检索结果-南通市图书馆

基于双通道融合卷积网络的果蔬识别系统的设计与实现

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于双通道融合卷积网络的果蔬识别系统的设计与实现

作者：葛启亮东南大学

学位级别：硕士

图像识别的发展一直受到国内外学者的广泛关注,其中果蔬图像的智能化识别技术是果蔬行业的发展方向。由于近年来深度学习的蓬勃发展,卷积神经网络在目标检测定位与识别方面的应用十分广泛。因此,本文提出一种用于果蔬特征提取的双通道... 详细信息

图像识别的发展一直受到国内外学者的广泛关注,其中果蔬图像的智能化识别技术是果蔬行业的发展方向。由于近年来深度学习的蓬勃发展,卷积神经网络在目标检测定位与识别方面的应用十分广泛。因此,本文提出一种用于果蔬特征提取的双通道融合卷积网络IAMDSCNN(Improved Attention Mechanism and Deep Separable Convolutional Neural Network),IAMDSCNN网络分为两个通道,分别是基于改进的注意力机制的残差网络通道IAMCNN(Improved Attention Mechanism Convolutional Neural Network)和基于深度可分离卷积的轻量级网络通道DSCNN(Deep Separable Convolutional Neural Network)。同时基于IAMDSCNN改进SSD(Single Shot Multi Box Detector)网络,以IAMDSCNN为特征提取网络的SSD网络可以实现50种果蔬的检测定位和识别,并且可以通过保持权重不变,修改模型中的部分卷积层,进行迁移学习来扩展可识别的种类。本文的主要工作如下:(1)设计IAMCNN网络通道。对通道注意力和空间注意力进行改进,分别使用k个一维卷积来捕获跨通道交互信息和空洞卷积来突出果蔬的空间特征。并结合残差模块单元传递果蔬的纹理、边缘等细致的局部特征,改善深层网络的退化问题。(2)设计DSCNN网络通道。将Inception模块融入深度可分离卷积结构中,能够获取果蔬的多尺度特征信息尤其是形状、结构等全局特征,弥补单一通道特征提取不足的问题。(3)设计实现双通道融合卷积网络IAMDSCNN。将IAMCNN网络通道和DSCNN网络通道提取的特征信息进行融合,提升了果蔬特征信息提取的有效性,支持后续果蔬检测定位和识别的实现。(4)改进多尺度检测的SSD网络。用IAMDSCNN替代现有SSD网络的特征提取网络,并重新调整了多尺度检测的特征图谱节点。不仅加深了网络,而且特征信息得到相互补充,从而提升了SSD网络对果蔬的检测定位和识别的能力。(5)在上述研究的基础上,设计实现了一个果蔬识别原型系统,并构建真实数据集进行了对比实验和分析。实验结果表明改进的SSD网络能够快速有效地检测识别图像中的果蔬,平均精确度均值达到77.86%,对比改进前的SSD网络提升了3.5%,每秒处理帧数达到32帧,较好地实现了平均精确度均值和识别速度的平衡。

关键词：果蔬识别卷积神经网络双通道融合注意力机制

基于双通道振动信号融合的轴承故障诊断方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于双通道振动信号融合的轴承故障诊断方法研究

作者：罗月重庆科技学院

学位级别：硕士

滚动轴承发生复合故障时,故障特征具有明显的非线性,特征之间还存在明显的干涉与耦合。单通道振动信号源信息不完整,解耦性差,使得基于单通道的滚动轴承复合故障诊断存在较大的困难。由此,本文提出一种基于双通道振动信号融合的复合故... 详细信息

滚动轴承发生复合故障时,故障特征具有明显的非线性,特征之间还存在明显的干涉与耦合。单通道振动信号源信息不完整,解耦性差,使得基于单通道的滚动轴承复合故障诊断存在较大的困难。由此,本文提出一种基于双通道振动信号融合的复合故障诊断方法。该方法包括了信号融合前的信号处理、融合方法和融合后的多模态故障诊断模型,具体研究内容如下:在双通道信号融合前处理方面,提出了一种改进的互补集合经验模态分解(Comple mentary Ensemble Empirical Mode Decomposition,CEEMD)方法。该方法在CEEMD的重构过程中,根据模态函数(Intrinsic Mode Function,IMF)的样本熵(Sample Entropy,S E)大小排序,舍弃了SE较少的IMF分量。将剩余IMF进行信号重构,重构的时域信号去除了部分噪声,提高了轴承故障特征信号部分的信噪比。在双通道信号融合中,提出了一种改进的全矢谱算法。在标准的全矢谱算法中,增加了一个以轴承故障特征频率范围为通过频带的组合带通频域滤波器,该滤波器可抑制融合信号中非轴承故障特征成分,使得最终全矢谱的主振矢可较有效表达融合信号中故障特征,可作为后续诊断模型的特征向量。在多模态故障诊断模型方面,设计了一种基于Transformer和长短期记忆网络的深度融合诊断模型(Transformer-Long Short Term Memory,T-LSTM)。Transformer层用于对主振矢之间的时序关系进行编码,LSTM层将基于Tranformer层提取到的全局特征信息进整合。双层时序结构有效实现了特征与多故障之间的复杂映射,获得多模态故障的概率分布向量,由此实现了轴承复合故障的有效诊断。利用本文提出的方法,对PT300试验台和西安交通大学XJTU-SY滚动轴承退化实验数据集进行了基于双通道信号的轴承故障诊断。结果表明前者的复合故障诊断准确率达82.33%,后者达91%,本文提出基于双通道振动信号融合的复合故障诊断具有良好的诊断效果。

关键词：滚动轴承双通道融合复合故障诊断互补集合经验模态分解 T-LSTM

基于双通道网络特征融合的中医体质类型分类初步研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于双通道网络特征融合的中医体质类型分类初步研究

中国中西医结合学会诊断专业委员会第十三次全国学术研讨会

作者：周浩张新峰胡广芹蔡轶珩贾懋珅北京工业大学信息学部

目的针对基于舌图像的中医体质类型分类问题分类准确率不高,一般的深度网络对不同类型的体质分类结果差别较大等问题,本文提出了一种双通道网络特征融合的体质类型分类方法,以提高体质类型分类的准确率。方法不同的网络模型对舌图像的... 详细信息

目的针对基于舌图像的中医体质类型分类问题分类准确率不高,一般的深度网络对不同类型的体质分类结果差别较大等问题,本文提出了一种双通道网络特征融合的体质类型分类方法,以提高体质类型分类的准确率。方法不同的网络模型对舌图像的分类结果不同,基于SVM的体质类型分类方法通过传统特征提取特征并用SVM进行分类,基于深度网络的体质类型分类通过深度特征进行特征提取并分类,将手工的舌图像特征和深度网络的特征进行融合,来实现舌图像的体质类型分类。本文基于983张舌图像数据集,对气虚质、痰湿质和湿热质三种体质类型的分类问题进行讨论。结果仿真实验表明,相比传统特征提取与原始深度网络,本文准确率由传统分类方法的54.3%提高到了78.9%。结论本文提出的基于双通道网络特征融合的体质类型分类方法,充分考虑不同特征对分类结果的影响,提出了更符合中医特色的分类方法,对中医辅助辨识、临床、教学和科研具有极其重要的研究意义。

关键词：双通道融合舌图像体质类型分类

来源： cnki会议评论

在线全文

cnki会议

学校读者我要写书评

暂无评论

基于卷积神经网络的光场显著性检测研究

基于卷积神经网络的光场显著性检测研究

作者：刘亚美合肥工业大学

学位级别：硕士

显著性检测一直以来都是计算机视觉领域的关键问题之一,其在视觉跟踪、图像压缩和目标识别等方面有着非常重要的应用。基于传统RGB图像和RGB-D图像的显著性检测易受复杂背景、光照、遮挡等因素的影响,导致在复杂场景下的检测精度较低,... 详细信息

显著性检测一直以来都是计算机视觉领域的关键问题之一,其在视觉跟踪、图像压缩和目标识别等方面有着非常重要的应用。基于传统RGB图像和RGB-D图像的显著性检测易受复杂背景、光照、遮挡等因素的影响,导致在复杂场景下的检测精度较低,鲁棒的显著性检测仍存在很大的挑战。随着光场成像技术的发展,人们开始从一个新的途径解决显著性检测问题。光场数据记录着空间光线的位置信息和方向信息,隐含着场景的几何结构,能为显著性检测提供可靠的背景、深度等先验信息。因此,利用光场数据进行显著性检测得到了国内外学者的广泛关注。本文针对在复杂场景下的显著性检测问题,利用光场数据中的多视角信息以及卷积神经网络强大的特征表达能力,深入研究基于光场数据的显著性检测算法,提高复杂场景的检测精度。主要研究内容如下:(1)介绍了显著性检测相关背景和研究现状,分析了本课题的研究意义,对光场基本理论、光场数据获取方式、图像表征和显著性检测问题概念进行深入探讨。(2)利用光场相机Lytro Illum采集光场数据,构建一个丰富且高质量显著性检测数据集。该数据集提供640幅室内、外的背景复杂、前景背景颜色相近、包含多种光源、多个显著目标等图像。该数据集的提出为光场显著性检测领域的深入研究提供一个更加有力的数据支持。(3)为了深入探索光场数据的空间特性和多视角特性对显著性检测的积极作用,本文提出了一种基于微透镜图像的显著性检测算法。为了能直接对一个空间像素位置的角度变化进行建模,本文设计了三种不同的视角变化网络模块,这些模块通过非重叠卷积捕获微透镜图像中的视点依赖关系。然后将利用视角变化网络模块得到的特征图输入改进后的Deep Lab-v2模型中预测显著图。实验表明,当视角变化与微透镜图像中视点变化一致时,视角变化网络模块能更好地学习到潜在的场景深度信息,提升显著性检测的准确性。与当前光场显著性检测的最优方法相比,该算法能够有效提高在复杂场景下的检测性能。(4)考虑到基于微透镜图像的显著性检测算法对场景颜色对比信息的学习能力不强,在前述研究基础上,本文进一步提出了基于双通道融合的光场显著性检测算法,建立以微透镜图像阵列及中央视角图像为输入的双流网络。为了更好地探索两个通道之间的相互关系,引入融合模块进行特征学习,完成显著性检测任务。实验验证了该融合网络利用中央视角图像通道的特征对微透镜图像通道特征进行微调,弥补了微透镜图像通道对场景颜色对比信息的学习能力,进而使得网络在处理复杂场景时,有着更强的鲁棒性。

关键词：显著性检测光场微透镜图像视角变化卷积神经网络双通道融合

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于生成对抗网络的光场显著性检测研究

基于生成对抗网络的光场显著性检测研究

作者：蔡洪艳合肥工业大学

学位级别：硕士

显著性目标检测的目的是从某个给定的场景中提取出最吸引人注意的物体,该研究不仅在图像分割、目标识别等领域有所贡献,还被应用于无人驾驶、目标追踪等高科技领域。目前提出的显著性检测算法大多基于2维RGB图像和3维RGBD图像。随着4D... 详细信息

显著性目标检测的目的是从某个给定的场景中提取出最吸引人注意的物体,该研究不仅在图像分割、目标识别等领域有所贡献,还被应用于无人驾驶、目标追踪等高科技领域。目前提出的显著性检测算法大多基于2维RGB图像和3维RGBD图像。随着4D光场相机的蓬勃发展,显著性目标检测开始向4D空间拓展。早期的光场显著性检测算法主要依赖人工提取特征信息,后期随着深度学习网络的发展,研究者们开始尝试搭建深层神经网络检测光场显著性。针对当前4D光场显著性检测在复杂场景中遇到的挑战性问题,本文开展了关于重聚焦序列对显著性检测影响的研究。本文利用光场重聚焦序列的特点设计一种新的生成对抗网络显著性检测模型,并提出使用基于注意力机制的双通道融合算法学习显著性目标的边缘特征,有效提升了复杂场景下显著性检测的性能。本文的主要研究内容如下:(1)介绍光场显著性检测的相关研究背景和国内外研究现状,阐述本课题的研究意义,对光场的多维参数化表示、光场解码图像、光场显著性检测数据集以及生成对抗网络的相关理论做了介绍,并深入分析了当前光场显著性检测任务中亟待解决的问题。(2)针对光场显著性检测的训练数据较少,以及现存光场显著性算法在面对挑战性场景时表现不佳的问题,本文设计一种基于生成对抗网络的光场显著性检测模型,将重聚焦序列和全聚焦图像作为网络的输入。同时结合光场重聚焦序列的特点,提出多生成器结构从重聚焦序列中学习显著性特征,并有效融合不同重聚焦序列的特征信息。实验证明该算法在挑战性场景中能有效提升显著性检测的性能。(3)针对多生成器对抗网络不能很好地保留显著性物体边缘的问题,本文提出一个基于注意力机制的双通道融合算法,利用全聚焦图像通道的浅层语义信息融合多生成器通道的重聚焦信息,并通过对比实验证明了该算法能够更好地保留显著性物体的边缘。

关键词：光场显著性检测重聚焦序列生成对抗网络双通道融合

基于ZigBee的路灯网络路由算法的研究与应用

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于ZigBee的路灯网络路由算法的研究与应用

作者：姚文强苏州大学

学位级别：硕士

随着我国城镇化进程的加快,城市路灯系统的规模也正在快速增长。限于传统的故障排查和开关控制方式,不能对路灯进行远程实时控制和在线信息获取,导致系统的管理成本高,智能化水平低。因此,通过ZigBee组网的方式使其能够实现网络化、远... 详细信息

随着我国城镇化进程的加快,城市路灯系统的规模也正在快速增长。限于传统的故障排查和开关控制方式,不能对路灯进行远程实时控制和在线信息获取,导致系统的管理成本高,智能化水平低。因此,通过ZigBee组网的方式使其能够实现网络化、远程化管理的趋势势在必行。在路灯网络中进行消息路由时,虽然洪泛的方式扩散速度快,但存在冗余数据过多导致信道拥塞的问题,使得实际应用中的路灯网络规模受到一定的限制。其他如Cluster-Tree算法存在节点地址分配不灵活的问题,AODVjr算法则存在路由发现、维护、RREQ广播风暴等问题。针对上述问题,本文提出了一种基于标识的确定路径云路由算法,能在路灯网络中较快较优地进行路由选择。然后提出了一种ZigBee网络中消息传播的高阶描述模型,对关键节点通信异常的情况下网络中存在的路由收敛问题进行了定量分析和研究。为了在真实路灯网络中减少关键节点通信异常情况的发生,本文提出了一种双通道融合的通信方案。在对这些算法、模型和方案的研究中,本文取得了以下研究成果:（1）提出了一种基于标识的确定路径云路由算法,有效利用了服务器的全局知识,并借鉴了Cluster-Tree和AODVjr算法的核心思想,让数据包在路灯网络中能较快较优地进行路由选择。（2）对关键节点异常情况下的路灯网络进行抽象分析,提出了一种消息传播的高阶描述模型,考虑了节点被访问次数和节点度两个参数,对现有随机步模型进行了修正,避免了高估覆盖节点率的问题,也确定了数据包在网络中传输的收敛边界。（3）在网关节点中设计并实现了一套融合通信机制,成功实现了数据双通道传输,有效提升了传输带宽和传输稳定性。该机制的思想可扩展到其他领域。最后,在张家港两个乡镇实际部署的1000多个节点的路灯网络中,确认了本文路由算法和融合通信方案的有效性,证明了本文提出的算法可适用更大规模的路灯网络,并且通信效率和质量更高。

关键词：路灯网络路由算法消息传播模型双通道融合

基于特征融合的DC-DC电路故障诊断方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于特征融合的DC-DC电路故障诊断方法研究

作者：王力安徽理工大学

学位级别：硕士

DC-DC电路作为智能电网、新能源汽车和医疗设备的基础器件,对设备的稳定运行起到关键作用,因而对于DC-DC电路的运行可靠性要求越来越高。准确进行DC-DC电路故障诊断,可降低因电路故障而造成的损失和维护成本。本文研究基于特征融合的DC... 详细信息

DC-DC电路作为智能电网、新能源汽车和医疗设备的基础器件,对设备的稳定运行起到关键作用,因而对于DC-DC电路的运行可靠性要求越来越高。准确进行DC-DC电路故障诊断,可降低因电路故障而造成的损失和维护成本。本文研究基于特征融合的DC-DC电路故障诊断方法,以Buck电路和Boost电路作为对象,探索DC-DC电路因电解电容退化的参数故障。本文研究内容如下:简要分析Buck电路和Boost电路的基本原理,根据电容参数退化的不同故障类型,搭建Buck仿真电路和Boost物理电路,采集不同故障模式下的输出电压作为故障信号,探索三种基于特征融合的DC-DC电路故障诊断方法研究。基于VMD-MHHO-BPNN的DC-DC电路故障诊断方法。该方法采用VMD算法对输入信号按照预设的分解尺度分解,得到多个IMF分量;对于VMD分解后产生的虚假分量问题,计算IMF分量与原信号间的相关系数,移除低于阈值的分量并对剩余的分量进行重构,提取时域和频域的融合特征;将融合特征输入到BPNN中进行训练。为了提高BPNN的分类能力,采用MHHO算法对BPNN的权值和阈值参数进行寻优,利用寻优后的BPNN进行故障诊断。通过对Buck电路和Boost电路两种典型的DC-DC电路进行实验,验证了该方法可以有效解决VMD算法的虚假分量问题,且MHHO算法可以提高BPNN的分类能力。基于双通道融合的DC-DC电路故障诊断方法。该方法构建了双输入单输出的1DCNN和BiGRU双通道融合模型,对输入信号进行自适应的特征提取,通过特征融合层形成新的特征向量,输入到Softmax层,完成DC-DC电路故障诊断。通过对Buck电路和Boost电路进行实验,表明了该方法能够有效挖掘输入信号深层次间的特征联系,从而提高故障诊断的效果。基于IGWO优化1DCNN-BiGRU网络的DC-DC故障诊断方法。该方法融合1DCNN和BiGRU网络擅于提取输入信号的空间和时间特征的特点,构建单输入单输出的1DCNN-BiGRU网络模型。针对网络模型的超参数问题,将其转换为目标函数寻优问题,采用IGWO的寻优能力快速寻找模型的最优超参数组合。利用寻优后的1DCNN-BiGRU网络对输入信号进行训练,输入到Softmax模型进行故障识别。实验结果表明,该方法可以有效解决网络模型中超参数的选择问题,且该方法在噪声环境下也展现出良好的诊断性能。图[30]表[40]参[78]

关键词：电路故障诊断 VMD MHHO 双通道融合 1DCNN-BiGRU

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度卷积网络的高光谱图像分类研究

基于深度卷积网络的高光谱图像分类研究

作者：梁琦兰州理工大学

学位级别：硕士

在高光谱遥感图像的采集技术发展中,新型的高光谱传感器能够实现对光谱和空间特性连续的采集。由于高光谱图像地物特征丰富,在农业、军事和环境监测以及城市的改建规划等方面有着广阔的应用前景。降低光谱数据之间的冗余、减少数据参数... 详细信息

在高光谱遥感图像的采集技术发展中,新型的高光谱传感器能够实现对光谱和空间特性连续的采集。由于高光谱图像地物特征丰富,在农业、军事和环境监测以及城市的改建规划等方面有着广阔的应用前景。降低光谱数据之间的冗余、减少数据参数量和提取高光谱图像中的空间光谱联合特征是目前高光谱图像分类研究的重要内容。近年来,深度卷积神经网络在高光谱图像分类领域成为研究的热点,但是深度卷积网络模型的构建中仍然存在对高光谱图像空谱特征提取不足、模型较复杂、参数量大以及卷积层数较深而导致的分类精度下降的问题,因此研究集中在优化卷积神经网络结构,从而解决高光谱图像分类效果低的问题。本课题基于对卷积神经网络模型的改进提出两种特征提取的图像分类模型。具体内容如下:(1)在高光谱图像的分类中,由于卷积神经网络的空谱特征提取不足,网络层数过多导致网络参数量大,计算复杂。因此,提出基于快速3D-CNN(3-Dimension Convolutional Neural Networks)结合深度可分离卷积(Depthwise Separable Convolution,DSC)的高光谱图像分类的轻量型卷积模型。首先采用增量主分量分析(Incremental Principal Component Analysis,IPCA)方法对输入数据降维,其次将图像的像素分成若干个小的交叠的三维小卷积块,并在此基础上由中心像素构成一个地面标签,然后使用3D核函数进行卷积,以保留空间特性。在利用三维CNN进行空谱特征提取的基础上,增加了深度可分离的卷积方法,进一步增加了空谱特征,并减少了参数,降低了计算量,提高了分类准确率。(2)相对于传统的机器学习方法,深度学习可以更好地反映出遥感图像的深层特性。为了解决高光谱图像中有限训练样本和网络梯度下降影响分类精度的问题,提出了基于双通道融合的深度三维残差网络(DC-3DDRN)的高光谱图像分类方法。首先采用增量主成分分析(IPCA)的方法,对原始高光谱图像进行降维。然后设计了双通道的卷积操作,提取出图像的空谱特征。第一通道采用三维卷积结合深度可分离卷积提取空谱特征;第二通道并联采用三维卷积结合改进的残差三维卷积网络模块进行空谱特征提取,将两个通道得到的空谱特征进行融合,构建DC-3DDRN。将降维后的三维HSI立方体输入到DC-3DDRN中,提取可识别的关键光谱空间特征。最后将网络连续识别的深度特征输入Softmax分类层实现分类。此外,在学习过程中采用批处理归一化(Batch normalized,BN)和Dropout优化方法,以避免训练数据过拟合。以上两个模型都是在Indian Pines(IP)、Salinas Scene(SA)和University of Pavia(PU)三个标准的公开数据集上进行了实验。结果表明,该方法能够有效地解决大规模复杂的问题。这种新的分类算法不但节约了模型可学习的参数,还降低了复杂度,解决了有限训练样本的问题,并显示了良好的分类效果。其中总体精度OA、平均分类精度AA、Kappa系数均可达99%以上。

关键词：高光谱图像分类 3D-CNN 深度可分离卷积残差网络双通道融合

基于DeepLabV3+孪生网络的遥感建筑物变化检测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

国外电子测量技术 2024年第3期43卷 129-137页

作者：郭江辛月兰王庆庆王浩臣盛月青海师范大学计算机学院西宁810001 藏语智能信息处理及应用国家重点实验室西宁810001

针对多尺度下小建筑易漏检及建筑物轮廓边界检测精度不足的情况,提出一种基于DeepLabV3+的双通道孪生网络。首先,为提高分割结果的精确度,同时避免网络层数加深带来的模型过拟合问题,采用改进后的ResNeXt50(32×4d)作为主干网络来提取特... 详细信息

针对多尺度下小建筑易漏检及建筑物轮廓边界检测精度不足的情况,提出一种基于DeepLabV3+的双通道孪生网络。首先,为提高分割结果的精确度,同时避免网络层数加深带来的模型过拟合问题,采用改进后的ResNeXt50(32×4d)作为主干网络来提取特征;其次,针对孪生网络特征融合不充分的问题,设计了基于注意力的双通道融合模块;此外,为提高模型整体信息感知能力,对空洞空间卷积金字塔池化做增强处理;最后,在特征恢复阶段引入特征对齐模块和全连接CRF进一步补充和细化分割结果。在LEVIR-CD数据集上精确率(precision)、召回率(recall)和F1指数分别达到了0.9233、0.8994和0.9112。

关键词：遥感图像变化检测双通道融合空洞空间卷积特征对齐全连接CRF