摘要：压力容器用于具有一定毒性、腐蚀性、易燃易爆的介质工况中,一旦产生裂纹将会引起石化装置爆炸等事故,造成不可逆的环境和经济负效应。人工智能的发展,将现有的声发射检测与机器学习相结合,提出一种基于深度迁移学习的压力容器裂纹检测系统,通过卷积神经网络((Convolutional Neural Networks,CNN)模型结构中卷积层和池化层强大的自学习能力提取对于裂纹检测任务有用的特征值,判断检测结果,减少人工主观误差影响。该检测系统可作为常规检验检测的补充,更全面地保障压力容器使用的安全性。最后,在此基础上,结合总体设计,探讨基于深度迁移学习的压力容器裂纹检测系统可行性。

摘要：矿山智能化建设大背景下,微震监测作为冲击地压等复杂动力灾害智能预警体系建设的基础保障技术现已得到广泛应用,如何基于微震监测数据实现矿山动力事件的高效精确捕捉与定位是当前研究的重点与难点。为解决矿山低信噪比震动波到时自动拾取不准、定位结果受人为因素干扰等问题,结合大数据与深度学习相关理论与方法,初步尝试建立基于深度迁移学习的矿山微震实时自动定位方法。设计了基于百万条地震波数据的矿山微震到时自动拾取初始模型,为进一步使该模型适用于矿山微震定位与信息解析,结合所建立的一万余条矿山微震到时拾取数据集,构建了矿山震动波到时自动拾取模型,实现矿山震动波P波到时自动精准拾取。在此基础上,设计了微震定位台站自动优选方法,提出定位台站波速自动微调策略,实现了矿山微震事件自动精准定位。以内蒙古某煤矿强开采扰动工作面的顶板爆破数据为验证对象,结果证明自动定位算法在水平空间平均定位误差为27.88 m,三维空间平均定位误差为28.40 m,满足矿山冲击地压等动力灾害的微震定位精度需求,有效降低台站波速标定精度不足对事件定位误差的影响,鲁棒性较强,并将耗时数分钟的人工定位缩短至200 ms内完成,初步实现了矿山微震事件的自动实时定位。研究结果可为矿山动力灾害微震信息准确解析挖掘与智能预警提供可靠技术支撑。

摘要：由于相干斑噪声会导致图像特征提取困难,普通的图像处理算法无法对相干斑噪声图像进行有效分类标注。针对其图像特征设计了具有正则与拟合项的求解模型,并提出了深度迁移学习标注算法。在正则项中引入滤波算法和惩罚策略,用于过滤相干斑噪声;拟合项控制估计结果向真实结果的逼近。为满足深度学习网络处理的凸特性要求,对模型采取非凸优化。在深度学习过程中,将图像标注整体分为两个子任务,通过参数迁移进行并行处理。在各个子任务的最末层,分别设计相应的损失函数,对各个特征标签采取计分评价,改善网络学习的搜索能力和收敛性。通过和数据库的仿真,验证了深度迁移学习标注算法能够有效过滤图像中的相干斑噪声,获得更好的图像标注准确性和稳定性。

摘要：随着航天科技的发展,智能故障诊断技术是确保航天器控制系统安全、自主运行的关键技术之一.由于在轨航天器遥测数据样本少、噪声高、未标记,因此缺乏自适应能力、学习能力的传统故障诊断方法难以准确诊断在轨航天器故障.本文针对上述问题提出一种基于深度迁移学习的航天器故障诊断方法,为在轨航天器实时故障诊断提供了可行方法.首先,对航天器运行数据进行预处理,将多维时域信号转换为二维图像信号;其次,搭建基于残差网络的故障诊断深度学习框架,并利用地面测试数据与其他航天器在轨运行数据对网络进行预训练;进而,为了实现当前在轨航天器实时故障诊断,本文采用迁移学习自适应方法,设计网络联合分布自适应代价函数,对故障诊断模型进行参数重调,使模型适应当前在轨航天器故障诊断任务.仿真结果表明,所提出的基于深度迁移学习的故障诊断方法可以快速准确的诊断出航天器故障.

摘要：基于人工智能算法实现岩性自动和快速识别是地质界和工程界的热点和难点,对于构建智能勘察体系具有重要意义。首先,基于地质学岩石分类体系建立系统的岩石图像数据集架构,用以支持后续岩石识别研究工作,该数据集包含约13000张岩石样本图像;其次,基于卷积神经网络-深度迁移学习算法,建立端到端、图像到标签的岩石图像智能识别模型,并对模型进行训练和测试;最后,模型泛化性和现场钻孔岩芯岩性验证试验表明,构建的岩石图像智能识别模型具有快速和准确识别岩石的能力,利用该模型对12种岩石的识别准确率达到95%以上。新提出的岩石图像识别模型可为现场地质和科研工作者提供方便和快捷的工具。

摘要：滚动轴承作为旋转机械的核心部件,其运行的稳定性决定了机械运行的可靠性。轴承故障主要出现在滚体、内圈、外圈上,为确保机械的安全、稳定运行,对于滚动轴承故障的分析和预测具有极大的意义。提出了一种基于深度迁移学习的方法用于滚动轴承故障数据的分析与预测,基于同一工况下的轴承各类故障搭建深度迁移学习的模型,加入稀疏自编码器用于提取特征,并将模型用于不同载荷工况下验证模型的可靠性。深度迁移学习的方法适用于模型相似的问题,减少了模型搭建的时间,提高了训练效率。

摘要：为提升船舶焊接表面缺陷检测的智能化水平、更好地适应智能制造需求,设计船舶焊接表面缺陷智能检测系统。通过采集船舶焊接表面图像,对图像进行预处理,结合深度迁移学习方法,根据缺陷特征对船舶焊接表面缺陷进行分析,建立检测模型,对图像进行缺陷目标检测,从而得到一种船舶焊接表面缺陷智能检测的高效手段,为船舶制造智能化水平和先进性的提升提供驱动力。

摘要：情感分析是文本分类的研究方向,深度迁移学习通过学习目标领域数据和已有领域数据之间的相关度,提高当目标数据不足时文本分类的精度。从基于网络迁移的角度设计算法,首先使用Word2vec+词性特征词向量表示,然后进行卷积神经网络文本分类,再将训练好的模型共享网络参数,迁移至跨域商品评论数据,训练、分类评论数据。实验证明,在小样本数据集中算法精度有明显提升。

摘要：为有效监测人类活动对自然环境的破坏,构建了基于深度迁移学习的多标签遥感影像地物分类系统。基于深度迁移学习方法,训练了5种不同深度的ResNet模型,通过分析其损失曲线、测试精确率与F1值,确定最优模型,并根据该模型设计了方便用户使用的交互界面系统。研究结果表明,深度迁移学习调优后的ResNet34模型分类性能优于其他网络,分类指标精确率可达96.02%,F1值达到90.38%。该结果可为政府相关管理部门了解生态变化状况、采取管理措施提供决策支持,对生态环境可持续发展具有积极意义。

摘要：为实现高精度像素级地铁盾构隧道表观多病害检测,提出一种基于深度学习的语义分割模型SU-ResNet++.首先,设计基于残差单元结合注意力机制的编码器SE-ResNet50进行预训练,并将其作为U-Net++的主干网络设计新型神经网络模型;其次,通过原始数据采集、数据预处理及人工标注,构建具有4 500张图片的盾构隧道表观多病害数据集;最后,将所提出的方法通过数据集进行训练、验证和测试,并应用于实际工程检测,实现了高精度像素级的病害语义分割.实验结果表明,所提出的SU-ResNet++算法适用于盾构隧道病害数据检测,可以自动准确地识别病害类别及形态,病害识别精度相比传统语义分割模型有明显提高,并且满足实际工程需求.