Results 31 to 40 of about 440,845 (149)
, 2021 该文提出一种基于卷积神经网络直接对阵列超声检测原始信号进行缺陷类型识别的方法，该方法无需对超声回波原始信号进行特征提取。文章研究对比了不同卷积神经网络及其优化的识别性能。首先采用超声相控阵系统对不同试块上的平底孔、球底孔、通孔三种缺陷进行超声检测，然后利用LeNet5、VGG16和ResNet三种卷积神经网络对一维和二维数据分别进行缺陷识别，并使用Leaky ReLU、Dropout、Batch Normalization等来对网络进行优化，对比分析识别准确率和效率等。研究结果表明 ...
高子洋 +3 more
core
Dianci bileiqi, 2021 针对接触网绝缘子破损识别,传统的特征匹配和神经网络分类识别率较低,同时因其需要人工提取和训练等问题,识别速率也较慢。相比传统卷积神经网络（CNN）,胶囊网络（CapsNet）首次采用矢量作为输入,可以很好的保留目标的方向,角度等特征信息,更适合于识别复杂背景下的绝缘子。因此提出一种基于改进胶囊网络和CV模型结合的绝缘子破损识别算法,通过1×1归约层和3×3卷积层简化传统9×9胶囊网络的卷积层,并采用优化算法进行参数寻优,缩短训练权重时间,同时输出量保留方向角度,能更准确对棒形 ...
卞建鹏 +4 more
doaj
智能科学与技术学报, 2021 全卷积时域音频分离网络（Conv-TasNet）是近年提出的一种主流的端对端语音分离模型。Conv-TasNet利用膨胀卷积扩大感受野，使其在空间上可以融合更多语音特征，极大地提高了网络的语音分离性能，但同时忽略了信息在不同卷积通道间的重要性。基于此，提出一种基于超轻量通道注意力的端对端语音增强方法，该方法结合了Conv-TasNet和通道注意力，并在Conv-TasNet编解码器部分增加一组滤波器来提高网络语音特征提取能力，使卷积神经网络可以更有效地结合空间信息和通道信息来提高语音增强效果 ...
洪依, 孙成立, 冷严
doaj
, 2018 为解决在复杂环境下,如姿势不同、光照条件以及遮挡等因素导致传统人脸特征点检测算法的精度大幅度下降的问题,在特征点检测理论知识以及研究现状的基础上,针对传统卷积神经网络模型在处理人脸特征点检测问题时的不足之处,提出基于小滤波器的深卷积神经网络。算法引入小滤波器思想和以拓展\"网络深度\"优先的深层卷积神经网络模型,针对人脸特征点检测重新设计训练,提高了算法的有效性与适用性。通过将算法应用于ALFW和AFW人脸数据集上预测5点人脸特征点问题,并与其他多个经典算法进行对比分析,结果表明 ...
王备战 +4 more
core
, 2018 针对布匹生产企业存在人工检测布匹瑕疵效率低、误检率、漏检率高的问题,提出一种基于深度卷积神经网络的单色布匹瑕疵检测算法.首先由于布匹瑕疵的数据规模远小于大型深度卷积神经网络的数据规模,如果采用大型卷积神经网络,计算量大且容易导致过拟合,因此设计了浅层的卷积神经网络结构;然后提出双网络并行的模型训练方法,用一个大网络指导小网络的训练过程,提高模型的训练效果;最后为了使得深度卷积神经网络模型脱离GPU的限制,能够在普通电脑、移动设备、嵌入式设备中高速运行,且保证模型检测精度 ...
吴志洋 +5 more
core
Dianci bileiqi, 2022 雷暴云产生的闪电危害巨大，雷暴发生时其地面电场的特征可应用于关键系统的雷电预警和雷电防护。笔者依据雷暴云偶极子模型，研究典型雷暴云下地面电场的特征，提出基于卷积神经网络(Convolutional Neural Network, CNN)的雷暴云地面电场识别方法。该方法考虑不同天气情况下地面电场的特征，对大量样本数据进行训练和识别，证明了卷积神经网络用于识别雷暴云下地面电场的可行性，划分了基于卷积神经网络识别结果的雷电预警等级。结果表明：所提方法区分各类别电场样本的整体准确率高于93 ...
doaj
Gaoya dianqi, 2022 高压断路器分合闸线圈的电流信号蕴含着丰富的断路器操动机构状态信息，对操动机构故障诊断具有重大意义。首先，文中通过集合经验模态分解（ensemble empirical mode decomposition,EEMD）具备的检测突变点性能确定有效分合闸线圈电流信号段，并对其进行EEMD自适应降噪处理。其次，运用时域求极值法对有效信号段进行信号处理，提取电流、时间复合特征量。最后，通过对复合特征量数据进行Kronecker张量积预处理，以便输入到卷积神经网络（convolutional neural ...
鄢仁武 +5 more
doaj
, 2020 低压配电网的电弧故障是诱发电气火灾的重要原因之一。配电网发生串联电弧故障时的电流一般较小,其有效值达不到过电流保护装置的整定值,而且在某些负载工况下,正常工作状态电流与串联电弧故障电流波形特征非常相似,导致串联电弧难以识别。针对串联电弧故障的识别难点,提出了一种基于多层卷积神经网络的时域可视化识别方法。使用高频耦合滤波电路和高速数据采集系统来采集串联电弧故障的高频信号。通过构建多层卷积神经网络,提取电弧图像高维特征。以时域灰度值图像的形式直观展示了卷积神经网络算法对故障电弧数据的抽象特征提取情况 ...
褚若波, 张认成, 杨凯, 肖金超
core
, 2018 电子线路上产生的缺陷由于形状不规则、边缘模糊等特点,传统图像算法难以达到高精度的检测要求。本文提出基于深度学习的卷积神经网络对电路缺陷进行识别检测。首先利用直方图均衡化对输入的图像预处理,增强对比度和清晰度,然后在8层的卷积神经网络结构上对图像进行特征提取,最后通过softmax分类器实现对图像特征的识别和分类。在实际采集的电子线路图像数据集上实验表明,本文算法具有较高的准确率,能有效识别各类电子线路缺陷。福建省高校产学合作项目(No ...
陈松岩, 肖可, 刘畅, 何俊杰
core +1 more source
基于泛化地震样本训练的全卷积神经网络在2016年熊本MW6.2地震监测中的应用
Dizhen xuebao针对近期提出的通用全卷积神经网络模型，以2016年日本熊本MW6.2地震序列为例，验证其预警时效性、定位精度和跨震级泛化性能。通过选取震源主要影响区域作为监测范围，并向模型输入12个台站的波形数据，成功实现了震后1小时179次余震序列中69次余震的定位。结果表明：通用全卷积神经网络模型无需迁移学习即可在P波抵达首个台站后的4.4—6.4 s发布警报，并提供可靠的震源参数（震中均方根误差为3.409 km，深度均方根误差为3.787 km），展现出优异的泛化能力与实用性 ...
Bifu Wei, Xiong Zhang, Yu Yang
doaj +1 more source