检索结果-南通市图书馆

基于数据集增强和知识蒸馏的信号调制方式自适应分类方法研究

在线全文

学校读者我要写书评

暂无评论

基于数据集增强和知识蒸馏的信号调制方式自适应分类方法研究

作者：赵莹辽宁大学

学位级别：硕士

随着通信领域技术的发展,人们之间的交流越来越便捷,随之而来的是无线设备数量的大幅度增长,对频谱资源的需求也越来越高。与此同时,学者的研究方向除了如何提高频谱资源利用率外,保密通信也成为主要研究方向之一。为避免出现窃听等情况... 详细信息

随着通信领域技术的发展,人们之间的交流越来越便捷,随之而来的是无线设备数量的大幅度增长,对频谱资源的需求也越来越高。与此同时,学者的研究方向除了如何提高频谱资源利用率外,保密通信也成为主要研究方向之一。为避免出现窃听等情况,发送方可随机更改信号的调制方式以保证通信的安全,因此在接受方则需要进行信号调制方式自适应分类。信号调制方式自适应分类在民用和军事的无线通信领域起着至关重要的作用。当前信号调制分类多是利用神经网络进行基于特征的分类,可通过对数据集和网络结构修改进一步提高分类准确率。首先,本文通过采用改进的Triple-GAN网络对原始的数据集进行扩展,增加训练样例,解决了由于训练数据不足和过拟合导致的卷积神经网络在信号调制分类方面受限的问题,而且新生成的样例可提供额外的辅助信息来训练分类网络。利用扩展后的数据集对信号调制方式分类网络进行训练,可以提高信号调制方式分类的准确率。并对数据集中的IQ向量进行计算,得到其所对应的瞬时幅度和相位,将计算后的结果作为网络的输入,来验证生成的数据是否具有真实意义。其次,本文通过对分类网络进行改进,将在分类方面具有卓越性能的ResNeXt网络应用到信号调制方式自适应分类网络中来提高网络的分类性能。同时因一些便携式设备受硬件限制,无法部署大型网络,故将改进后的网络通过知识蒸馏进行网络压缩,利用迁移学习,使简单的网络实现较高的分类性能。最后,采用了不同的信号调制方式分类网络进行实验对比,实验结果表明,经过改进的Triple-GAN网络对原始的数据集扩展后,将生成的伪样例加入原始数据集,可对信号的分类准确率起到促进作用。另一方面,改进后的网络实现了更高分类准确率,且在改进网络的引导下,简单的卷积网络也实现了较高的分类性能。

关键词：生成对抗网络信号调制分类数据集增强知识蒸馏 ResNeXt

基于CycleGAN和Pix2Pix的轨面缺陷图像智能生成技术

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

铁道学报 2024年第2期46卷 122-130页

作者：陈嘉欣孙传猛葛耀栋李欣宇靳书云李勇中北大学省部共建动态测试技术国家重点实验室山西太原030051 中北大学电气与控制工程学院山西太原030051 华北计算机系统工程研究所北京100083 重庆大学煤矿灾害动力学与控制国家重点实验室重庆400044

为解决基于人工智能的高动态高精度轨道巡检技术的小样本学习难题,提出基于CycleGAN和Pix2Pix生成的对抗网络模型,实现小样本数据集语义特征学习和钢轨轨面缺陷数据的智能生成。其中,Pix2Pix模型生成特定类别的轨面图像;而CycleGAN模型... 详细信息

为解决基于人工智能的高动态高精度轨道巡检技术的小样本学习难题,提出基于CycleGAN和Pix2Pix生成的对抗网络模型,实现小样本数据集语义特征学习和钢轨轨面缺陷数据的智能生成。其中,Pix2Pix模型生成特定类别的轨面图像;而CycleGAN模型将无缺陷轨面图像转换成有缺陷轨面图像,且缺陷样式不受定式约束。因此,在维持轨面缺陷类别不变而形态各异的基础上,实现了轨面缺陷数据集的大规模增强,解决了小样本数据集存在的数据分布不平衡、数据缺乏多样性以及数据标注难度高等难题。利用VGG19、YOLOv5和UNet进行性能测试,试验表明:生成的轨面缺陷图像增强数据集在图像分类任务中的准确率为81.177%,较原数据集增加了23.138%;在目标检测任务中,准确率为91.90%,增加了26.60%,召回率为87.20%,增加了16.00%,均值平均精度为93.50%,增加了18.30%;在语义分割任务中Dice得分为71.015,较原数据集提高6%。研究结果对解决轨道巡检技术小样本学习难题具有重要应用价值。

关键词：轨道巡检生成对抗网络数据集增强小样本学习

在线全文

学校读者我要写书评

暂无评论

典型传统服饰图像的在线识别系统

纺织学报 2023年第5期44卷 184-190页

作者：颜丙义侯金黄启煜杨汉城田进杨春勇中南民族大学电子信息工程学院湖北武汉430074 智能无线通信湖北省重点实验室湖北武汉430074 智能物联技术湖北省工程研究中心湖北武汉430074

为探索传统服饰文化的智能化保护手段和提高传统服饰文化的传播效率,以加权投票法集成多注意力机制的传统服饰识别算法为核心,构建了一个典型传统服饰图像的在线识别系统。首先,通过书籍扫描和线下拍摄等手段收集传统服饰图像数据,再联... 详细信息

为探索传统服饰文化的智能化保护手段和提高传统服饰文化的传播效率,以加权投票法集成多注意力机制的传统服饰识别算法为核心,构建了一个典型传统服饰图像的在线识别系统。首先,通过书籍扫描和线下拍摄等手段收集传统服饰图像数据,再联合多背景替换和几何变换混合增强服饰图像数据,完成传统服饰图像数据集的构建。随后,采用迁移学习技术在DenseNet169网络上分别引入了通道注意力、卷积注意力和位置注意力3种机制来构建模型,并对3种模型的识别结果进行加权投票判决,实现对传统服饰图像的高精度识别。在此基础上,通过对未知待测图像进行在线裁剪和自适应等规范化预处理,提高了识别系统的泛化适应性。最后,采用Web和云计算技术实现了系统的在线识别、交互、显示和账号管理等功能集成。测试结果表明,本文实现的传统服饰识别算法在验证集上的识别准确率达到了93.5%,构建的系统能够有效地在线识别15类传统服饰图像,对传统服饰文化的传播和保护具有一定的促进作用。

关键词：传统服饰图像数据集增强迁移学习加权投票判决在线识别系统

基于神经网络特征线提取的飞机位姿识别方法研究

在线全文

学校读者我要写书评

暂无评论

强激光与粒子束 2024年第6期36卷 157-165页

作者：陈长俊唐丹杨浩游安清潘旭东中国工程物理研究院应用电子学研究所四川绵阳621900 中国工程物理研究院研究生院北京100088

为实现复杂情况下的飞机位姿识别,提出了基于神经网络特征线提取的位姿识别新方法。该方法利用3D模型进行图像渲染,通过添加背景形成数据集,为提高算法鲁棒性进行了数据集增强。特征线提取模型采用卷积神经网络提取目标深度特征,利用热... 详细信息

为实现复杂情况下的飞机位姿识别,提出了基于神经网络特征线提取的位姿识别新方法。该方法利用3D模型进行图像渲染,通过添加背景形成数据集,为提高算法鲁棒性进行了数据集增强。特征线提取模型采用卷积神经网络提取目标深度特征,利用热力图获取飞机特征线。结合飞机特征线、飞机3D模型以及n线透视方法解算目标位姿。该方法建立的飞机特征线提取模型,在复杂背景下准确率约为91%。叠加了各类噪声后,准确率为84%。飞机位姿通过EPnL算法与非线性优化进行求解。在目标背景复杂的情况下,实验得到的平均预测角度误差约为0.57°,平均预测平移误差约为0.47%。图像叠加各类噪声后,得到的平均预测角度误差约为2.11°,平均预测平移误差约为0.93%。提出的飞机位姿识别方法在复杂背景、各类噪声影响下可以较精准地预测飞机位姿,应用场景更加广泛。

关键词：神经网络特征线提取位姿识别数据集增强

在线全文

学校读者我要写书评

暂无评论

钢板表面缺陷图像增强与自动标注方法研究

机械科学与技术 2023年

作者：杨璐雅黄新波任玉成韩琪西安电子科技大学机电工程学院西安工程大学电子信息学院中国重型机械研究院股份公司

数据标注为机器学习提供了大量带标签的数据，在数据集制作时需要借助各种标注工具手动对图像进行画框标注，受主观因素影响较大，且工业现场环境复杂，采集到的图像质量不稳定，也会影响标注效果。因此提出一种改进MSR(Multi-Scale Ret... 详细信息

数据标注为机器学习提供了大量带标签的数据，在数据集制作时需要借助各种标注工具手动对图像进行画框标注，受主观因素影响较大，且工业现场环境复杂，采集到的图像质量不稳定，也会影响标注效果。因此提出一种改进MSR(Multi-Scale Retinex)钢板缺陷图像数据集增强算法和基于图像分块和像素差分的自适应目标框标注算法，首先在MSR基础上提出一种自适应权值计算方法对采集到的缺陷图像进行增强，通过计算信息熵占比自动确定权值Wk，克服了传统MSR算法需要人工调整权值的缺点；然后为了解决直接对整幅图像提取目标边界计算量太大的问题，提出一种分块计算像素差分的方法，分别计算每个子块图像的均值矩阵和二阶差分矩阵，通过判别目标在各个子块的分布情况，选取合适的子块分别计算矩形框的四个边界，代替人工画框辅助数据集的标注，并采用Faster R-CNN和YOLOV5进行缺陷检测验证。结果表明，提出算法的平均IOU为0.87，平均检测时间为457ms，在公开数据集上的平均IOU和检测时间分别为0.84和473ms，性能均优于其他方法，基于提出算法Faster R-CNN和YOLOV5的检测准确率分别提升了4.8%和5.9%，可以为深度学习模型提供质量稳定的数据集。

关键词：数据标注深度学习数据集增强像素二阶差分自适应目标框标注

基于改进SinGAN的电力线巡检异物数据增强技术

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

电子测量与仪器学报 2021年第1期35卷 165-173页

作者：宋立业王诗翱刘昕明刘卫东辽宁工程技术大学电气与控制工程学院葫芦岛125000

针对电力线异物识别模型能使用的数据集较少,并且传统单幅自然图像的生成式模型(SinGAN)模型生成数据与异物识别模型匹配度不高、质量不佳、耗时过久的问题,提出了改进SinGAN模型。在改进SinGAN模型基础上加入仿射变换单元、大小变换单... 详细信息

针对电力线异物识别模型能使用的数据集较少,并且传统单幅自然图像的生成式模型(SinGAN)模型生成数据与异物识别模型匹配度不高、质量不佳、耗时过久的问题,提出了改进SinGAN模型。在改进SinGAN模型基础上加入仿射变换单元、大小变换单元进一步增强数据集,加入图像滤波单元提高电力线异物识别模型所需数据质量。并通过改进SinGAN反向传播训练过程和SinGAN的单精度生成器结构提升模型生成质量,减少所用时长。实验结果表明,经50次实验后,改进SinGAN的平均弗雷谢特起始距离(Fréchet inception distance, FID)为91.375,平均训练时长1.21 h。分别比传统SinGAN降低了27.247%和87.31%。改进SinGAN与其他主流生成式对抗网络相比有更好的异物数据生成能力,可以增强电力线异物识别模型所需数据,具有优越性。

关键词：电力线巡检异物识别数据集增强生成式对抗网路

利用卷积神经网络的交通标志智能检测方法研究

在线全文

学校读者我要写书评

暂无评论

利用卷积神经网络的交通标志智能检测方法研究

作者：王彤北京建筑大学

学位级别：硕士

交通标志智能检测方法作为智慧交通领域内关键技术,在无人驾驶及高精度地图构建过程中起到关键作用。在无人驾驶环节,交通标志智能检测快速准确的获取前方交通标志信息并传递给后续分析层,为车路径规划、驾驶行为决策等层级提供数据支... 详细信息

交通标志智能检测方法作为智慧交通领域内关键技术,在无人驾驶及高精度地图构建过程中起到关键作用。在无人驾驶环节,交通标志智能检测快速准确的获取前方交通标志信息并传递给后续分析层,为车路径规划、驾驶行为决策等层级提供数据支撑。在高精度地图构建过程中,交通标志智能化检测方法从海量的街景图像数据中快速精准的筛选出交通标志牌的位置及类别,是快速生产高精度地图的必要环节。实际道路场景复杂多变,所拍摄的交通标志受光照、天气、拍摄角度等因素影响而产生颜色形态方面变化,同时道路场景中的相似物体也会干扰交通标志的正确检出。为了保证后续层级的可靠性,还要在尽可能远的距离条件下完成标志的检出。为了解决以上问题,针对道路交通标志智能检测相关方法展开研究,提出了基于回归的交通标志检测模型ACB-FPN-Net。该模型对远距离条件下较小的尺寸交通标志有着很好的检测精度和速度,并且在不同复杂程度的场景中拥有很好的泛化能力。使用改进的K-means++模型对模型检测过程中需要的锚点框进行聚类,并在现有数据集的基础上对其进行了数据扩充和数据增强。针对现有车载硬件的运算能力有限,不能很好支持交通标志检测模型流畅运行的问题,设计提出了轻量级交通标志检测模型MG-Net。同时,基于两种检测模型开发了交通标志检测与数据管理平台。本文的主要研究内容包括以下几个方面。(1)基于回归的交通标志检测方法研究。针对目标检测模型在道路交通场景下对小目标检测精度较低,且在不同场景下泛化能力较差等问题,构建了基于回归的交通标志智能检测模型ACB-FPN-Net。ACB-FPN-Net由特征提取网络和多尺度特征预测模块组成,首先使用全卷积网络结构和非对称卷积组构建了模型的特征提取网络,然后采用上采样和特征图拼接的方式建立了多尺度特征检测模块。提出了改进的kmeans++算法实现了锚点框的精准聚类。针对目前开源数据集中交通标志个数较少、目标风格单一等问题,利用自主研发的移动道路数据测量平台收集不同场景下的交通标志图像来扩充现有开源数据集,并采取多种手段对数据集进行了样本增强处理,提高了训练后模型的检测精度与泛化能力。使用不同复杂程度的实际场景图像测试了模型对小目标的检测能力以及模型的泛化能力,并与同类型的目标检测模型对比,通过由检测精度、检测速度组成的评价体系对模型的综合性能进行评价。结果表明,所提出ACB-FPN-Net交通标志检测模型在能够达到88.9%mAP的检测精度,比SSD和YOLOv3模型分别提高了37.8%、17.5%,同时在测试环境中的检测速度可以达到31FPS,达到实时检测的标准。通过在不同的场景的测试,证明了模型拥有很好的泛化能力和对小目标的检测能力,在精度、速度以及泛化能力方面表现出卓越的性能。(2)适用于低功耗场景下的轻量化交通标志检测模型研究。为满足移动式低功耗车载平台进行交通标志超快速检测的需求,构建了轻量级交通标志检测模型MGNet。使用深度可分离卷积层构建特征提取层,让网络在有限计算量前提下保持一定的深度和提取能力。使用分组卷积进一步降低特征提取过程中的计算量,并通过通道混排来恢复分组后的特征通道间的通信能力,保证了后续层次中特征提取的有效性。使用最大池化和1x1卷积核组成特征下采样模块,通过与特征提取层的叠加,构建了轻量级的特征提取网络。构建了双层多尺度检测网络,对不同尺寸目标进行位置检测和分类,并且在多尺度检测网络中添加了跨层连接通道来增强特征的复用性,构建语义更为丰富的特征图进行预测。在低压CPU和小型移动GPU组成的低功耗平台上对模型进行测试,并通过检测精度、速度、训练后模型权重大小等指标,并对比同类型轻量级检测模型,对模型的综合性能进行了评价。结果表明,模型在测试集上的检测精度的mAP达到65.8%,与MobileNet-SSD和TinyYolo3相比分别提高了27.7%和12.6%。在低功耗硬件平台上可以达到37FPS的检测速度,满足超快速检测的需求。训练后模型权重的大小仅有21.58MB,比MobileNet-SSD和TinyYolo3模型缩小了60.2%和38.1%,适合部署在低功耗、内存小的车载硬件环境中运行下。(3)交通标志检测及数据管理平台的设计与实现。在研究交通标志检测模型的基础上,实现了交通标志检测与数据管理平台。根据不同的应用场景,能够实现实时道路街景数据的采集、数据预处理、基于云端部署模型的交通标志检测,基于本地轻量级模型的交通标志检测以及检测结果的存储与管理。并通过自主研发的移动道路平台,在实际场景中对平台各项功能进行了测试,并取得了良好的效果。

关键词：交通标志检测卷积神经网络数据集增强轻量级检测模型交通标志检测与数据管理平台

基于深度学习的表面微小缺陷精确检测方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的表面微小缺陷精确检测方法研究

作者：马腾电子科技大学

学位级别：硕士

在产品生产过程中,由于制造工艺简单、操作不当等因素,导致产品表面缺陷难以规避。若未能及时处理这些缺陷,将对产品的外观和功能产生重大影响。传统的人工检测依靠肉眼识别缺陷,存在速度慢、成本高的缺点。伴随图像处理、模式识别等技... 详细信息

在产品生产过程中,由于制造工艺简单、操作不当等因素,导致产品表面缺陷难以规避。若未能及时处理这些缺陷,将对产品的外观和功能产生重大影响。传统的人工检测依靠肉眼识别缺陷,存在速度慢、成本高的缺点。伴随图像处理、模式识别等技术的发展,基于机器视觉的自动检测已充分应用于产品质检环节。但是,针对产品表面存在的微小缺陷,机器视觉检测难以充分提取微小缺陷的特征信息,漏检现象时常发生。由于深度学习拥有自主学习特征的性质,能够提取缺陷目标更深层次的特征,为微小缺陷的精确检测提供可行之道。本文研究基于深度学习的表面微小缺陷检测算法,主要的研究内容分为以下三个方面。首先,设计YOLOv3-M目标检测算法。通过对比分析主流目标检测算法,结合检测任务的要求选择YOLOv3检测框架,在此基础上进行改进并设计YOLOv3-M目标检测算法。主要改进如下:a)针对小目标检测精度不足的问题,本文将经过YOLOv3主干网络8倍下采样的特征图进行2倍上采样,再与4倍下采样特征图融合,获得尺寸更细的特征图以提高网络对小目标的检测精度。b)为了改善目标定位存在偏差的现象,本文使用K-means++算法优化初始聚类中心的位置,从而改善先验框的参数,生成符合目标尺寸大小的先验框;同时采用基于GIOU的损失函数替换原始的IOU损失函数,在原始的损失函数中添加预测框与真实框的非重叠区域的计算,使网络对两个边界框之间的偏差更加敏感。其次,制作并增强数据集图片。本文将收集的手机屏幕缺陷图片和铝材瑕疵图片制成两个标准的VOC数据集,由于生成的缺陷图片稀少,因此需要对缺陷图片进行翻转、旋转、裁剪、平移等操作实现数据集增强。最后,设置三组对比实验来评估两个缺陷数据集和YOLOv3-M算法。实验一,在YOLOv3算法中运行两个缺陷数据集和Dataset数据集,测试结果是三种数据集的检测速度相近,Dataset数据集的检测精度略高。实验二,使用手机屏幕缺陷数据集训练并测试YOLOv3和YOLOv3-M模型的性能,模型修改前后对应的m AP分别为78.2%和83.4%,增长5.2%。实验三,在两种检测算法中运行铝材瑕疵数据集,YOLOv3-M获得的m AP为82.6%,相比YOLOv3提高3.4%。并且在实验二、三中,两种算法获得的FPS均在35左右。实验结果表明,YOLOv3-M算法由于引入多尺度特征融合检测技术、Kmeans++聚类函数和基于GIOU的损失函数,对于工业领域中表面微小缺陷的检测任务,可以在保证检测速度的前提下,获得更高的检测精度。

关键词：深度学习微小缺陷检测 YOLOv3 特征融合数据集增强

基于数据驱动补偿的稀土萃取过程组分含量混合建模

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于数据驱动补偿的稀土萃取过程组分含量混合建模

作者：丁康豪华东交通大学

学位级别：硕士

我国作为世界上稀土资源大国之一,在稀土资源的供应方面在国际上也有着举足轻重的地位。但是目前大部分的稀土生产企业由于技术限制,无法对萃取槽体中组分含量的变化实施快速检测,使得组分含量的分布出现偏差时不能及时采取有效手段对... 详细信息

我国作为世界上稀土资源大国之一,在稀土资源的供应方面在国际上也有着举足轻重的地位。但是目前大部分的稀土生产企业由于技术限制,无法对萃取槽体中组分含量的变化实施快速检测,使得组分含量的分布出现偏差时不能及时采取有效手段对工况进行调整,带来了出口产品质量难以实时控制的问题,制约了稀土生产企业经济效益的提升。本论文针对传统稀土萃取过程组分含量软测量方法存在的单一机理模型精度不高、单一数据模型建模过程不透明的缺点,提出了一种基于数据驱动补偿的稀土萃取过程组分含量混合建模方法。本文主要研究内容如下:首先建立稀土萃取过程机理模型。通过分析Ce Pr/Nd串级萃取分离流程,使用分段集结简化方法对流程进行简化以降低机理模型的维度,简化建模的过程并降低模型计算量。基于物料平衡原理逐级建立简化之后流程的机理模型,并使用递推最小二乘法对机理模型的参数进行辨识,实现组分含量的检测。鉴于上述机理模型在建模过程中设定了诸多假设条件以规避噪声的干扰,因而在实际使用中不可避免的存在偏差,本文使用数据驱动的模型对机理模型产生的误差进行补偿。由于稀土离子具有特殊结构,不同组分含量的稀土离子溶液在可见光的照射下会表现出不同的颜色特征,利用颜色特征和组分含量之间的联系建立基于随机森林算法（RF）的误差补偿模型,结合机理模型和误差补偿模型得到组分含量检测混合模型。针对数据补偿建模过程中的小样本问题,提出了一种基于生成对抗（GAN）思想的数据集增强方法。利用KMeans-Smote算法对数据补偿模型的数据集进行拓增,采用随机森林判别器对拓增数据是否符合真实数据分布进行判断,根据拓增后的数据集得到基于数据拓增方法的稀土萃取过程组分含量检测混合模型,进一步提升了混合模型的检测精度。综上所述,基于数据拓增方法的混合模型对Ce Pr/Nd萃取过程组分含量变化有较好的跟踪性能,满足生产现场的组分含量变化检测要求。

关键词：稀土萃取机理建模数据补偿混合模型数据集增强