小样本与不平衡数据集场景下基于MSCNN-ECA-GRU混合框架的桥结构损伤识别

1

作者 陈柳洁 梁豪坚 +2 位作者 吴森明 傅继阳 吴清泰 《中国公路学报》 北大核心 2025年第9期268-282,共15页

针对常规结构损伤识别方法因小样本、类别不平衡及损伤类型多样等问题导致的精度下降,提出一种融合高效通道注意力机制(Efficient Channel Attention,ECA)与门控循环单元(Gate Recurrent Unit,GRU)的多尺度卷积神经网络(Multi-scale Con... 针对常规结构损伤识别方法因小样本、类别不平衡及损伤类型多样等问题导致的精度下降,提出一种融合高效通道注意力机制(Efficient Channel Attention,ECA)与门控循环单元(Gate Recurrent Unit,GRU)的多尺度卷积神经网络(Multi-scale Convolutional Neural Network,MSCNN)新型混合框架MSCNN-ECA-GRU。该方法通过MSCNN-ECA融合架构提取振动信号的空间多尺度特征,结合GRU捕获信号的时序动态特征,并利用参数共享机制实现时空特征深度融合;采用监督学习优化训练策略,提升模型在小样本及不平衡数据场景的特征学习能力与泛化性能。分别基于赫尔钢架桥工程实例与实验室四跨桁架桥试验的振动响应数据开展验证试验。消融试验结果表明:MSCNN-ECA-GRU在不同桥梁、不同传感器中表现出理想的泛化性能;小样本平衡数据集下,MSCNN-ECA-GRU对2个试验桥的损伤识别准确率达98.61%和99.07%,较基准MSCNN分别提升3.14%和2.77%;面对更具挑战性的小样本不平衡数据集,MSCNN-ECA-GRU性能提升尤为突出,对2个试验桥的识别准确率达92.43%和90.96%,较MSCNN-ECA、MSCNN-GRU与基准MSCNN分别提升15.4%和17.93%,21.26%和21.08%,28.02%和31.92%;在50%高斯强噪声干扰下,MSCNN-ECA-GRU仍保持大于97%的识别准确率,鲁棒性突出。通过多维度量化指标评估证实,MSCNN-ECA-GRU有效解决常规方法在样本稀缺和类别不平衡场景下的性能衰减问题,研究成果为基础设施损伤识别提供了兼顾时空特征提取的智能新方法。 展开更多

关键词 桥梁工程 损伤识别 mscnn-ECA-GRU 振动信号 小样本 不平衡数据集

原文传递

基于MSCNN-LSTM与大模型的轴承故障诊断与预测维护

2

作者 李振飞 原通文 +2 位作者 朱光宇 杨超 梅宇烨 《制造业自动化》 2025年第10期72-79,共8页

针对滚动轴承在复杂工况下易发生故障,以及传统诊断方法实时性较差、对人工特征提取依赖性较强的问题,提出了一种基于MSCNN-LSTM深度学习网络的轴承故障诊断方法,并开发了相应的智能轴承健康管理系统。该系统采用端到端的故障诊断流程,... 针对滚动轴承在复杂工况下易发生故障,以及传统诊断方法实时性较差、对人工特征提取依赖性较强的问题,提出了一种基于MSCNN-LSTM深度学习网络的轴承故障诊断方法,并开发了相应的智能轴承健康管理系统。该系统采用端到端的故障诊断流程,直接利用时域振动信号作为输入,通过多尺度卷积神经网络(Multi-Scale Convolutional Neural Network,MSCNN)自动提取不同频域层次的局部特征,结合长短期记忆网络(LSTM)建模故障特征的时间演化规律,实现高精度的自动化故障诊断。为增强诊断结果的可解释性与决策支持能力,系统引入讯飞星火大模型,生成智能诊断报告与维护建议。系统部署于国产飞腾四核处理器平台,保障软硬件的自主可控性与工业应用的稳定性。实验结果表明,所提系统在西储大学轴承数据集上的平均分类准确率达到98.46%,在AITHE轴承故障数据集上的准确率为96.73%,验证了其在复杂工况下的鲁棒性与跨数据集泛化能力。通过人机交互界面(HMI)实时展示故障诊断结果与维护建议,该系统为设备健康管理与预测性维护提供了可靠的智能化解决方案。 展开更多

关键词 mscnn-LSTM 滚动轴承 大模型 故障诊断 智能健康管理系统

在线阅读 下载PDF 职称材料

基于飞行数据的MSCNN-LSTM水平安定面系统状态监测方法

3

作者 张鹏 胡芳语 +1 位作者 段照斌 刘静静 《中国民航大学学报》 2025年第1期60-66,82,共8页

针对真实飞行数据中故障样本匮乏、数据类间失衡且缺少标注问题,本文提出了一种基于多尺度卷积神经网络(MSCNN,multi-scale convolutional neural network)与长短时记忆(LSTM,long short-term memory)网络的水平安定面系统状态监测方法... 针对真实飞行数据中故障样本匮乏、数据类间失衡且缺少标注问题,本文提出了一种基于多尺度卷积神经网络(MSCNN,multi-scale convolutional neural network)与长短时记忆(LSTM,long short-term memory)网络的水平安定面系统状态监测方法。此方法不依赖于标注数据,利用无监督学习的方式对水平安定面系统进行状态监测。首先,利用MSCNN-LSTM对系统正常运行状态的快速存储记录器(QAR,quick access recorder)数据从空间和时间两个维度进行特征提取,以实现舵面位置预测;其次,计算舵面位置预测值与舵面位置实际值的残差,分析残差分布来确定系统健康状态的阈值;最后,利用某飞机的QAR数据进行验证。实验结果表明,本文所提方法能准确实现水平安定面系统飞行级的异常状态识别,并能在系统发生故障时,提前1个飞行循环进行异常预警。 展开更多

关键词 飞行数据 mscnn-LSTM 水平安定面 状态监测 无监督学习

在线阅读 下载PDF 职称材料

融合Transformer和MSCNN双分支架构的工控网络入侵检测研究 被引量：10

4

作者 李井龙 刘胜全 +2 位作者 马宇航 陈洋洋 刘博 《东北师大学报（自然科学版）》 CAS 北大核心 2024年第3期70-78,共9页

针对现有的工控网络入侵检测方法中存在对工控流量的多空间特征和长距离时序特征的提取能力不足等问题,提出了一种融合Transformer和MSCNN双分支架构的工控网络入侵检测模型.该模型利用多尺度卷积(MSCNN)中多个不同大小卷积核,对工控流... 针对现有的工控网络入侵检测方法中存在对工控流量的多空间特征和长距离时序特征的提取能力不足等问题,提出了一种融合Transformer和MSCNN双分支架构的工控网络入侵检测模型.该模型利用多尺度卷积(MSCNN)中多个不同大小卷积核,对工控流量中多个空间特征进行抽取,扩大了对工控流量特征范围的学习.同时引入Transformer增强了模型对工控流量中长距离时序特征的提取能力,进一步提高了模型的性能.通过UNSW-NB15和NSL-KDD数据集进行了实验,结果表明:该模型与其他方法相比能够提取更加全面有效的特征,具有很好的检测性能和泛化能力. 展开更多

关键词 工控网络 入侵检测 空间特征 长距离时序特征 mscnn TRANSFORMER

在线阅读 下载PDF 职称材料

基于Transformer交叉集成特征的实体关系抽取 被引量：1

5

作者 陈金玉 王名扬 刘旭 《东北师大学报(自然科学版)》 北大核心 2025年第1期74-81,共8页

提出基于Transformer交叉集成特征的实体关系抽取模型ERonTCI,通过对不同层次特征信息的交叉集成来提升实体关系抽取的精度.ERonTCI模型将BERT预训练模型作为嵌入层,将BiGRU网络和MSCNN网络作为主干结构,分别提取文本中的全局特征和局... 提出基于Transformer交叉集成特征的实体关系抽取模型ERonTCI,通过对不同层次特征信息的交叉集成来提升实体关系抽取的精度.ERonTCI模型将BERT预训练模型作为嵌入层,将BiGRU网络和MSCNN网络作为主干结构,分别提取文本中的全局特征和局部特征;使用Transformer实现对全局和局部特征的集成,以避免信息损失,提升模型对文本特征信息的保留度;将集成后的特征信息输入线性层完成实体关系的抽取工作.在公开数据集上进行实验,结果表明,ERonTCI模型取得了比基线模型更好的实体关系抽取效果. 展开更多

关键词 实体关系抽取 TRANSFORMER BiGRU mscnn

在线阅读 下载PDF 职称材料

基于注意力的多尺度残差卷积网络轴承故障诊断

6

作者 李强 马超 黄民 《电子测量技术》 北大核心 2025年第9期19-26,共8页

针对轴承故障信号中存在复杂特征的特点,提出了一种结合注意力机制与多尺度残差卷积网络轴承故障判定方法。该模型结合了卷积神经网络(CNN)的强大特征提取能力和注意力机制的自适应加权能力,能够有效地处理轴承故障信号中的复杂特征。... 针对轴承故障信号中存在复杂特征的特点,提出了一种结合注意力机制与多尺度残差卷积网络轴承故障判定方法。该模型结合了卷积神经网络(CNN)的强大特征提取能力和注意力机制的自适应加权能力,能够有效地处理轴承故障信号中的复杂特征。模型采用了多尺度卷积层,通过不同大小的卷积核捕获信号的多尺度特征,有助于识别不同类型和严重程度的故障。同时,引入残差结构,通过高维与低维特征的协同决策机制,有效整合多层卷积提取的特征,增强了模型对关键信息的感知能力,并降低了深度网络训练中的梯度消失和特征冗余问题,从而保证了模型的稳定性和准确性。注意力机制(如SEBlock和ECABlock)的融合,使模型能够自适应地关注更加重要的特征通道,进一步提升了诊断性能。实验结果表明,该模型在强噪声下能实现高精度的诊断,展示了其在智能维护和故障预警系统中的应用潜力。 展开更多

关键词 轴承故障诊断 ResNet-mscnn 注意力机制 深度学习

原文传递

基于MSCNN-GRU神经网络的采煤机摇臂剩余寿命预测 被引量：3

7

作者 曹现刚 伍宇泽 +2 位作者 陈瑞昊 段雍 叶煜 《煤炭技术》 CAS 北大核心 2022年第12期186-189,共4页

针对采煤机摇臂剩余使用寿命预测过程中数据高维度与时间序列相关信息难以挖掘等问题,提出一种多尺度卷积神经网络和门控循环单元神经网络融合的寿命预测方法。首先,利用多尺度卷积神经网络深层特征提取能力和门控循环单元神经网络的时... 针对采煤机摇臂剩余使用寿命预测过程中数据高维度与时间序列相关信息难以挖掘等问题,提出一种多尺度卷积神经网络和门控循环单元神经网络融合的寿命预测方法。首先,利用多尺度卷积神经网络深层特征提取能力和门控循环单元神经网络的时间依赖特性,构建健康指标。其次,采用多项式拟合,预测状态值达到阈值1时的时间,实现摇臂RUL预测。试验结果表明,所提方法预测结果能够较好地接近真实寿命。 展开更多

关键词 采煤机摇臂 多尺度卷积神经网络 门控循环单元神经网络 健康指标 剩余寿命预测

原文传递

基于MSCNN-LSTM的注意力机制U型管道缺陷识别模型 被引量：6

8

作者 朱雪峰 冯早 +1 位作者 马军 范玉刚 《振动与冲击》 EI CSCD 北大核心 2023年第22期293-302,共10页

对于承担缓震功能的特异U型管道,其结构复杂使管内和管壁缺陷具有时延性和多源多征兆等特点。针对U型管道缺陷难以有效识别的问题,提出一种基于多尺度卷积神经网络–长短期记忆(multi-scale convolution neural network-long short-term... 对于承担缓震功能的特异U型管道,其结构复杂使管内和管壁缺陷具有时延性和多源多征兆等特点。针对U型管道缺陷难以有效识别的问题,提出一种基于多尺度卷积神经网络–长短期记忆(multi-scale convolution neural network-long short-term memory,MSCNN-LSTM)的注意力机制U型管道缺陷识别方法。采用主动声学检测方法获取管道声学响应信号,将原始声学信号作为模型输入,训练多尺度卷积神经网络提取重要细粒度局部特征。然后,多尺度局部特征融合为一个特征向量输入至LSTM网络中抽取潜藏在时序规律的粗粒度上下文特征。下一步引入注意力机制,对提取的特征赋予不同的权重,使模型更关注于最具类别区分度的特征,滤除冗余特征,提高模型缺陷识别能力。最后,在输出端通过Softmax分类器实现U型管道缺陷识别。试验结果表明,与其他常用的分类方法相比,该方法拥有更快的收敛速度,可实现98.44%的缺陷识别准确率。此外,采用Grad-CAM类激活可视化方法对所提模型的特征学习和缺陷分类机理实现了过程分析和展示。 展开更多

关键词 U型管道 缺陷识别 多尺度卷积神经网络(mscnn) 长短期记忆(LSTM) 注意力机制

在线阅读 下载PDF 职称材料

基于BFD和MSCNN的风电滚动轴承智能故障诊断 被引量：7

9

作者 邓敏强 邓艾东 +2 位作者 朱静 史曜炜 马天霆 《东南大学学报（自然科学版）》 EI CAS CSCD 北大核心 2021年第3期521-528,共8页

针对变工况下风电滚动轴承的健康状态评估问题,提出了一种基于带宽傅里叶分解(BFD)和多尺度卷积神经网络(MSCNN)的智能故障诊断方法.首先,通过BFD算法将原始振动信号分解为一系列带宽模态函数(BMF);然后,通过希尔伯特阶次变换(HOT)计算... 针对变工况下风电滚动轴承的健康状态评估问题,提出了一种基于带宽傅里叶分解(BFD)和多尺度卷积神经网络(MSCNN)的智能故障诊断方法.首先,通过BFD算法将原始振动信号分解为一系列带宽模态函数(BMF);然后,通过希尔伯特阶次变换(HOT)计算各BMF的包络阶次谱,并根据特征阶次比筛选出分解结果中包含故障信息最多的有效分量.最后,通过MSCNN学习有效分量的包络阶次谱与故障类别之间的映射关系以实现滚动轴承健康状态的自动识别.实验结果表明,所提方法采用BFD分解结果的包络阶次谱作为故障识别的特征量,能有效提高模型在不同工况下的泛化能力,其测试准确率达到97%以上,可应用于变工况条件下风电滚动轴承的智能故障诊断. 展开更多

关键词 风电 滚动轴承 故障诊断 带宽傅里叶分解 多尺度卷积神经网络

在线阅读 下载PDF 职称材料

基于MSCNNSA-BiGRU的变工况风电机组滚动轴承故障诊断研究 被引量：13

10

作者 安文杰 陈长征 +2 位作者 田淼 金毓林 孙鲜明 《机电工程》 CAS 北大核心 2022年第8期1096-1103,共8页

风电机组滚动轴承运行工况复杂多变,存在故障特征区域尺寸不一致、故障难提取、难辨别的问题,为此,提出了一种基于多尺度卷积神经网络(MSCNN)、自注意力(SA)机制与双向门控循环单元(BiGRU)的变工况条件下风电机组滚动轴承故障诊断方法(M... 风电机组滚动轴承运行工况复杂多变,存在故障特征区域尺寸不一致、故障难提取、难辨别的问题,为此,提出了一种基于多尺度卷积神经网络(MSCNN)、自注意力(SA)机制与双向门控循环单元(BiGRU)的变工况条件下风电机组滚动轴承故障诊断方法(MSCNNSA-BiGRU)。首先,采用MSCNN提取了轴承原始振动信号的多尺度特征信息;然后,BiGRU结构挖掘原始振动信号的历史与未来信息,更全面地提取了其数据时序特征信息,同时引入self-attention来重点关注故障特征,提高了模型的故障诊断精度;最后,将特征信息融合成了一个特征向量,输入到SoftMax层,实现了对故障的分类;并将该方法应用于实际风电机组滚动轴承故障诊断中。研究结果表明:变工况背景下轴承故障识别准确率为92.7%,与经典的MSCNN网络相比,其故障识别的平均准确率提高8.13%;该方法直接从原始振动信号自适应地提取多尺度的时序特征,并将其进行融合,实现了“端到端”的滚动轴承故障诊断,省去了人工特征提取过程,提高了模型的泛化能力和鲁棒性,对实际工程风电机组滚动轴承故障诊断研究应用具有一定价值。 展开更多

关键词 机械运行与维修 多尺度卷积神经网络 自注意力机制 双向门控循环单元 特征向量 故障分类

在线阅读 下载PDF 职称材料

基于1d-MSCNN+GRU的工业入侵检测方法研究 被引量：3

11

作者 宗学军 宋治文 +1 位作者 何戡 连莲 《信息技术与网络安全》 2021年第9期25-31,共7页

针对传统机器学习方法对特征依赖大,以及传统卷积神经网络只通过提取重要的局部特征来完成识别分类,收敛速度慢的问题,提出了一维多尺度卷积神经网络和门控循环单元相结合的入侵检测方法。该方法使用一维多尺度卷积神经网络加强对特征... 针对传统机器学习方法对特征依赖大,以及传统卷积神经网络只通过提取重要的局部特征来完成识别分类,收敛速度慢的问题,提出了一维多尺度卷积神经网络和门控循环单元相结合的入侵检测方法。该方法使用一维多尺度卷积神经网络加强对特征的捕捉能力,加快收敛速度,采用门控循环单元把握空间特征,减少通道数量扩张,降低数据维度。使用KDD CUP 99数据集和密西西比州大学的天然气管道的数据集进行仿真实验,结果表明与经典的机器学习分类器相比,该方法具有较高的入侵检测性能和较好的泛化能力。 展开更多

关键词 一维多尺度卷积 门控循环单元 入侵检测 深度学习

在线阅读 下载PDF 职称材料

结合注意力机制与MSCNN-BiLSTM模型的电梯主动式故障预警 被引量：1

12

作者 刘铠 林穗贤 +1 位作者 胡昱 杨贤 《现代信息科技》 2023年第15期151-156,共6页

主动式故障预警不仅可以辅助电梯的检修与维护,还可以最大程度地降低电梯安全事故。基于某公司现有电梯运行状态的数据集,提出一种电梯健康指数(HI)预测模型。该模型是结合注意力机制的多尺度卷积神经网络(MSCNN)和双向长短时记忆网络(B... 主动式故障预警不仅可以辅助电梯的检修与维护,还可以最大程度地降低电梯安全事故。基于某公司现有电梯运行状态的数据集,提出一种电梯健康指数(HI)预测模型。该模型是结合注意力机制的多尺度卷积神经网络(MSCNN)和双向长短时记忆网络(BiLSTM)的融合模型,可以全面提取电梯数据集的深层次特征和时序信息,实现HI预测和主动式故障预警。在与其他常见模型方法的比较中,证实了该文模型具有更好的预测性能。 展开更多

关键词 主动式 故障预警 mscnn-BiLSTM 注意力机制

在线阅读 下载PDF 职称材料

基于多尺度卷积神经网络的深圳市滑坡易发性评价 被引量：5

13

作者 张清 何毅 +5 位作者 陈学业 高秉海 张立峰 赵占骜 路建刚 张雅蕾 《中国地质灾害与防治学报》 CSCD 2024年第4期146-162,共17页

卷积神经网络(convolutional neural networks,CNN)模型因其强大的特征提取能力被广泛应用于滑坡易发性评估,但传统CNN已难以满足要求。文章提出一种能够顾及深层与浅层特征的多尺度卷积神经网络(multi-scale convolutional neural netw... 卷积神经网络(convolutional neural networks,CNN)模型因其强大的特征提取能力被广泛应用于滑坡易发性评估,但传统CNN已难以满足要求。文章提出一种能够顾及深层与浅层特征的多尺度卷积神经网络(multi-scale convolutional neural networks,MSCNN)模型,通过增加模型深度和样本的感受野,挖掘更深层和更稳定的特征,提高复杂场景下的滑坡易发性评估可靠性。文章以深圳市为研究区,根据系统性原则和代表性原则选取了12个深圳市滑坡影响因子,构建多尺度卷积神经网络滑坡易发性评估模型,并与多层感知器(multilayer perceptron,MLP)、支持向量机(support vector machine,SVM)以及随机森林(random forest,RF)等方法进行对比。结果表明,文章构建的MSCNN模型的AUC值(0.99)较高,优于MLP(0.97)、SVM(0.91)和RF(0.85),证明提出的MSCNN模型具有优异的预测能力;深圳市极高易发性区域面积约为105.3 km^(2),占研究区总面积的4.98%,主要分布在坡体较陡、植被覆盖稀疏和人类工程活动频繁的龙岗区,坡度、地表粗糙度和地表起伏度成为影响深圳市滑坡的主控因子。文章实现的滑坡易发性图反映了深圳市滑坡灾害的分布现状,可为深圳市未来滑坡灾害防治提供数据支持和关键技术支撑。 展开更多

关键词 多尺度卷积神经网络 滑坡易发性评估 机器学习模型 深圳市

在线阅读 下载PDF 职称材料

采用多通道浅层CNN构建的多降噪器最优组合模型 被引量：1

14

作者 徐少平 林珍玉 +2 位作者 陈孝国 李芬 杨晓辉 《自动化学报》 EI CAS CSCD 北大核心 2022年第11期2797-2811,共15页

现有的一致性神经网络(Consensus neural network,CsNet)利用凸优化和神经网络技术将多个降噪算法(降噪器)输出的图像进行加权组合(融合),以获得更好的降噪效果,但该优化模型在降噪效果和执行效率方面仍有较大改进空间.为此,提出一种基... 现有的一致性神经网络(Consensus neural network,CsNet)利用凸优化和神经网络技术将多个降噪算法(降噪器)输出的图像进行加权组合(融合),以获得更好的降噪效果,但该优化模型在降噪效果和执行效率方面仍有较大改进空间.为此,提出一种基于轻量型多通道浅层卷积神经网络(Multi-channel shallow convolutional neural network,MSCNN)构建的多降噪器最优组合(Optimal combination of image denoisers,OCID)模型.该模型采用多通道输入结构直接接收由多个降噪器输出的降噪图像,并利用残差学习技术合并完成图像融合和图像质量提升两项任务.具体使用时,对于给定的一张噪声图像,先用多个降噪器对其降噪,并将降噪后图像输入OCID模型获得残差图像,然后将多个降噪图像的均值图像与残差图像相减,所得到图像作为优化组合后的降噪图像.实验结果表明,与CsNet组合模型相比,网络结构更为简单的OCID模型以更小的计算代价获得了图像质量更高的降噪图像. 展开更多

关键词 多降噪器最优组合 一致性神经网络 多通道浅层卷积神经网络 降噪效果提升 执行效率

在线阅读 下载PDF 职称材料

基于MEF-MSCNN-LSTM模型的飞机电控舵面故障检测研究

15

作者 耿子庆 姜硕 +2 位作者 蔺吉媛 王储 张巍严 《计算机测量与控制》 2025年第11期23-31,共9页

随着航空系统智能化水平的提升,飞行器对飞控系统的实时响应与自主诊断能力提出更高要求;电控舵面作为关键执行部件,其故障将直接影响飞行稳定与安全;为提升识别精度与响应效率,研究构建融合多尺度卷积与长短期记忆网络的故障检测模型,... 随着航空系统智能化水平的提升,飞行器对飞控系统的实时响应与自主诊断能力提出更高要求;电控舵面作为关键执行部件,其故障将直接影响飞行稳定与安全;为提升识别精度与响应效率,研究构建融合多尺度卷积与长短期记忆网络的故障检测模型,并引入多阶段信号降噪机制以优化特征提取;模型基于多源飞行数据训练,精准捕捉电压、电流与偏转角等关键序列特征的演化模式;实验表明,模型在完全训练后准确率达98.7%,可在异常发生前2.2 s实现高置信度预警,具备出色的时效性与稳定性;同时在典型巡航工况下识别出微弱间歇性迟滞故障,分类置信度为0.974,体现了良好的早期检测能力;研究验证了该模型在复杂非线性场景中的鲁棒性与实用性,为飞控系统故障诊断由被动响应向智能预测转变提供了技术支撑。 展开更多

关键词 电控舵面 多尺度卷积神经网络 长短期记忆网络 多阶段信号降噪 故障检测

在线阅读 下载PDF 职称材料

基于多尺度卷积神经网络的手机表面缺陷识别方法 被引量：4

16

作者 韩红桂 甄晓玲 +1 位作者 李方昱 杜永萍 《北京工业大学学报》 CAS CSCD 北大核心 2023年第11期1150-1158,共9页

针对手机表面缺陷难以精确识别的问题,提出一种兼具Soble算子、逻辑损失函数(logistic loss function,LLF)和多尺度卷积神经网络(multi-scale convolutional neural networks,MSCNN)手机表面缺陷识别方法SL-MSCNN。首先,构建了一种基于S... 针对手机表面缺陷难以精确识别的问题,提出一种兼具Soble算子、逻辑损失函数(logistic loss function,LLF)和多尺度卷积神经网络(multi-scale convolutional neural networks,MSCNN)手机表面缺陷识别方法SL-MSCNN。首先,构建了一种基于Sobel算子的邻域特征增强方法,排除了图像中光照、阴影等无关因素的干扰;其次,设计了一种基于MSCNN的缺陷识别方法,通过获得手机表面图像的多尺度信息,提高了手机表面缺陷的识别精度,同时,引入了LLF,通过降低梯度消失发生的概率加快训练的检测速度。实验结果表明:与其他手机表面缺陷识别方法相比,SL-MSCNN在准确率和效率方面具有更好的使用价值。 展开更多

关键词 手机表面缺陷 邻域特征增强 识别方法 识别精度 SOBEL算子 多尺度卷积神经网络(multi-scale convolutional neural networks mscnn) 逻辑损失函数(logistic loss function LLF)

在线阅读 下载PDF 职称材料

基于多尺度卷积神经网络的交通标志识别方法 被引量：3

17

作者 仲会娟 蔡清泳 《延边大学学报（自然科学版）》 CAS 2020年第4期359-365,共7页

为了提升交通标志自动识别的精度,提出一种基于多尺度CNN的交通标志识别方法(TSR-MSCNN算法).该方法采用三阶段卷积神经网络,融合了低阶、中阶和高阶3种不同尺度的特征,并串联了多个小卷积层用以代替单个较大卷积层.通过对全连接层的神... 为了提升交通标志自动识别的精度,提出一种基于多尺度CNN的交通标志识别方法(TSR-MSCNN算法).该方法采用三阶段卷积神经网络,融合了低阶、中阶和高阶3种不同尺度的特征,并串联了多个小卷积层用以代替单个较大卷积层.通过对全连接层的神经元个数、Dropout参数、卷积核尺寸等网络超参数进行选比实验,获得了最佳的网络超参数.利用德国交通标志基准数据库(GTSRB)对不同算法进行测试表明,本文提出的算法在较小的网络参数量下能够有效提取交通标志特征,获取的识别准确率达到99.76%,且显著优于传统卷积神经网络方法和多尺度特征方法的识别准确率,因此本文算法在图像识别领域有良好的应用价值. 展开更多

关键词 交通标志识别 卷积神经网络 TSR-mscnn 多尺度特征

在线阅读 下载PDF 职称材料