期刊文献+
任意字段
题名或关键词
题名
关键词
摘要
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到4篇文章
< 1 >
每页显示 20 50 100
已选0条
引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
HHO优化L-CNN的滚动轴承故障诊断 认领 引用
1
作者 崔坤 樊鑫宇 +2 位作者 刘美 何思颖 李庆 《计算机应用文摘》 2026年第16期104-106,共3页
针对轻量化卷积神经网络(L-CNN)在滚动轴承故障诊断中因学习率设置不合理而影响模型收敛和诊断精度的问题,采用哈里斯鹰优化(HHO)算法对L-CNN的学习率进行寻优。以模型损失值为适应度,通过鹰群位置迭代确定较优学习率,并利用优化后的L-... 针对轻量化卷积神经网络(L-CNN)在滚动轴承故障诊断中因学习率设置不合理而影响模型收敛和诊断精度的问题,采用哈里斯鹰优化(HHO)算法对L-CNN的学习率进行寻优。以模型损失值为适应度,通过鹰群位置迭代确定较优学习率,并利用优化后的L-CNN识别4种轴承状态(正常、外圈故障、内圈故障与滚动体缺失)。实验结果表明,该方法的故障诊断准确率达到92.75%,较学习率为0.01的L-CNN提高1.77个百分点,且训练过程具有较好的收敛性。 展开更多
关键词 HHO算法 L-CNN 自适应学习率 故障诊断
暂未订购 下载PDF
基于Faster R-CNN的灵武长枣图像检测方法 认领 引用 被引量：5
2
作者 王昱潭 朱超伟 +6 位作者 赵琛 李乐凯 李萍 冯朝旭 薛君蕊 李嘉婧 张加欣 《计算机工程与应用》 CSCD 北大核心 2021年第4期216-224,共9页
基于机器视觉技术自动采摘地方特色林果灵武长枣时,自然变化的环境会极大地影响检测的准确率。为适应时时变化的自然环境,提出基于双损失函数的区域卷积神经网络(Faster R-CNN)集成学习模型。建立图像数据集,包括训练集和测试集;根据特... 基于机器视觉技术自动采摘地方特色林果灵武长枣时,自然变化的环境会极大地影响检测的准确率。为适应时时变化的自然环境,提出基于双损失函数的区域卷积神经网络(Faster R-CNN)集成学习模型。建立图像数据集,包括训练集和测试集;根据特征搭建Faster R-CNN模型,在RPN层利用softmax作为基础分类器得到感兴趣区域;以此为特征图再结合一层损失函数,分别利用Large Marge Softmax Loss(L-softmax)、Angular Softmax Loss(A-softmax)做损失计算,取各类最大值;加载训练集进行图像训练得到检测器,将已训练好的检测器通过测试集得出结果图像,完成图像检测。同单一损失函数网络、标准的ResNet101以及ResNet50网络结构进行对比,该图像检测网络方法的精确率为0.9826,召回率为0.9213,平均精度为0.9。 展开更多
关键词 灵武长枣 Faster R-CNN L-softmax A-softmax 平均精度
暂未订购 下载PDF
基于轻量级卷积神经网络人脸识别算法的研究与应用 认领 引用 被引量：20
3
作者 胡佳玲 施一萍 +2 位作者 谢思雅 陈藩 刘瑾 《传感器与微系统》 CSCD 北大核心 2022年第1期153-156,共4页
针对多数卷积神经网络(CNN)人脸识别算法在追求高精度的同时,加大网络层数,造成网络参数过多、计算量过大、训练速度缓慢且对设备要求高,增加了成本的问题,提出了一种改进型轻量级卷积神经网络MobileNet的人脸识别算法。首先,将MobileNe... 针对多数卷积神经网络(CNN)人脸识别算法在追求高精度的同时,加大网络层数,造成网络参数过多、计算量过大、训练速度缓慢且对设备要求高,增加了成本的问题,提出了一种改进型轻量级卷积神经网络MobileNet的人脸识别算法。首先,将MobileNet中的SoftMax层为L-SoftMax层,避免了过度拟合,实现更好的分类效果。其次,将改进的MobileNet和区域生成网络(RPN)融合,并在Jetson Nano小型设备上进行训练。实验表明:所提算法与传统的卷积神经网络人脸识别算法相比,在LFW人脸数据库和自建的小型数据库上训练测试,模型的参数量减少了88%,识别准确率与原MobileNet相比增加了0.2%,达到了97.54%。运行速度较原MobileNet网络提高了21.3%。 展开更多
关键词 人脸识别 卷积神经网络 MobileNet模型 L-SoftMax层 区域生成网络(RPN)
暂未订购 下载PDF
基于多种深度学习算法的田间玉米籽粒检测与计数 认领 引用
4
作者 刘晓航 张昭 +4 位作者 刘嘉滢 张漫 李寒 Paulo FLORES 韩雄哲 《智慧农业（中英文）》 2022年第4期49-60,共12页
为快速准确获取玉米收获过程中遗失籽粒数信息,进行收割损失调节等管理,对比评估了单阶段和两阶段主流目标检测网络对田间玉米籽粒计数的性能。首先,利用RGB相机获取包含不同背景和不同光照的图像数据,并进一步生成数据集;其次,构建籽... 为快速准确获取玉米收获过程中遗失籽粒数信息,进行收割损失调节等管理,对比评估了单阶段和两阶段主流目标检测网络对田间玉米籽粒计数的性能。首先,利用RGB相机获取包含不同背景和不同光照的图像数据,并进一步生成数据集;其次,构建籽粒识别的不同目标检测网络,包括Mask RCNN、EfficientDet-D5、YOLOv5-L、YOLOX-L,并利用所采集的420幅有效图像对构建的四种网络进行训练、验证、测试,图像数分别为200、40和180幅;最后,依据测试集图像的识别结果进行籽粒计数性能评价。试验结果表明,YOLOv5-L网络对测试集图像检测的平均精度为78.3%,模型尺寸仅为89.3 MB;籽粒计数的检测正确率、漏检率和F1值分别为90.7%、9.3%和91.1%,处理速度为55.55 f/s,识别与计数性能均优于Mask R-CNN、EfficientDet-D5和YOLOX-L网络,并对具有不同地表遮挡程度和籽粒聚集状态的图像具有较强的鲁棒性。深度学习目标检测网络YOLOv5-L可实现实际作业中玉米收获损失籽粒的实时监测,精度高、适用性强。 展开更多
关键词 收获损失 田间玉米籽粒 深度学习 籽粒计数 YOLOv5-L YOLOX-L Mask R-CNN EfficientDet-D5
暂未订购 下载PDF
已选0条
引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
在线咨询 使用帮助 返回顶部 意见反馈