田纳西-伊士曼过程数据高纬度、高耦合,存在数据特征难以提取的问题。为进一步提高流程工业系统中故障监测的识别率,现将一维稠密卷积网络(1D-DenseNet)与深度可分离卷积(DSC)结合,利用DenseNet的高效特征提取能力,并结合DSC减少计算参数、提高诊断效率,以提供基于DSC-DenseNet的故障监测方式。先将数据进行归一化整理,并加入随机种子避免过拟合,随后将处理后的结果作为DSC-DenseNet的输入进行特征提取,然后将输出结果传入全连接层进行故障分类;最后在TEP数据集上进行准确率测试。结果证明基于DSC-DenseNet的方法能有效分辨故障类型,故障分类准确率达到98.8%。并证明DSC-DenseNet比传统DenseNet有更好的故障识别效果。

针对现有带钢表面缺陷检测方法准确率低、特征泛化性不强、参数多、识别速度慢等缺陷,基于卷积神经网络,采用DenseNet网络的密集连接算法解决梯度消失和梯度爆炸问题,堆叠式空洞卷积扩大卷积核感受野,深度可分离卷积减少网络参数量,提出一种用于带钢表面陷检测的深度神经网络模型Ds-DenseNet算法。以NEU带钢表面缺陷数据集为基础缺陷样本,加入正样本,并对其进行数据增强操作,创建AUG-NEU数据集,本算法在AUG-NEU数据集上的测试精度高达99.38%,参数量为117958,仅占DenseNet121和ResNet50参数量的1.7%和0.5%,识别速度高达1.3ms/frame,分别是DenseNet121、ResNet50识别速度的2.3倍和2倍,完全可以满足带钢生产线实时检测的需求。

为提高Siamese跟踪算法在快速运动和相似物体等复杂情况下的跟踪性能和跟踪速度,提出一种融合残差连接与深度可分离卷积的Siamese目标跟踪算法。将原特征提取网络中的5×5卷积替换为普通3×3卷积,在减少网络计算量的同时提高其对特征的学习能力。用计算量更小的深度可分离卷积替代原网络中所有的普通3×3卷积,不仅加快了网络推理速度,还加深了特征提取网络的深度,从而获得对目标更具表征能力的深层语义信息。在深度可分离卷积模块中加入残差连接