基于轻量级卷积神经网络的种鸡发声识别方法

在种鸡养殖和管理过程中,借助非接触式、连续的声音检测手段和智能化设备,饲养员可以全面了解蛋鸡的健康状况以及个体需求,为提高生产效率并同时改善种鸡福利化养殖,提出了一种基于轻量级卷积神经网络的种鸡发声分类识别方法,以海兰褐种鸡为研究对象,收集种鸡舍内常见的5类声音,再将其声音一维信号转换为二维图像信号,利用卷积神经网络建立轻量级的深度学习模型,80%数据进行训练,20%数据进行测试,该模型实现了动物声音信号从输入端到识别结果输出端的高效检测。对比已有研究,本文方法对种鸡舍内常见的5类声音识别整体准确率提高3.7个百分点。试验结果表明,该方法平均准确率为95.7%,模型对饮水声、风机噪声、产蛋叫声识别召回率均达到100%,其中风机噪声和产蛋叫声精确率和F1值也均达到100%,而应激叫声召回率最低,为88.3%。本研究可为规模化无人值守鸡舍的智能装备研发提供一定理论参考。     

水力发电机组轴系哈密顿建模与 动力学特性分析

为研究水力发电机组轴系横向振动特性,以水力发电机组轴系为研究对象,首先将转子转轮形心定义为广义坐标,利用系统能量函数推求广义动量,组成系统一阶微分运动方程.将轴系外部作用力包括不平衡磁拉力与水力不平衡力作为输入控制项,建立了水力发电机组主轴系统广义哈密顿控制模型.通过算例求解得到了机组转速与阻尼系数变化时系统非线性动力学响应的分岔图、轴系轴心轨迹图和时、频域图.结果表明:在转速一定的情况下系统稳定性受到阻尼系数变化影响.当阻尼系数较小时系统运动不稳定,存在明显的倍周期现象,振动响应剧烈;当阻尼系数逐渐增大时,轴心振幅减小并稳定为周期运动.上述结果为水力发电机组轴系稳定运行提供了理论依据,同时也为进一步研究机组在不同外部输入激励下的振动控制提供了新的思路.     

基于声谱图纹理特征的蛋鸡发声分类识别

为有效地辨别蛋鸡不同类型声音,了解蛋鸡的健康状况以及个体需求,提高生产效率的同时改善蛋鸡福利化养殖,提出一种基于声谱图纹理特征的蛋鸡发声分类识别方法。以海兰褐蛋鸡的声音为研究对象,将图像处理和声音处理技术相结合,由一维声音信号转换为二维图像信号,二维声谱图中的纹理特征呈现了蛋鸡声音的更多细节信息。最后,利用2D-Gabor滤波器提取蛋鸡发声声谱图中的声纹信息,并采用人工神经网络模型进行训练和分类识别。试验结果表明,本文方法平均灵敏度和平均精确度不低于92. 0%,风机噪声识别灵敏度达99. 3%,鸣叫声识别灵敏度最低,为76. 0%。     

基于虚拟仪器开发平台的中小型机组在线振动监测系统

为保护水秘机组安全运行，对机组的振动进行在线监测是十分重要的，介绍了美国NI公司的虚拟仪器开发平台Labwindows/CVI，针对中小型水轮发电机组振动在线监测的特点，研制出功能较为完善，且经济实用的适合于中小型水轮发电机组在线振动监测系统，并讨论了该系统硬件，软件的配置，结构和功能。     

小水电机组的飞车原因分析

在运行中 ,当水轮发电机组突然丢弃全部负荷而调速机构失灵 ,导叶不能正常关闭 ,以至于转速急剧升高达到某一最大值 ,这时机组的转速为飞逸转速 ,也叫机组飞车。当机组飞车时 ,会使机组的机械结构遭到严重破坏 ,而飞车所产生的破坏程度与飞车的时间长短有很大关系。因此 ,生产厂家规定机组的飞逸时间不得超过两分钟。一旦发生飞车事故 ,运行人员应迅速处理 ,尽量缩短飞车持续的时间。引起飞车的原因 ,主要有以下几个方面 :1　自动调速器失灵调速器是水轮发电机组正常开停机或紧急事故下停机操作的控制设备。当自动调速器的某些部件发生故障…     

基于深度特征的稻田苗期杂草识别方法研究

稻田杂草主要在水稻秧苗封行前与其竞争水肥光等资源,也为病虫害提供滋生条件.由于目前主要防控方式为除草剂无选择性地喷施,造成大量的农药浪费和环境污染.由于除草剂针对杂草的靶向喷施可大量减少农药使用量,笔者提出了一种基于深度卷积特征的稻田苗期杂草识别方法,采用支持向量机(Support Vector Machine,SVM...     

基于深度学习的林下落果识别方法与试验

监测与识别林下落果的数量和分布信息,是实现落果自动收获和果园智能化管理的重要基础.针对目前落果识别智能化程度较低等问题,提出一种基于深度学习的林下落果识别方法.首先,以不同类型、品种落果图像为基础,通过数据预处理、增强等方法建立林下落果图像数据集.其次,利用YOLO v3深度卷积神经网络优势特性,建立落果智能识别方法....     

水力发电机组甩负荷过渡过程的参数敏感性分析

以国内某水电站为对象,在不确定框架下构建了水力发电机组甩负荷过渡过程的数学模型.并以此模型为基础,引入扩展傅里叶幅度检验法量化输入参数对系统响应的影响,获得了机组在甩负荷过渡过程中输入参数相对于转速、水击压力以及调压室涌浪的敏感性特性.可以得到飞轮力矩对转速最大上升值的影响最为显著.同时,也可以发现各参数的不确定度会明...     

基于多视图特征融合的植物病害识别算法

近年来,基于传统机器学习和深度学习的叶片病害识别算法取得显著进展。然而现有病害识别模型大多采用单一类型特征,即对叶片病害图像提取颜色纹理等传统特征或采用深度学习自动学习特征。一方面采用深度学习自动学习特征需要大量样本,计算开销较大;另一方面传统特征往往应用于小规模病害数据集。因此提出基于多视图特征融合的病害识别算法,首先提取病害叶片图像的Gist特征以及基于深度学习预训练模型VGG16的深度特征,通过深度典型相关分析(DCCA)发掘传统特征与深度特征的相关性,获得更加鲁棒的特征子空间,从而提高识别效果。在Plant Village上的试验结果表明,采用DCCA融合传统特征和深度特征的识别方法比单类型特征识别法的识别精度要高,其平均识别精度可达88.45%。     

基于声能量叠加法的车内噪声源分离试验研究

车内行驶噪声是直面用户的驾乘感知,其主要来自3个声源,即动力系统噪声、风激励噪声和路面行驶引起的噪声。通常认为在低速时,发动机是主要噪声源,在中速时,轮胎与路面的摩擦是主要噪声源,而在高速时,车身与气流的作用变成了最主要的噪声源。针对用户使用场景中的典型城市工况(匀速60 km/h)和高速工况(匀速120 km/h),基于风洞测试和低噪声整车传动试验台测试,进行噪声源分离,由此获得风激励单独激励下的车内噪声和动力系统单独激励下的车内噪声,随后通过声能量叠加方法精确地计算3种主要噪声源的声能量占比,并分析能量谱中各频段下3种噪声能量比重,城市工况道路噪声占比75.6%,高速工况道路噪声占比48.5%,均为车内噪声中最主要的贡献,为车内噪声控制优化和3种噪声的仿真分析对标提供可靠的依据和指导。     

基于LVQ模型的汽车行驶工况识别算法

为了解决汽车行驶工况的识别问题,设计了一种基于学习向量量化模型的汽车行驶工况识别算法。选取典型工况作为初始样本,对典型工况进行分块以扩充识别样本空间。选取并计算能够充分表征工况特征的特征参数,对所有的特征参数值进行归一化处理后形成对应的标准特征参数向量。构建学习向量量化神经网络工况识别模型,给出用于模型训练的训练流程以及用于工况识别的识别流程。试验结果表明:设计的工况识别算法能够有效地对汽车的实际行驶工况进行实时识别,识别精度达到88%。     

基于神经网络逆控制方法的水轮发电机组非线性控制器仿真研究

基于水轮发电机组刚性水击模型和神经网络逆系统控制方法,在分析励磁与导叶系统可逆性的基础上提出了一种新的水轮发电机组解耦控制器设计方法.理论分析和仿真结果表明该控制策略较好的解决了水轮发电机组控制时存在的多变量、非线性、强耦合问题;实现了系统的动态解耦控制,具有较好的适应性和鲁棒性,因此可有效增强输电系统的暂态稳定性.     

基于卷积神经网络的拖拉机工况识别

农机工况识别在细化农机作业状态和帮助掌握区域污染物排放趋势方面有着重要的研究价值。基于拖拉机不同运行状态下的行驶速度、发动机转速以及实时油耗等时间序列,首次提出将图像识别方法引入到拖拉机工况识别中的思路,并分别应用参数优化的支持向量机与卷积神经网络对实际作业拖拉机工况进行研究。结果表明:(1)基于参数优化的支持向量机可以较好地实现样本点的工况识别且识别准确度达到99.851 9%,但无法实现农机工况的连续性识别,同时无法对农机工况转换阶段进行有效识别。(2)以拖拉机运行速度与发动机转速等信息构建样本图像来描述农机工况变化的数据表达,并在此基础上应用卷积神经网络可以有效实现农机工况的连续性识别,且识别准确率可以达到93.3%。本研究在农机工况识别方面具有一定参考价值,并为后续农机不同工况下区域污染物排放研究提供技术支持。     

基于深度卷积神经网络的柑橘目标识别方法

针对户外自然环境,基于深度卷积神经网络设计了对光照变化、亮度不匀、前背景相似、果实及枝叶相互遮挡、阴影覆盖等自然环境下典型干扰因素具有良好鲁棒性的柑橘视觉识别模型。模型包括可稳定提取自然环境下柑橘目标视觉特征的深层卷积网络结构、可提取高层语义特征来获取柑橘特征图的深层池化结构和基于非极大值抑制方法的柑橘目标位置预测结构,并基于迁移学习完成了柑橘目标识别模型训练。本文运用多重分割的方法提高了柑橘目标识别模型的多尺度图像检测能力和实时性,利用包含多种干扰因素的自然环境下柑橘目标数据集测试,结果表明,柑橘识别模型对自然采摘环境下常见干扰因素及其叠加具有良好的鲁棒性和实时性,识别平均准确率均值为86. 6%,平均损失为7. 7,平均单帧图像检测时间为80 ms。     

基于脸部RGB-D图像的牛只个体识别方法

为实现非接触、高精度个体识别,本文提出了一种基于牛只脸部RGB-D信息融合的个体身份识别方法。以108头28~30月龄荷斯坦奶牛作为研究对象,利用Intel RealSense D455深度相机采集2334幅牛脸彩色/深度图像作为原始数据集。首先,采用冗余图像剔除方法和自适应阈值背景分离算法进行图像预处理,经增强共得到8344幅牛脸图像作为数据集;然后,分别选取Inception ResNet v1、Inception ResNet v2和SqueezeNet共3种特征提取网络进行奶牛脸部特征提取研究,通过对比分析,确定FaceNet模型的最优主干特征提取网络;最后,将提取的牛脸图像特征L2正则化,并映射至同一特征空间,训练分类器实现奶牛个体分类。测试结果表明,采用Inception ResNet v2作为FaceNet模型的主干网络特征提取效果最优,在经过背景分离数据预处理的数据集上测试牛脸识别准确率为98.6%,验证率为81.9%,误识率为0.10%。与Inception ResNet v1、SqueezeNet网络相比,准确率分别提高1、2.9个百分点;与未进行背景分离的数据集相比,准确率提高2.3个百分点。     

基于卷积神经网络的家蚕病害识别研究

病害是我国养蚕业健康发展面临的主要威胁之一,为研究机械化养蚕模式下的家蚕病害防治方法,采用卷积神经网络进行家蚕病害图像的识别研究。首先在实际环境下,采用饲养和添食病原的方法,集中获取家蚕品种芳·秀×白·春在大蚕期的部分生长阶段下患脓病、微粒子病、白僵病、细菌病、农药中毒以及健康状态的样本,并开展图像采集工作,构建出家蚕病害图像数据集。其次采用特征融合和缩减结构的方法,对残差神经网络进行部分改进,以避免直接使用该算法会导致不必要的计算耗损。最后进行家蚕病害识别试验。结果表明:卷积神经网络能够高效准确识别家蚕病害图像,使用改进的算法在测试集上的准确率达到94.31%,与标准的残差神经网络准确率相当,但训练的参数量仅为原来的1/3,且识别效率大幅提升,更有利于网络的训练与部署。     

基于负压方式的某水电机组轴承座防漏油研究与实践

水轮发电机组轴承座漏油、甩油问题已成为机组运维检修亟需突破的瓶颈之一。为保证水电站机组经济、安全运行以及运检人员人身安全,以湖北某水电站2台3.2 MW卧式三支点水轮发电机组轴承座漏油事件为例展开研究。首先对其漏油原因进行了分析;其次,针对现有密封防漏油方法的困境,提出了一种基于负压方式的轴承座防漏油方法;然后,设计研发了与所提方法配套的软硬件相结合的负压抽真空智能调控装置;最后将该装置应用于水电站现场,成功解决其漏油问题。     

基于SVD-CWT和CNN的水轮发电机转子故障识别

水轮发电机转子振动故障识别是水电站运维的重难点问题,为此提出一种基于转子振动信号的故障识别方法。首先针对发电机转子的非平稳和非线性振动信号,采用奇异值分解（SVD）并结合能量差分谱理论进行降噪预处理;对预处理数据使用连续小波变换（CWT）转换为时频图并形成图像数据集;然后将该图像数据集作为卷积神经网络（CNN）输入,通过CNN多层池化及卷积形成分布式故障特征表达,最终实现发电机转子故障模式识别和分类。经实验验证,该方法准确率达到99.5%以上,能有效识别出发电机转子的故障类型。     

基于卷积神经网络的车牌识别研究

针对现有的车牌识别方法存在车牌无法定位且车牌字符无法正确分割等情况,提出了一种基于卷积神经网络的车牌识别技术。首先,设计了一套图像处理流程实现车牌定位和字符分割,然后,利用提出的卷积神经网络对车牌字符集进行训练、识别。所提方法可以达到98.54%以上的准确率,极大提高适用性和准确率。     

基于Faster-RCNN深度学习的茶叶嫩芽多维度识别及其性能分析

茶叶嫩芽自动识别分类是实现采茶机器人精采名优茶的关键技术。由于茶叶嫩芽与背景中茶叶差别很小,且茶叶嫩芽形状多样,有一芽一叶和一芽二叶等多种形式,给自动识别带来很大难度。基于Faster-RCNN深度学习神经网络模型多维度进行茶叶嫩芽识别。首先对网络性能进行分析,选取较优的网络模型;在此基础上,研究一幅图像中包含嫩芽的不同数量、形态、拍摄角度、光照条件多维度对识别性能的影响。结果发现,光照条件和拍摄角度对嫩芽识别影响较大。所采用的Faster-RCNN深度学习模型对45°角度拍摄、晴天环境下单株集中一芽两叶的茶叶嫩芽识别效果最佳,同时阴天和90°拍摄时识别效果较差。研究为后续实现机器人现代化智能化的名优茶精采提供了技术支持。