基于1D-LeNet-5模型的滚动轴承故障诊断方法

风力发电过程中,轴承能否正常运行关系到风电机组能否正常工作.针对现有基于深度学习的轴承故障诊断模型结构复杂、参数众多和训练困难的问题,提出了基于LeNet-5模型改进的一维卷积神经网络滚动轴承故障诊断方法.首先,为了更大程度提取故障信息,引入短时傅里叶变换对原始振动信号进行预处理.其次,设计一维网络模型,其感受野更大,计算速度更快;同时,引入Leaky-ReLU激活函数,其对输入信号的细节处理能力更强;并且增加批归一化层和Dropout层,提高模型泛化能力.最后,利用训练后的模型进行故障诊断实验.结果表明,该方法在10类轴承故障分类中诊断准确率能够达到99.98%,针对风电机组轴承故障诊断具有较好的工程应用前景.

基于LeNet-5卷积神经网络的物探野外手写数字识别方法与实现

物探队野外采集作业时,往往需要野外操作手拍摄作业过程,其中包括当前作业位置的桩号信息,以此来协助室内质检人员对采集的视频数据进行质检工作。传统质检工作常常是由质检人员观看野外作业视频,通过查看视频中所展示的桩号信息是否正确,从而完成该项质检内容,上述质检流程浪费了大量的人力、物力,质检效率较低。本文详细介绍了LeNet-5卷积神经网络模型,并在此基础上利用Matlab软件,实现了对LeNet-5模型的训练和测试。通过训练效果图和测试结果可以看出,LeNet-5卷积神经网络模型可以快速、准确的识别物探工区手写数字,具有较好的准确性、时效性和可重复性。

基于卷积神经网络LeNet-5的车牌字符识别研究

将卷积神经网络LeNet-5引入到车牌字符识别中。为了适应目前中国车牌字符识别的需要,对传统的卷积神经网络LeNet-5的结构进行了改进,主要是改变输出单元的个数与增加卷积层C5特征图的个数。研究结果表明,改进后的LeNet-5比传统的LeNet-5的识别率有所提高,识别率达到98.68%。另外,与BP神经网络进行了比较研究,从实验中可以看出在字符识别的正确率和识别速度上都优于BP神经网络。卷积神经网络在车牌识别中具有很好地应用前景。

基于改进LeNet-5网络的交通标志识别方法

针对传统LeNet-5卷积神经网络用于交通标志等多种类识别任务中,存在识别正确率低、网络容易过拟合以及梯度消失等问题进行改进。引入Inception卷积模块组来提取目标丰富的特征,同时增加网络的深度。引入BN (batch normalization)层对输入批量样本进行规范化处理;同时改用性能更好的Relu激活函数,并使用全局池化层代替全连接层,合理改变卷积核的大小和数目。研究结果表明,改进LeNet-5网络能够有效解决过拟合和梯度消失等问题,具有较好的鲁棒性;网络识别率达到98. 5%以上,相比CNN (convolutional neural network)+SVM (support vector machine)提高了约5%,比传统的LeNet-5网络提高了3%。可见,改进后的LeNet-5网络图像识别的准确率得到显著提高。

基于LeNet-5模型的太阳能电池板缺陷识别分类

太阳能电池板是光伏发电组件的核心部件,其质量的优劣直接关系安全发电和发电效率。因此,对太阳能电池板进行缺陷检测具有重要的实际价值。考虑到人工检测的低效性和高成本,本文提出利用在深度学习领域图像分类性能良好的卷积神经网络对太阳能电池板图像进行自动识别分类。利用Tensorflow平台Tensorboard的可视化性能,对经典卷积神经网络Le Net-5模型进行结构改善和超参数的调整,并将改进LeNet-5模型与经典LeNet-5模型和支持向量机的分类结果互相对比,结果表明改进LeNet-5模型的分类效果最优。

基于卷积神经网络LeNet-5的货运列车车号识别研究

针对货运列车车号字符识别,提出了基于卷积神经网络Le Net-5的改进识别方法,考虑到卷积神经网络的层次化以及局部领域等结构特点,对网络中各层特征图的数量及大小等参数进行相应的改进,形成了适用于货运车号识别的新网络模型。实验结果表明,该方法对车号的断裂、污损等问题的解决有较强的鲁棒性,达到了较高的识别率,为整个车号识别系统的精确性提供了保障。

基于改进LeNet-5网络的车牌字符识别

引入了Inception-SE卷积模块组来提升LeNet-5网络的广度与深度,运用SE模块增强了有用的特征并抑制了对当前任务用处不大的特征;使用BN层和Dropout优化网络,防止梯度弥散,提升精度;使用全局池化层(global average pooling,GAP)代替全连接层来减少网络计算参数.研究结果表明:改进后网络的识别精度达到了99.88%,比传统的LeNet-5网络提高了1.71%.

基于改进的LeNet-5网络在单通道图像分类中的研究

针对卷积神经网络在进行图像分类时,存在单通道提取特征不充分和收敛慢等问题,提出一种改进的LeNet-5深度卷积神经网络模型。该模型对通道数量、层次结构等进行了改进,并设计局部误差结构,利用算法来增加局部误差产生数量和层间权值的调整次数。实验表明,与传统的LeNet-5网络相比,所提出模型收敛速度更快和分类准确率更高。

基于Lenet-5的卷积神经网络改进算法

在当前语音识别和图像识别领域,卷积神经网络已经取得了很大的成功。现有的Lenet-5卷积神经网络是多层网络结构,但是大量实验表明,从全链接层到输入层的回调影响了最终的精度,特别是在有限数据量的情况下。因此提出了单层回调的Lenet-5算法,即在Lenet-5卷积神经网络的卷积层后添加一个临时输出层,与真实标签进行比较,根据误差函数对层间参数进行回调,并用全球手写数字MNIST数据集进行训练和测试。实验表明,即使在有限数据量的情况下算法的精度仍能得到提高。

基于改进LeNet-5的车牌识别算法

传统的车牌识别算法包括模板匹配、特征统计等方法,但是这些算法依赖于人工提取图像特征,识别准确率低。卷积神经网络LeNet-5算法能够自动提取车牌图像的特征,提高车牌识别准确率。但是目前基于LeNet-5网络结构的车牌识别算法存在识别不完整,运算时间长等缺点。提出基于改进的LeNet-5网络的车牌识别算法,该算法将输入车牌字符图像归一化为32×16大小,并通过删除传统LeNet-5网络中的C5层、修改输出层中神经元个数等,将车牌字符按照汉字和数字/字母的形式识别输出。通过采集大量车牌数据进行训练验证,结果表明:与前人改进的LeNet-5网络结构相比,本文算法在识别率和时间效率上均得到了提高。

基于改进的卷积神经网络LeNet-5的车型识别方法

针对现有车型识别算法的耗时长、特征提取复杂、识别率低等问题,引入了基于深度学习的卷积神经网络(convolutional neural network,CNN)方法。此方法具有鲁棒性好、泛化能力强、识别度高等优点,因而被广泛使用于图像识别领域。在对公路中的四种主要车型(大巴车、面包车、轿车、卡车)的分类实验中,改进后的卷积神经网络LeNet-5使车型训练、测试结果均达到了98%以上,优于传统的SIFT+SVM算法;另外,还研究了改进网络中的Dropout层对车型识别效果的影响。与传统算法相比,经过改进后的卷积神经网络LeNet-5,在减少检测时间和提高识别率等方面都有了显著提高,在车型识别上具有明显的优势。

基于改进的LeNet-5卷积神经网络交通标志的识别

针对目前现有交通标志识别算法耗时长、识别率低等问题,提出了一种改进的LeNet-5卷积神经网络模型(Improved LeNet-5 Convolutional Neural Network,ILN-CNN).首先,对原有的LeNet-5卷积神经网络模型构造2个相对独立的不同卷积核的子卷积网络,用于加快特征提取;其次,增加子网络中卷积核的个数,以增强网络区分不同交通标志的能力;最后,添加激活函数ReLU,增加Dropout层,以达到加快函数收敛,避免CNN过度拟合,降低神经元间互适应的效果.实验结果表明:与传统的系统结构相比,ILN-CNN对交通标志的识别准确率达到93.558%;比BP神经网络模型、支持向量机分类算法分别提高了12.206%和4.018%,并且在识别时间上具有一定的优势.

基于改进型LeNet-5的工业机器人工件自动识别研究

针对机器人关节工件组装生产过程中,工件种类多、产量大、人工分拣与装配耗时费力等问题,在经典LeNet-5模型基础上,提出一种改进型LeNet-5网络,该网络输入图像的大小修改为32×32,卷积层增加至4层,激励函数改用Leaky ReLU以防止过拟合。同时,将改进型LeNet-5与经典LeNet-5、GoogLeNet模型进行训练、测试与对比,试验结果表明,改进型LeNet-5效果最好,测试集的准确率达到98.32%、曲线下降面积AUC为0.9163,识别一个待装配工件仅需约0.016 s,满足工厂工业机器人实时性检测要求,为类似的识别提供了有效参考,具有较高的应用价值。

基于改进LeNet-5模型的木材表面典型缺陷识别方法研究

针对传统木材缺陷识别方法效率低、精度不高及泛化能力差等问题,对传统LeNet-5模型进行改进:通过分别增加卷积层和池化层的层数至4层,以增加网络深度;采用批量归一化算法,以解决内部协变量位移过拟合的问题;改用Leaky Relu函数作为激活函数,并加入稀疏分类交叉熵作为损失函数,使用Adam作为优化器,来优化网络模型。应用改进LeNet-5模型对辐射松木材常见缺陷(结疤、裂痕)及无缺陷样本集进行识别试验,结果表明:相对于传统LeNet-5模型以及VGG19、AlexNet、ResNet-50三种经典模型,改进LeNet-5模型的训练集准确率最高为99.87%、验证集为99.43%,运算时间缩短,木材缺陷识别精度和效率提高。

基于改进leNet-5的番茄病虫害识别的研究

针对传统的leNet-5在复杂纹理的图像分类上图片的识别精度不高、模型训练效率较低等问题,在传统leNet-5的基础上对其进行了改进.采用PReLU函数作为激活函数,在网络中加入Inception结构模块组、采用DropOut策略并加入Batch Normalization层等,提出了一种改进的leNet-5模型.采用2018年AI challenger农作物病虫害检测中的番茄病虫害数据集,通过数据增强的方式对数据集进行扩充,使训练集的数量达到142800张.实验表明,在识别番茄病虫害时,本文提出的改进模型识别精度能达到95.3%,在识别精度与模型建立的效率上都有所提高.

基于改进型LeNet-5的苹果自动分级方法

针对目前传统机器学习对苹果分级的局限性,改进经典卷积神经网络LeNet-5模型以提高分级准确率。试验在原基础上添加卷积层至4层以加深网络深度,改用LeakyReLU激励函数并加入Dropout层防止过拟合,修改输入图像大小为32×32×3。同时将此与GoogLeNet迁移模型、初始LeNet-5模型、传统机器学习进行对比。试验对不同等级的红富士苹果进行训练与测试,发现改进后的LeNet-5效果最好,测试集准确率达98.37%、AUC值为0.9075,识别一个苹果仅需0.12 s,能够满足工厂自动化分级的需求。综上,改进型LeNet-5模型可用于苹果的高效分级。

基于LeNet-5模型的手写数字识别优化方法

作为深度前馈人工神经网络的一种,卷积神经网络在图像识别领域得到了成功应用。其中,最经典的卷积神经网络模型就是LeNet-5模型。在MNIST字符库上运用该模型,通过优化卷积层的样本训练方式,即将原来以每批固定输入样本数量、固定迭代次数的训练方式,优化为以每批不同输入样本数量、不同迭代次数的混合训练样本方式。优化后的训练方式能够减少预处理工作量,加快识别速度。实验结果表明:在保证样本训练时间相等的前提下,优化后的混合样本输入方式可以得到更高的识别率。

优化LeNet-5网络的多角度头部姿态估计方法

针对在受到部分遮挡或角度过大无法定位面部关键特征点的情况下,传统的头部姿态估计方法的准确率低或无法进行头部姿态估计的问题,提出了优化Le Net-5网络的多角度头部姿态估计方法。首先,通过对卷积神经网络(CNN)的深度、卷积核大小等进行优化来更好地捕捉图像的全局特征;然后,改进池化层,用卷积操作代替池化操作来增强网络的非线性能力;最后,引入Ada Bound优化器,并利用Softmax回归模型做姿态分类训练。训练中在自建数据集中增加遮挡头发、做出夸张表情和佩戴眼镜等动作来增强网络的泛化能力。实验结果表明,所提方法不需要定位面部关键特征点,在光照阴影、头发等遮挡情况下也可以实现抬头、低头、偏头等多角度转动下的头部姿态估计,在Pointing04公共数据集和CAS-PEAL-R1公共数据集上准确率达到了98.7%,运行速度平均在每秒22~29帧。

基于优化LeNet-5的近红外图像中的静默活体人脸检测

针对当前交互式活体检测过程繁琐、用户体验性差的问题,提出了一种优化LeNet-5和近红外图像的静默活体检测方法。首先,采用近红外光摄像头构建了一个非活体数据集;其次,通过增大卷积核、增加卷积核数目、引入全局平均池化等方法对LeNet-5进行了优化,构建了一个深层卷积神经网络;最后,将近红外人脸图片输入到模型中实现活体静默活体检测。实验结果表明,所设计的模型在活体检测数据集上有较高的识别率,为99.95%,整个静默活体检测系统的运行速度约为18~22帧/s,在实际应用中鲁棒性较高。

基于改进LeNet-5模型的手写数字识别

在卷积神经网络的基础上改进了LeNet-5模型,建立了更适合于手写数字识别的神经网络模型,并对改进后的模型及网络训练识别过程进行了详细介绍。将改进后的模型用MNIST字符数据库进行验证,分析了不同卷积层特征图数量、每批次训练数等参数对最终识别性能的影响,并与几种常用识别方法进行比对。通过结果可看出,改进后的新型网络结构简单,识别度高,识别速度快,具有鲁棒性好,泛化能力强等优点。说明改进后的神经网络模型对手手写数字具有很好的识别性能,能满足实际应用需求。