检索结果-南通市图书馆

基于googlenet的多级液压缸故障诊断方法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

液压与气动 2024年第6期48卷 33-43页

作者：曹秋涵赵俊鹏石健薛子良吴鹏辉曹向荣天目山实验室浙江杭州310023 北京航天发射技术研究所北京100076 北京航空航天大学自动化科学与电气工程学院北京100191

针对多级缸故障模式复杂且难以实现精准诊断的问题,提出一种基于googlenet神经网络的多级缸故障诊断方法。以多级缸伸出动作时的工作原理为出发点,通过对其建立动力学模型,搭建包含多种故障模式的仿真模型,获得不同状态下的多级缸故障... 详细信息

针对多级缸故障模式复杂且难以实现精准诊断的问题,提出一种基于googlenet神经网络的多级缸故障诊断方法。以多级缸伸出动作时的工作原理为出发点,通过对其建立动力学模型,搭建包含多种故障模式的仿真模型,获得不同状态下的多级缸故障信号。提取关键故障特征,并采用googlenet神经网络构建故障诊断模型,实现多级缸故障诊断与故障定位。仿真和试验结果表明,所建立的多级缸仿真模型与实际相契合,且据此提出的故障诊断方法能够精准识别多级缸的不同故障模式,从而为多级缸维护维修工作的开展提供重要依据。

关键词：多级液压缸升降系统 googlenet 故障诊断

SpikeGoogle:Spiking Neural Networks with googlenet-like inception module

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

CAAI Transactions on Intelligence Technology 2022年第3期7卷 492-502页

作者： Xuan Wang Minghong Zhong Hoiyuen Cheng Junjie Xie Yingchu Zhou Jun Ren Mengyuan Liu School of Intelligent Systems Engineering Sun Yat-sen UniversityShenzhenChinaGuangdong Provincial Key Laboratory of Fire Science and Intelligent Emergency TechnologyGuangzhouChina Shenzhen Academy of Metrology and Quality Inspection ShenzhenChina Infocare Systems Limited New Zealand

Spiking Neural Network is known as the third-generation artificial neural network whose development has great *** the help of Spike Layer Error Reassignment in Time for error back-propagation,this work presents a new network called SpikeGoogle,which is implemented with googlenet-like inception *** this inception module,different convolution kernels and max-pooling layer are included to capture deep features across diverse *** results on small NMNIST dataset verify the results of the authors’proposed SpikeGoogle,which outperforms the previous Spiking Convolutional Neural Network method by a large margin.

关键词： googlenet inception Spiking Neural Networks

A Two-Tier Framework Based on googlenet and YOLOv3 Models for Tumor Detection in MRI

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

Computers, Materials & Continua 2022年第7期72卷 73-92页

作者： Farman Ali Sadia Khan Arbab Waseem Abbas Babar Shah Tariq Hussain Dongho Song Shaker EI-Sappagh Jaiteg Singh Department of Software Sejong UniversitySeoul05006Korea Institute of Computer Sciences&Information Technology The University of AgriculturePeshawar25130Pakistan College of Technological Innovation Zayed UniversityDubai19282UAE Department of Software Korea Aerospace UniversitySeoul10540Korea Faculty of Computer Science and Engineering Galala UniversitySuez435611Egypt Information Systems Department Faculty of Computers and Artificial IntelligenceBenha UniversityBanha13518Egypt Chitkara University Institute of Engineering&Technology Chitkara UniversityRajpura140401India

Medical Image Analysis(MIA)is one of the active research areas in computer vision,where brain tumor detection is the most investigated domain among researchers due to its deadly *** tumor detection in magnetic resonance imaging(MRI)assists radiologists for better analysis about the exact size and location of the ***,the existing systems may not efficiently classify the human brain tumors with significantly higher *** addition,smart and easily implementable approaches are unavailable in 2D and 3D medical images,which is the main problem in detecting the *** this paper,we investigate various deep learning models for the detection and localization of the tumor in MRI.A novel twotier framework is proposed where the first tire classifies normal and tumor MRI followed by tumor regions localization in the second ***,in this paper,we introduce a well-annotated dataset comprised of tumor and normal *** experimental results demonstrate the effectiveness of the proposed framework by achieving 97%accuracy using googlenet on the proposed dataset for classification and 83%for localization tasks after finetuning the pre-trained you only look once(YOLO)v3 model.

关键词： Tumor localization MRI Image classification googlenet YOLOv3

Robust Multi-Watermarking Algorithm for Medical Images Based on googlenet and Henon Map

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

Computers, Materials & Continua 2023年第4期75卷 565-586页

作者： Wenxing Zhang Jingbing Li Uzair Aslam Bhatti Jing Liu Junhua Zheng Yen-Wei Chen School of Information and Communication Engineering Hainan UniversityHaikou570228China State Key Laboratory of Marine Resource Utilization in the South China Sea Hainan UniversityHaikou570228China Research Center for Healthcare Data Science Zhejiang LabHangzhou311100China Graduate School of Information Science and Engineering Ritsumeikan UniversityKusatsu525-8577Japan

The field of medical images has been rapidly evolving since the advent of the digital medical information ***,medical data is susceptible to leaks and hacks during *** paper proposed a robust multi-watermarking algorithm for medical images based on googlenet transfer learning to protect the privacy of patient data during transmission and storage,as well as to increase the resistance to geometric attacks and the capacity of embedded watermarks of watermarking ***,a pre-trained googlenet network is used in this paper,based on which the parameters of several previous layers of the network are fixed and the network is fine-tuned for the constructed medical dataset,so that the pre-trained network can further learn the deep convolutional features in the medical dataset,and then the trained network is used to extract the stable feature vectors of medical ***,a two-dimensional Henon chaos encryption technique,which is more sensitive to initial values,is used to encrypt multiple different types of watermarked private ***,the feature vector of the image is logically operated with the encrypted multiple watermark information,and the obtained key is stored in a third party,thus achieving zero watermark embedding and blind *** experimental results confirmthe robustness of the algorithm from the perspective ofmultiple types of watermarks,while also demonstrating the successful embedding ofmultiple watermarks for medical images,and show that the algorithm is more resistant to geometric attacks than some conventional watermarking algorithms.

关键词： Zero watermarks googlenet medical image Henon map feature vector

基于googlenet和无人机图像的水稻秧苗形态识别

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

华南农业大学学报 2022年第3期43卷 99-106页

作者：朱伟马立新张平刘德营南京农业大学工学院江苏南京210031 江苏省农业机械试验鉴定站江苏南京210017

【目的】针对目前国内评价插秧质量主要以人工观察和随机抽样的现状,提出一种基于卷积神经网络googlenet对水稻秧苗图像进行形态识别的方法。【方法】首先,利用无人机超低空航拍获取清晰、完整的稻田秧苗图像,通过裁剪标记制作漂秧、伤... 详细信息

【目的】针对目前国内评价插秧质量主要以人工观察和随机抽样的现状,提出一种基于卷积神经网络googlenet对水稻秧苗图像进行形态识别的方法。【方法】首先,利用无人机超低空航拍获取清晰、完整的稻田秧苗图像,通过裁剪标记制作漂秧、伤秧和合格秧苗数据集;然后,基于googlenet结构训练数据,得到最佳网络识别模型;最后,对单穴秧苗图像进行分类试验,并与传统图像分类算法(SVM、BP神经网络)进行对比。【结果】在相同样本的条件下,基于googlenet的秧苗形态识别方法更快、更准确地完成了判断分类,秧苗形态识别的平均正确率为91.17%,平均耗时0.27 s;与SVM和BP神经网络相比,分类平均精度分别提高了21和13个百分点,检测时间分别缩短了1.09和0.58 s。【结论】本研究可为水稻插秧质量评价提供相关支持。

关键词：水稻插秧质量秧苗形态 googlenet 无人机图像分类

维普期刊数据库博看期刊

基于googlenet的混凝土细观模型应力-应变曲线预测

在线全文

学校读者我要写书评

暂无评论

应用数学和力学 2022年第3期43卷 290-299页

作者：周杰赵婷婷陈青青王志勇王志华太原理工大学机械与运载工程学院应用力学研究所太原030024 材料强度与结构冲击山西省重点实验室太原030024

非均质复合材料的宏观力学性能往往取决于细观组分的分布方式和力学性能,但是建立明确的关系表达式极其困难.为了应对这一挑战,以混凝土为研究对象,提出了一种基于深度学习的策略,能够高效、准确地通过细观模型图像信息获取应力-应变曲... 详细信息

非均质复合材料的宏观力学性能往往取决于细观组分的分布方式和力学性能,但是建立明确的关系表达式极其困难.为了应对这一挑战,以混凝土为研究对象,提出了一种基于深度学习的策略,能够高效、准确地通过细观模型图像信息获取应力-应变曲线.首先,使用基于卷积神经网络(convolutional neural network,CNN)的googlenet模型进行图像信息识别和提取,并针对应力-应变曲线的复杂性特点,进行了数据预处理操作,并且设计了相应的多任务损失函数.数据集中的细观模型图像采用基于Monte-Carlo的随机骨料模型生成,并且使用数值模拟试验获取对应细观模型的单轴压缩应力-应变曲线.最后,通过对神经网络的训练和测试评估了所提出方法的可行性.结果表明,googlenet模型训练效率和预测精度均优于AlexNet和ResNet模型,具有良好的泛化能力和鲁棒性.

关键词：混凝土细观模型 googlenet 卷积神经网络应力-应变曲线

基于googlenet和空间谱变换的高光谱图像超分辨率方法

在线全文

学校读者我要写书评

暂无评论

光学技术 2022年第1期48卷 93-101页

作者：王溢琴董云云刘慧玲晋中学院信息技术与工程学院山西晋中030619 太原理工大学软件学院山西太原030600 晋中学院机械学院山西晋中030619

为了提高高光谱图像的空间分辨率,提出了一种基于googlenet和空间谱变换的高光谱图像超分辨率(SR)方法。设计出遥感图像的光谱SR框架,对图像中不同反射光谱进行提取;采用googlenet的稀疏编码对粗像素光谱进行放大,并投影到高分辨率字典... 详细信息

为了提高高光谱图像的空间分辨率,提出了一种基于googlenet和空间谱变换的高光谱图像超分辨率(SR)方法。设计出遥感图像的光谱SR框架,对图像中不同反射光谱进行提取;采用googlenet的稀疏编码对粗像素光谱进行放大,并投影到高分辨率字典上,将潜在SR表示进行反转,以获得超分辨光谱;为了提高图像重构的保真度,利用googlenet网络的编解码结构实现空间光谱先验变换。在KSC等数据集对所提方法进行验证,实验结果表明,所提方法能够有效重建图像细节信息与纹理结构,平均峰值信噪比(APSNR)、平均结构相似度(ASSIM)以及光谱角映射(SAM)均优于其他对比方法,且能够较好地保持光谱信息。以KSC数据集为例,APSNR、ASSIM和SAM的值分别为25.643dB、0.789和0.084。

关键词：高光谱图像超分辨率 googlenet 空间谱变换稀疏编码图像重构

基于向量注意力机制googlenet-GMP的行人重识别方法

在线全文

学校读者我要写书评

暂无评论

计算机科学 2022年第7期49卷 142-147页

作者：孟月波穆思蓉刘光辉徐胜军韩九强西安建筑科技大学信息与控制工程学院西安710055 人工智能与数字经济广东省实验室(华南理工大学) 广州510000

为了提高行人重识别(Re-ID)的准确率和适用性,提出了一种基于向量注意力机制googlenet的Re-ID方法。首先,将3组图像(锚、正、负)输入到googlenet-GMP网络中,获得分段式特征向量。然后,利用空间金字塔池化(Spatial Pyramid Pooling,SPP)... 详细信息

为了提高行人重识别(Re-ID)的准确率和适用性,提出了一种基于向量注意力机制googlenet的Re-ID方法。首先,将3组图像(锚、正、负)输入到googlenet-GMP网络中,获得分段式特征向量。然后,利用空间金字塔池化(Spatial Pyramid Pooling,SPP)对来自不同金字塔等级的特征进行聚合,并引入注意力机制,通过对代表目标视觉信息的多尺度池化区域进行整合,获得多个语义等级上的可区分性特征。同时,将两个不同损失函数的混合形式作为最终损失函数。在Market-15012和Duke-MTMC3数据集上进行实验,结果表明,相比其他优秀方法,所提方法在Rank-1和mAP指标方面表现更优。

关键词：行人重识别注意力机制 googlenet 空间金字塔池化损失函数

基于googlenet的稻米品种识别与碎米检测

在线全文

学校读者我要写书评

暂无评论

中国粮油学报 2023年第2期38卷 146-152页

作者：陈文博刘昌华刘春苔孙开琼武汉轻工大学数学与计算机学院武汉430048

稻米是我国人民食用的主要粮食作物,因此稻米的品种识别与质量检测有着重要的意义。在以前,通常使用的是人工的方式用眼睛观察来识别不同品种的稻米,这种方法效率低下,而且容易受主观的影响导致识别出错,从而影响准确率。本文基于MATLA... 详细信息

稻米是我国人民食用的主要粮食作物,因此稻米的品种识别与质量检测有着重要的意义。在以前,通常使用的是人工的方式用眼睛观察来识别不同品种的稻米,这种方法效率低下,而且容易受主观的影响导致识别出错,从而影响准确率。本文基于MATLAB平台设计一套稻米品种识别系统,首先使用图像处理将实际拍摄稻米图片进行目标检测和提取,再采用迁移学习的方式训练googlenet深度神经网络模型对稻米图片进行识别,该模型还能检测出每一粒稻米是否为整精米,且识别准确率可达到96.46%。在相同训练参数下对比VGG19训练结果,验证精度提高1.46%,调整数据量探究其对模型性能影响,模型准确率随着数据集增大而提高,精度维持在94.17%以上。

关键词：稻米 googlenet 迁移学习深度神经网络