良好聚焦能力的成像网络。仿真实验表明:与传统大转角ISAR成像方法相比,所提方法将ISAR图像的峰值旁瓣比降至-18d B以下,具有更小的图像熵和最小均方误差,成像时间缩减至0.28s左右,在低信噪比条件下仍可以实现ISAR图像的快速、准确重建。

基于U-net卷积神经网络图像分割的波浪测量方法

针对水体运动导致电子传感装置测量结果准确性下降的问题和阈值分割法无法在光照场景下测量波面的问题,文章提出了一种基于U-net卷积神经网络的波浪测量方法。实验过程首先由高清摄像机录制水槽中的波浪运动过程,将视频处理成时间连续的波面图像,其次通过U-net卷积神经网络对波面图像进行图像分割并提取水位线数据信息,最后求出波高和周期。以像素识别结果为基准,将本研究方法的测量结果与波高传感器的测量结果进行误差对比,结果表明U-net卷积神经网络的相对误差最大为2.25%,而传感器误差最大为4.15%,且实验组中U-net卷积神经网络测得平均波高的相对误差均在2.5%以内,平均周期的误差都低于1%。因此,基于U-net卷积神经网络的测量方法可用于实验室的波浪测量。

基于改进U-Net卷积神经网络的储层预测

传统的U-Net卷积神经网络大多存在深层网络梯度消失的问题。本文在U-Net卷积神经网络中加入残差模块,提出了一种改进U-Net卷积神经网络。残差模块保证了U-Net卷积神经网络在误差反向传播过程中梯度的存在,在一定程度上可以缓解梯度消失的问题。最后将改进U-Net卷积神经网络应用于实际储层预测中,实际数据测试结果表明基于改进U-Net卷积神经网络在岩性识别以及"甜点"预测上均能取得较好的效果。

基于U-Net卷积神经网络的遥感影像变化检测方法研究

针对目前遥感影像传统变化检测方法中存在的影像预处理技术要求苛刻、部分环节需采取人工干预、难以做到信息提取自动化、难以处理海量多源数据等问题,基于深度学习卷积神经网络方法,进行U-Net网络模型在遥感影像变化检测中的应用研究。以水体为例,利用该方法对两时相的遥感影像进行变化检测,通过对比基于支持向量机(SVM)的分类后比较法后发现,在给予大量充分训练数据的情形下,利用该方法对试验数据进行变化检测,得到的卡帕系数Kappa为0.88,总体精度为97.06%,相比传统方法精度有所提升,说明本文方法进行变化检测有一定的可用性。研究可为自然资源调查管理提供极强的现势性数据,对开展自然资源管理工作的动态监测提供一个可行的方案。

基于改进型U-Net卷积神经网络的磁片表面缺陷检测

为了对磁片质量检测过程中常见的缺角、划痕、脏污缺陷准确地分割,利用U-Net卷积神经网络的编码解码功能,提出了一种改进的U-Net网络的磁片缺陷图像分割算法。该方法采用深度可分离卷积来减小计算量与模型参数量,结合注意力机制sSE block提炼图像特征图,提高模型的准确率。实验结果表明,所提出算法在磁片缺陷检测中网络的输出图像失真更小,针对缺角、划痕、脏污缺陷检测取得了良好的表现,网络检测结果的准确率(AC)分别达到98.23%、97.25%、96.57%,与原始网络相比提高了1.1%~2.86%,平均交互比(MIoU)分别达到了84.72%、77.36%、75.81%,提高了1.5%~3%,图像分割的效果良好。将改进后的网络在车间现场进行测试,误报率小于5%,漏报率为0。

基于3D U-Net++卷积神经网络的断层识别方法及应用

断层解释是地震资料解释的基础与关键,准确合理的断层识别对油气开采有着至关重要的作用。随着油田对断层解释精度需求的日益提高,单纯通过基于人工的如相干体、曲率等属性的传统断层解释方法,其精度已无法满足要求。笔者在U-Net卷积神经网络模型的基础上进行改进,得出了一种自动断层识别方法,能够从任意三维地震图像中自动提取断层。文中该模型在足量样本集训练下,对两区块的实际地震数据进行自动断层识别,将识别结果进行分析对比。实验结果表明,该模型能够对任意三维地震数据进行自动断层识别,基于3D U-Net++网络模型的断层识别结果相比于传统U-Net网络识别结果准确性有明显提高,对潜山内部的小断层识别也表现出良好的效果,明显提高了常规、复杂断层识别的工作效率。

基于时空图卷积神经网络的强迫振荡定位与传播预测

振荡源定位与传播预测是抑制强迫振荡和保证电力系统稳定的关键。现有方法未能充分利用电网的空间拓扑信息和振荡的时序特征,限制了定位和预测的精度。因此,该文提出一种基于时空图卷积神经网络的强迫振荡定位与传播预测方法。首先,根据节点特征和拓扑信息构建图数据,考虑到强迫振荡传播的快速性,通过切比雪夫多项式扩大节点空间感受野,提取振荡空间特征。同时,利用门控循环单元网络提取多个节点振荡数据的时序关联,通过时空图卷积单元融合空间和时序特征。然后,将定位与传播预测分别建模为分类和回归问题,训练时空图卷积神经网络模型。算例分析表明,所提方法具有更高的准确率,且在噪声和部分节点数据缺失的情况下依然具有较好的性能。

基于卷积神经网络的预制叠合板多目标智能化检测方法

在生产过程中,预制构件尺寸不合格问题将导致其在施工现场无法顺利安装,从而影响工期。为推进预制构件智能化生产的进程,以预制叠合板为例,基于卷积神经网络研究生产过程中的智能检测方法,在生产流水线上设计并安装图像采集系统,建立预制叠合板尺寸检测数据集。通过YOLOv5算法实现对混凝土底板、预埋PVC线盒及外伸钢筋的识别,并以固定磁盒作为基准参照物进行尺寸检测误差分析,实现混凝土底板尺寸、预埋PVC线盒坐标的检测,在降低训练数据集参数规模的工况下保持较高的识别精度。结果表明:该方法可以有效检测预制叠合板的底板数量和尺寸、预埋PVC线盒数量和坐标,并实现弯折方向不合格的外伸钢筋检测,并能降低人工成本,提高检测精度,加快检测速度,提高预制叠合板的出厂质量。

融合多小波分解的深度卷积神经网络轴承故障诊断方法

针对卷积神经网络及其与信号降噪预处理集成方法面临高噪声环境和低质量数据挑战时难以有效地提取信号有用特征的问题,提出了一种融合Geronimo-Hardin-Massopust多小波分解的深度卷积神经网络模型(GHMMD-DCNN)。该模型思想是将多小波包分解与卷积神经网络深度融合,即设计多个一级多小波分解层以提取信号的低频分量和高频分量,再将多个一级多小波分解层与卷积层交替联接,使模型能够多尺度地提取并学习信号有用的时频域信息,信号分解和特征学习交替执行,进而实现强噪声鲁棒特征提取。在不同工况下的航空高速轴承振动数据上进行测试,结果表明:所提模型训练时能够快速达到稳定收敛,并且识别准确率均能达到99.9%以上;提出的方法在强噪声干扰下的故障辨识准确度和识别稳定性均优于对比方法,验证了其优秀的抗噪声干扰能力;在少训练样本测试中,提出的方法在单类训练样本数量为60时的平均诊断准确率高达91.19%,相比于其他方法最低提升了13.19%,验证了GHMMD-DCNN模型具有更优的低样本泛化能力。

基于卷积神经网络的移动机器人声源定位方法综述

听觉系统是机器人感知周围环境信息的重要途径之一,精准有效地进行声源定位,可极大提高移动机器人的感知与决策能力。将声源定位应用于危险环境救援与巡检具有重要工程意义。随着深度学习的广泛应用,引入卷积神经网络(convolutional neural networks, CNNs)的声源定位效果显著改善。将移动机器人声源定位研究从网络架构与改进、声音特征类型、数据仿真与增强,以及多模态信息融合四个角度进行综合对比及分析,并对技术的应用提出思考与展望。

应用卷积神经网络VGG16的星载GNSS-R海冰检测

针对全球卫星导航系统反射计(global navigation satellite system-reflection,GNSS-R)海冰检测中延迟-多普勒图(delay-Doppler map,DDM)数据噪声大、消融期精度低等问题,提出将VGG16卷积神经网络模型应用于海冰检测。通过深层的网络结构提取DDM多层次特征进行海冰海水分类,以提高海冰检测的精度和稳定性。实验结果表明,与美国国家海洋和大气管理局地表类型数据对比,所提出的基于VGG16海冰检测方法检测准确率为98.02%,有效提升了海冰检测的准确率和稳定性。

融合注意力机制卷积神经网络的扬声器异常声分类

针对扬声器异常声非线性、非平稳且易受外部噪声干扰,以及因特征冗余而导致扬声器异常声识别率偏低的问题,提出一种基于变分模态分解(variational mode decomposition, VMD)和一维卷积循环注意力网络(1DCNN-BiLSTM-Attention)相结合的扬声器异常声分类方法。首先,采集不同类型异常声信号,采用VMD对异常声信号进行分解并提取扬声器异常声特征,构建标签化的初始数据;其次,将特征数据输入至1DCNN-BiLSTM网络中进行初始化特征提取,利用注意力机制自适应优化网络对异常声特征的学习权重,提升网络对特征鉴别能力,并优化Dropout抑制网络在训练过程中存在的过拟合问题,构成1DCNN-BiLSTM-Attention分类网络;最后,将所提方法应用于扬声器异常声分类中。实验结果表明:该方法可以有效提取到扬声器异常声中的关键特征,平均分类准确率为99.17%,与VGG16、RF和DCNN相比,其准确率分别提高了13.14%、0.56%,12.34%。

基于卷积神经网络的遥感图像目标识别仿真

在遥感图像中,目标往往位于复杂的地物背景中,包括不同类型的植被、土地覆盖、建筑物等。上述复杂的地物背景对目标识别造成了困难。为了精准识别遥感图像目标,提出一种卷积神经网络下遥感图像目标识别算法。将暗通道原理和双边滤波算法有效结合,对遥感图像展开增强处理。统计分析遥感图像目标尺度范围,通过训练和测试卷积神经网络,得到最佳目标感兴趣区域尺度。确定目标感兴趣区域最佳尺度后,构建基于卷积神经网络的遥感图像目标识别架构,完成遥感图像目标识别。通过实验分析证明,采用所提算法可以有效提升遥感图像增强效果,具有较好的遥感图像目标识别性能。

基于卷积神经网络的采摘机械臂无碰撞运动规划研究

介绍了卷积神经网络的基本结构及其工作原理,基于DH参数法建立了采摘机械臂运动模型,并设计了一套采摘机械臂无碰撞运动规划算法,旨在实现对采摘机械臂的精确控制。MatLab仿真试验表明:采摘机械臂在系统的驱动控制下,能够准确从起点移动到目标点,轨迹比较圆滑,且能以最优的圆弧路径避开障碍物,优化效果明显,能够满足采摘机器人作业需求,证实了该算法的稳定性和可靠性。