为实现工人装配动作过程的识别,防止由于工人装配动作不规范而造成装配产品质量问题,研究基于深度学习方法的装配动作识别,提出一种基于通道注意力的融合时间和空间信息特征网络模型来识别装配动作的方法。利用MYO臂环传感器采集表面肌电信号,建立一个包含多种装配动作的数据集;搭建一个用于装配动作识别的神经网络,对网络模型进行评估。结果表明该方法具有较高的准确率和一定的参考价值。

针对柱塞泵故障样本少、在噪声干扰下故障信号微弱及传统深度学习依赖大量训练样本的问题,提出了一种基于模型不可知元学习(MAML)的少样本柱塞泵故障诊断方法。首先,利用改进的带自适应噪声的完全集成经验模态分解(ICEEMDAN)方法来分解采集到的一维振动信号,得到本征模态函数的IMF分量,并筛选故障信息丰富的敏感分量以增强振动信号中的特征信息。其次,建立了多通道一维卷积模型,该模型构建了一个具有高效通道注意力机制的通道交互特征编码器,旨在关注不同通道间的交互故障信息,进而有效地提取多个诊断元任务的通用诊断知识。最后,将一维卷积模型作为基模型,并通过MAML方法训练获得了最优的模型初始化参数;最优的初始化模型能够快速适应新工况下的少量柱塞泵故障样本,从而实现了少样本下的柱塞泵故障诊断。利用柱塞泵实验数据验证了...

针对滚动轴承早期故障具有强噪声背景且信号弱强度导致诊断精度较低的问题,提出一种基于共振稀疏分解(RSSD)的改进一维卷积和双向长短期记忆的故障诊断方法。利用3σ原则确定轴承全寿命周期的早期退化起始点,对起始点时域信号进行RSSD降噪处理,从而提高早期微弱故障的分辨率;将数据预处理后的信号输入到添加SE注意力机制的卷积神经网络(CNNSE)中提取关键局部特征,其输出输入双向长短期记忆神经网络(BiLSTM)对当前及前后时间序列信息进行特征提取;最后,通过全连接层和Softmax层进行早期多故障分类。采用所提方法针对XJTU-SY轴承全寿命周期故障信号进行实验,结果表明所提方法对早期微弱故障信号有更高的识别率,诊断准确率99.75%,优于其他诊断方法。

针对变工况条件下现有深度学习网络模型对滚动轴承故障分类效果不佳的问题,以滚动轴承实验台数据为研究对象,提出迁移学习和注意力机制相结合的滚动轴承故障诊断方法。结合域对抗神经网络(DANN)与宽卷积核卷积神经网络(WDCNN)得到新的网络诊断模型(WDAANN),并通过对目标域的带标签数据进行训练以优化网络参数;结合注意力机制方法使所提网络获得更好的分类能力,从而实现变工况下的滚动轴承故障诊断。最终将该方法与传统CNN、DANN、WDAANN等模型进行对比验证。结果表明所提方法的准确率提高,且模型的跨域诊断能力提高;所提网络的性能相比WDCNN、CNN及WDAANN网络明显提升,验证了所设计模型的优越性。

为了提高轴承在变工况下的故障诊断准确率,提出了融合注意力机制的卷积神经网络诊断方法。分析了卷积神经网络结构工作原理及参数优化方法。给出了注意力机制的实现方法,并将注意力机制融入到卷积神经网络中,帮助卷积神经网络从众多特征中选择对当前任务敏感的深层特征,从而提出了融入注意力机制卷积神经网络的故障诊断方法。明确了融合注意力机制卷积神经网络结构和诊断流程。经过实验验证,在单工况的变工况下,ATTM-CNN神经网络的识别准确率均值比CNN网络高2.94%;在两工况的变工况下,ATTM-CNN神经网络的识别准确率均值比CNN网络高3.42%,以上数据证明了ATTM-CNN算法具有较高的诊断准确率和较好的泛化能力。

基于卷积神经网络提取图像特征的方法被广泛应用到图像检索中,主要研究内容为设计良好的特征提取方式。为了提高图片全局特征评估检索准确率,对基于特征融合的深度学习图像检索算法进行分析。通过对不同特征提取方式进行测试,提出融合不同卷积层进行特征提取的策略,并且对提取效果进行分析。测试结果显示,检索准确率比单层卷积层提取特征的准确率要高;利用注意力机制融合特征发现通道信息的注意力机制可以提高检索准确率,而空间信息的注意力机制会降低原始信息的可区分度和检索准确率。

针对传统生物实验室自动化程度低、效率低的问题,提出一种基于YOLOv5s的细胞培养板分类识别算法—YOLOv5s-tiny。首先通过多尺度同态滤波颜色恢复算法对输入端图像进行预处理,提高了图像的成像效果;在考虑实验场景的情况下对小目标的检测层进行剪枝;使用深度可分离卷积代替普通卷积,减少了模型的参数量,提高了运算速度;采用距离交互比损失函数及软化非极大值抑制算法,加快了收敛速度,提高了边界框的准确率;加入卷积块注意力机制,解决了检测过程中局部遮挡和漏检问题;最后,使用YOLOv5s-tiny算法对细胞培养板进行实验。通过与原始YOLOv5s算法比较,验证该算法能快速、准确的对细胞培养板进行分类识别,准确率和召回率分别提高了4.5%和1.4%,提高了生物实验室的工作效率。

传统的缺陷检测方法存在各种各样的弊端,近年用基于深度学习缺陷检测方法成为研究热点。针对目前主流的目标检测算法需要牺牲速度以获取精度的问题,提出了一种融合Channel-Attention机制的SSD目标检测算法。该算法利用通道注意力机制来学习特征通道之间的关系,从而对特征层的每一个通道特征进行权重的分配,进而提升网络的学习能力。在铝型材外观数据集上的实验结果表明,该算法的检测性能达到了较好的效果。改进模型的平均精确均值达到了78.17%,与基础模型SSD相比,提升了3.55%。同时检测速度达到了45frame/s,在提升精度的同时保证了检测速度。验证了融合Channel-Attention机制在提升模型精度的同时没有给模型增加过多的计算量,满足工业实时性检测的要求。

毛刺缸套外观缺陷种类繁多、评判标准不一,导致传统图像处理方法提取的特征信息鲁棒性较差,影响其检测效果。为了解决上述问题采用深度学习算法对缺陷位置定位,提取缺陷区域,结合图像处理算法进行定量分析,准确计算缺陷面积的大小。通过对YOLOv3算法进行优化,增加注意力空间机制、密集采样的方法对图像的不同通道的特征进行学习,并且加深特征层之间的语义信息的传递和复用。通过对比实验发现,经过改进后的深度学习算法检测精度提升4.4%,漏检率减少7.5%,并且单张图像检测时间为86ms,满足工业生产的实时性要求,结合图像处理进行定量分析,准确判别产品的缺陷。

垃圾分拣是一个环境恶劣、重复性高、体力消耗大的岗位,适宜通过智能化设备代替人工进行垃圾分拣。文中提出一种基于YOLO v5s进行改进,用于垃圾识别分类的改进YOLO v5s视觉检测算法。首先进行结构改进,通过改进损失函数、引入K聚类锚框等改进,对2种注意力机制模块及2种嵌入的位置进行比较和选择以提高精度,并通过融合SPPF模块进行提速改进。结构改进后,通过对比实验数种训练策略,进行训练策略改进。同时在搜集到的小型数据集上进行比较,两部分改进后的算法比原算法的m AP提高了1.35%,同时对检测速度影响较小,并与其他算法进行了对比。