基于改进YOLOv8算法的实时细粒度植物病害检测

为解决现有识别方法在植物病害检测中遇到的密集分布、不规则形态、多尺度目标类别、纹理相似性等障碍,提出一种高性能的实时细粒度植物病害检测框架。首先,在YOLOv8主干网络和颈部设计两个新的残差块,增强特征提取和降低计算成本;其次,引入DenseNet层,并使用Hard-Swish函数作为主要激活函数,以提高模型的准确性;最后,设计PANet网络,用于保留细粒度的局部信息和改善特征融合。在不同的复杂环境下,对番茄植株的四种不同病害进行检测。试验结果表明,所提改进模型在检测准确性和速度上均优于现有模型的检测模型。当检测速度为71.23 FPS时,所提改进模型精确度为92.58%,召回率为97.59%,F_(1)分数为93.64%。为精准农业自动化提供有效的技术手段。

针对样本类不平衡的深度残差网络电力系统暂态稳定评估方法

系统的量测数据可能受到噪声以及样本类分布不平衡问题的影响,导致基于数据驱动的暂态稳定评估模型性能下降。提出一种针对样本类不平衡的的深度残差网络电力系统暂态稳定评估方法。首先,利用改进过采样技术为滤除噪声的少数类样本构造所需的新样本,改善样本类不平衡问题,并减少噪声的影响;然后,基于深度残差网络构建电力系统暂态稳定评估模型,解决梯度消失导致的模型性能退化问题,提高模型的鲁棒性和准确性;最后,在新英格兰10机39节点和47机140节点系统上的仿真结果表明,所提方法能减小噪声干扰、降低不平衡数据集所带来的影响和减少计算复杂度。

基于ISAM-Drsnet的故障识别模型及其应用

针对滚动轴承故障诊断时网络模型在复杂环境下有效特征提取困难,无法充分挖掘具有周期性的滚动轴承故障数据时序特征的问题,提出了一种基于改进条纹注意力机制与深度残差收缩网络的滚动轴承故障诊断模型(ISAM-Drsnet)。首先,采用递归图(RP)编码方式生成了二维图像,使用ISAM和改进软阈值算法加强了Drsnet;然后,采取重叠采样的方式对数据集进行了增强处理,并将数据输入到ISAM-Drsnet中,实现了对不同故障类型的识别目的;最后,利用凯斯西储大学滚动轴承数据集进行了实验,选取了最佳数据截取长度,研究了改进软阈值、数据集规模、噪声对模型的影响;同时,将该模型与支持向量机(SVM)、反向传播神经网络(BPNN)、卷积神经网络(CNN)等进行了对比分析,并采用混淆矩阵等可视化方法对该模型进行了性能评估。实验结果表明:该模型(方法)的故障诊断性能明显优于SVM、BPNN、CNN等模型,其故障诊断精度可达99.79%,相比原始的Drsnet上升了1.60%;且在数据集规模有限和信号添加噪声的情况下,模型仍具有较高的故障诊断精度。研究结果表明:该轴承故障诊断模型不仅具有优秀的诊断性能,同时还具有较强的鲁棒性。

基于双注意力U-Net网络的提高地震分辨率方法

提高地震数据分辨率的传统方法,如反褶积、Q补偿等,受到子波为最小相位、反射系数为白噪声等假定条件的限制且需要求取复杂参数,不便于实际应用。深度学习方法使用数据驱动的方式可以自适应地刻画输入与目标间的关系,具备良好的自主学习能力,但目前基于深度学习提高地震数据分辨率的方法对注意力信息的利用不够全面。因此,提出一种基于双注意力U-Net网络的提高地震数据分辨率方法。首先,在原始U-Net网络中加入改进的通道注意力模块、空间注意力模块和级联残差模块,不仅可以快速学习高、低分辨率数据间的映射关系,还能够合理分配不同通道和空间的权重、充分利用数据间的相关性;然后,使用L1损失和多尺度结构相似性指数损失的组合作为损失函数,提高模型对局部信息变化的敏感度,便于恢复细节信息。模拟数据和实际数据的测试结果表明,该方法提升了地震数据的主频,增加了频带宽度,同相轴变得更清晰,细节纹理信息更丰富,有效提高了地震数据的分辨率。

基于深度残差网络与迁移学习的水稻虫害图像识别

提出一个针对大多数类型的水稻害虫的图像识别方法。对ResNet34网络进行改进,提高网络的识别能,以实现基于给定的图像自动地识别分类出主要害虫。此外,基于迁移学习方法有效避免由于数据量缺乏而使得训练不足的问题。通过ImageNet数据库开展网络参数预训练能够进一步提升网络的提取性能,通过IDADP数据库可以开展参数微调工作以及训练工作。将提出的改进ResNet34模型与其他模型的性能进行对比评估。结果显示,改进ResNet34模型的识别准确度最高,F 1-score达到0.98,证明所提模型对水稻病虫害图像具有较好的识别效果。

特高压直流换流阀饱和电抗器振动声纹特性与松动程度声纹检测方法

饱和电抗器作为特高压直流换流阀的核心装备,运行中产生的振动声音包含大量的信息,其状态评估对换流阀的安全运行具有重要意义。该文提出一种基于优化S变换和改进深度残差收缩网络的饱和电抗器铁心松动程度声纹识别模型。首先开展了高频脉冲激励下的饱和电抗器振动试验,并测量了不同铁心松动程度下的声纹信号;其次在声信号频谱主值区间内,根据能量聚集性优化高斯窗参数来提高声纹图谱的时频分辨率;然后对松动后的声纹特性进行分析,发现高低频比和低频分量主频占比两个特征指标仅能对松动程度较高的状态做出预警;最后采用五个不同方位测点的铁心松动数据代入基于自适应参数修正线性单元的改进深度残差收缩网络中进行训练,来消除声纹图中的冗余信息,并对不同松动程度下的特征进行独立映射,从而增强共同特征的学习能力。研究结果表明,该文模型对电抗器不同铁心松动程度的平均识别准确率达到95.93%,优于传统深度学习算法,可为饱和电抗器在线监测提供重要依据。

基于CCGAN和ResNet34的滚动轴承故障诊断方法

在实际的工业过程中,由于滚动轴承故障数据的小样本或样本分布不平衡问题很常见,导致许多算法难以准确地识别不同故障。针对这一问题,提出了一种基于条件卷积生成对抗网络(CCGAN)和ResNet34的深度神经网络故障诊断方法。首先,采集了滚动轴承振动信号数据,并将振动信号转换为灰度图像,并增强了其数据特征;然后,采用CCGAN网络学习了原始小样本数据的特征,扩展了小样本不平衡数据集;最后,在滚动轴承振动信号的数据扩充和特征增强的基础上,采用ResNet34深度网络进行了一维振动信号的小样本不平衡故障诊断和分类。研究结果表明:随着小样本不平衡数据集逐步扩展到多维平衡数据集,该方法在不同数据集中故障诊断的准确性均得到了有效提高,在分类精度上达到了99.5%;诊断证明了其特征提取能力优于典型的机器学习和深度学习网络,从而验证了该方法在小样本不平衡故障诊断中的优势。

自适应斥力系数的无人机路径规划

使用人工势场法进行无人机路径规划时,往往存在目标不可达、运动轨迹迂回反复和路径长度过长等问题.传统的人工势场法不能根据环境具体信息对斥力系数进行调整,而现有的改进方法不能在自适应调整斥力系数的同时兼顾规划效果和规划时长.针对以上问题,提出了一种基于深度学习的无人机自适应斥力系数路径规划方法.首先通过融合遗传算法与人工势场法找出在特定环境下最合适的斥力系数样本集,其次利用该样本集训练残差神经网络,最后通过残差神经网络计算适应环境的斥力系数,进而使用人工势场法进行路径规划.仿真实验表明,该方法在一定程度上解决了人工势场法规划中目标不可达、运动轨迹迂回反复和路径长度过长等问题,规划效果和规划时长方面均有优异表现,能很好地满足无人机路径规划中对当前环境的自适应要求和快速规划的要求.

基于改进型卷积网络的汽车高度调节器缺陷检测方法

针对汽车高度调节器生产中人工缺陷检测耗时耗力和传统诊断方法适用性差的问题,运用深度学习提出了一种基于改进型卷积网络的智能检测方法。该方法利用卷积网络提取特征,并且在网络中加入残差网络结构和可分离卷积,在深层网络提高精度的同时减少了参数计算量。改进的结构主要运用卷积层、池化层、批标准化层、softmax层,并引入残差网络结构和可分离卷积。实验结果表明,基于改进型卷积网络的汽车高度调节器缺陷检测方法有着良好的识别精度,在汽车高度调节器多类缺陷的检测实验中,准确率均在99%以上,优于经典卷积网络VGG16。

基于改进深度残差网络的旋转机械故障诊断

针对旋转机械工况复杂多变、有标签样本不足而导致的故障特征提取困难等问题,提出了一种用于旋转机械故障诊断的改进深度残差网络(improved deep residual network,IDRN)。首先,采集旋转机械一维振动信号进行数据预处理;然后,在深度残差网络的基础上引入了长短时记忆(long short-term memory,LSTM)网络,其中,LSTM网络可以有效捕捉故障的时序信息;在残差块中引入Dropout层提高了故障诊断的精度和收敛速度;最后在轴承与齿轮数据集上验证本文提出方法的有效性。实验结果表明,该方法在堆叠多层网络模型时,没有出现明显的网络退化现象,与当前广泛使用的几种诊断方法进行对比实验,表现出了较高的平均诊断精度和良好的适用性。

小波包分解和改进ResNet行星齿轮箱故障诊断方法

针对行星齿轮箱中故障诊断信号存在的类内离散大和类间相似的问题,提出识别技术改进深度残差网络(IResNet)和小波包分解(WPD)模型。行星齿轮箱振动信号进行小波包频段分解后,振动信号的故障类型和各个频段的能量熵分布有一定关联。筛选最优解得结果进行振动信号的重构,作为样本。使用改进深度残差网络,在网络拥有残差结构的基础上,通过使用紧凑卷积(CompConv)模块替换卷积模块,并减少网络深度,使网络模型变得轻量化。在网络中加入自注意力机制,进一步提高网络的准确率。使用WPD-IResNet网络模型进行10次实验,故障诊断准确率平均值为99.1%。

基于改进多导联残差网络的广泛前壁心肌梗死自动诊断

广泛前壁心肌梗死是心梗中危害较大的一种类型,其发病迅速,致死率高,堵塞面积大,对人体造成不可逆的损伤。心电图是检测心梗的重要手段,医生要凭经验判断其发生部位,过程繁琐。针对以上情况,提出一种基于深度学习算法的广泛前壁心肌梗死的自动诊断。算法先将前壁心梗涉及到的V_(1)~V_(5)导联信号进行去噪滤波,分割心拍处理,然后搭建改进多导联残差网络模型,将信号并行输入,实现健康与前壁心梗的分类。实验采用PTB心梗数据库进行验证,准确率达到97.85%,高于经典神经网络。该研究能辅助医生进行广泛前壁心梗的诊断,具有一定的临床意义。

基于改进深度残差收缩网络的风电机组滚动轴承故障诊断方法

滚动轴承是风电机组关键部件,其运行工况复杂,故障类型难以准确识别。针对传统深度神经网络在强噪声环境下特征学习能力不足的问题,提出一种基于稠密连接模块的改进深度残差收缩网络(Deep residual shrinkage network based on dense block,DB-DRSN),实现强噪声、不同负载工况下滚动轴承故障的高效诊断。首先,将添加不同等级噪声的振动信号间隔采样并矩阵化,构建二维灰度图作为输入样本。然后,基于Dense block构造稠密连接残差收缩模块层(Residual shrinkage block unit based on dense block,DB-RSBU),利用Bottleneck层替代残差收缩模块中的卷积隐层,并加入Concat连接,达到对浅层和深层特征的充分利用。在每次稠密连接后通过1×1卷积进行降维,利用注意力模块和软阈值对逐通道特征赋不同阈值并降噪。最后,输入样本经过卷积池化层和DB-RSBU层堆叠的网络得到分类结果。试验表明,DB-DRSN模型在CWRU与PU滚动轴承数据集上不同噪声等级下的平均诊断准确率分别达到99.80%和96.44%,相比其他模型有更高的准确率、更快的收敛速度和更强的抗干扰能力。引入稠密连接核心思想对网络结构的改进可为基于数据驱动的风电机组滚动轴承故障诊断方法提供新思路。

基于FNER性能退化指标及IDRSN的滚动轴承寿命状态识别方法

针对滚动轴承退化性能难以评估、寿命状态难以识别的问题,提出一种基于特征噪声能量比(Feature-to-noise energy ratio,FNER)指标及改进深度残差收缩网络(Improved deep residual shrinkage network,IDRSN)的滚动轴承寿命状态识别新方法。首先,将全寿命轴承信号进行希尔伯特(Hilbert)变换和快速傅里叶变换(Fast fourier transform,FFT)得到包络谱,根据故障特征频率及其倍频计算包络谱幅值的特征能量比(Feature energy ratio,FER);然后,根据自相关函数(Autocorrelation function,AF)得到包络信号的总能量,将故障特征能量和噪声能量的比值作为轴承性能退化指标,之后按照FNER指标曲线划分轴承寿命状态和实现样本标签化;随后,使用标签化样本训练引入了密集连接网络的IDRSN得到轴承寿命状态识别模型。为了提高抗干扰能力,将DropBlock层引入第一个大型卷积内核,在全局平均池化之前引入Dropout技术。最后,运用两个滚动轴承全寿命周期数据集验证FNER指标和IDRSN模型的实用性和有效性,结果表明所提方法能更准确地实现滚动轴承寿命状态识别。

基于深度学习的实验设备识别系统开发设计

为了让使用者科学规范使用实验设备、教学者提高实验室教学效率,提出了基于深度学习的实验设备识别系统,系统搭载Android平台环境,使用者通过拍照或本地相册选取实验设备图像。Android客户端采集图像并裁剪,使用TCP/IP网络传输协议将图像发送至服务器端;服务器端使用残差网络和改进的YOLO网络模型对图像进行检测,并在数据库中查找图像特征值对应的实验设备;数据库将识别结果和设备使用方法、注意事项等反馈至Android客户端。测试表明,系统对实验设备的识别准确率可达99%以上。实验设备识别系统可为同行提供参考借鉴,提高教学效率和质量。