检索结果-南通市图书馆

检索条件"主题词=非平衡小样本"

共 2 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

非平衡小样本下钢轨表面缺陷图像式检测方法研究

非平衡小样本下钢轨表面缺陷图像式检测方法研究

引用

作者：李亚兴兰州交通大学

学位级别：硕士

铁路系统是我国交通系统中的重要组成部分,其运行环境复杂多变,经常受到雨雪和脏污的影响,并且轨面载荷也随着机车重量的不同而实时变化,从而使得钢轨表面的缺陷种类十分繁复。由于监督式深度学习方法在钢轨表面缺陷检测应用中存在缺陷... 详细信息

铁路系统是我国交通系统中的重要组成部分,其运行环境复杂多变,经常受到雨雪和脏污的影响,并且轨面载荷也随着机车重量的不同而实时变化,从而使得钢轨表面的缺陷种类十分繁复。由于监督式深度学习方法在钢轨表面缺陷检测应用中存在缺陷样本不足和正负样本不平衡的问题。基于前沿的深度学习方法提出了三阶段的钢轨表面缺陷检测算法RSDD-Net(钢轨表面缺陷检测网络),包括用于轨面定位与提取的RC-Net(钢轨表面裁剪网络),用于轨面缺陷分割的DR-VAE(去缺陷变分自编码器)以及用于轨面缺陷分类的MSDC(缺陷掩膜分类器)。根据原始轨检图像的特征复杂度,提出了简单有效的RC-Net回归模型,实现了对钢轨表面区域的准确提取。在深度生成模型Soft-Intro-VAE(软自省变分自动编码器)的基础上,提出了一种轻量级的语义分割架构DR-VAE,只需要正常样本进行自监督训练,即可实现铁路表面缺陷的语义分割。基于孪生神经网络的主体架构,结合自监督学习思想,提出更加适用于轨面缺陷分类的MSDC用于3个具体类别的轨面缺陷分类。首先,通过分析原始的轨检测图像复杂度,对目标检测网络进行了裁减并提出了只输出轨面顶点横坐标的回归模型RC-Net用于从轨检图像中定位和提取出轨面区域以便于后续的缺陷分割与缺陷分类。其次,缺陷分割模型DR-VAE在训练阶段通过D-RM(缺陷随机掩膜)将随机伪缺陷掩膜到正常轨面图像的随机位置以生成自监督信号。同时,DR-VAE中的解码器也作为一个判别器来实现自省式对抗训练。为了优化损失函数以适应复杂多变的轨面背景,DR-VAE使用SSIM(结构化相似性度量)作为像素损失,从而重建去除缺陷的轨面背景图像。在推理阶段,DR-VAE通过引入分布容量衰减因子来减少重建中的误差从而提高钢轨表面背景的还原度,最后利用原始图像和重建图像的残差图来实现钢轨表面缺陷的语义分割。然后,提出了用于轨面缺陷分类的MSDC模型。该模型架构主要分为三部分,包括特征提取框架,参数微调框架以及分类推断框架。其中,特征提取框架通过自编码器对图像编码与解码的过程使得模型学习到更加一般性的特征向量。参数微调框架通过特征提取网络在轨面缺陷数据集上的权重参数微调,使得模型更适合提取有利于轨面缺陷分类的抽象特征。推断框架通过比较支持集与待分类缺陷图像的归一化特征向量的余弦相似度来识别缺陷类型。最后,通过将RC-Net、DR-VAE与MSDC进行模型级联得到了三阶段的轨面缺陷检测模型RSDD-Net。通过P-R曲线研究了各个子模型中的超参数对模型性能的影响并确定了子模型的最优超参数。通过对比实验研究了各个子模型的主要性能指标。综合实验表明,RSDD-Net的缺陷检测结果能够满足实际需求,具有一定的应用价值。

关键词：钢轨表面缺陷检测非平衡小样本缺陷分割与分类

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

非平衡工业电力负荷辨识方法研究

非平衡工业电力负荷辨识方法研究

引用

作者：马雪丽吉林化工学院

学位级别：硕士

随着智能用电、需求侧的管理技术逐渐发展和节能减排的意识逐渐增强,非侵入式负荷辨识技术研究十分必要。相比于居民用户用电负荷,工业用电负荷占的比重更大一些,且工业是碳排放的主要来源。为应对气温持续上升、能源供应短缺问题及推... 详细信息

随着智能用电、需求侧的管理技术逐渐发展和节能减排的意识逐渐增强,非侵入式负荷辨识技术研究十分必要。相比于居民用户用电负荷,工业用电负荷占的比重更大一些,且工业是碳排放的主要来源。为应对气温持续上升、能源供应短缺问题及推进需求侧的管理工作、管理工业企业用电负荷,非侵入式负荷辨识成为重要解决方案之一。这有助于工业企业了解生产过程中各设备的具体能耗情况,从而灵活调整生产时序,提高企业主动参与电网公司的低碳需求响应积极性。目前,非侵入式负荷辨识技术在家庭用户领域应用比较广泛,但在工业领域的研究比较少,负荷辨识的精度有待进一步的提高。因此,构建可靠的工业负荷辨识模型是进行非侵入式负荷辨识的关键步骤。本文采用公开的工业负荷数据集进行其在非平衡小样本场景下的工业负荷辨识应用。针对非平衡的工业负荷样本数据以及低频工业负荷数据累积不足等问题,提出一种非平衡工业负荷辨识方法。主要研究内容包括特征提取、最优特征集合构建和工业负荷状态识别。首先,传统的时频特征提取方法虽然能够获得较好的效果,但存在着运算量极大、参数难以选取、高频信息容易丢失,以及时间和空间复杂度较高的问题。因此,从数据集中选择了工业负荷数据及其相应的开关状态多个原始样本。对原始样本直接进行时域分割,将每个样本划分为三个时域区间,对不同区间提取时域特征,构建原始特征集合。实验结果表明该方法有效地缩短了特征提取的时间,提高了特征提取的效率。其次,过高的特征向量维度会增加分类器的复杂度,降低分类效率。基于预测值变化量(PVC)方式计算特征重要度并排序,以CatBoost分类准确率为决策变量,通过前向特征选择确定原始样本中相应设备的最优分类特征子集。实验结果表明该方法进一步降低了特征提取时间、分类器训练以及识别时间。然后,工业负荷数据存在不同类别样本累积数据量不等而导致的数据非平衡问题。若忽视少数类样本的权重,分类器对少数类样本的辨识精度也会受到影响。本课题采用Borderline-SMOTE方法合成样本数据进行平衡化处理,获得平衡的开关样本数据,提高了模型在不平衡数据集上的分类性能。最后,CatBoost模型具有非常复杂的结构,对超参数进行搜索时其空间范围比较广泛,使用其它超参数优化方法进行寻优的效率很低。本课题构建贝叶斯超频带(BOHB)超参数优化的CatBoost分类器对工业负荷进行辨识。实验结果表明该方法有效提高了超参数优化效率,能够对工业负荷状态进行精确的辨识。

关键词：工业负荷辨识非平衡小样本 CatBoost 预测值变化量贝叶斯超频带

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：