摘要：针对小样本数据集条件下深度学习算法的方案图像智能决策限制问题,提出一种基于胶囊网络的产品形态设计决策模型。应用人工智能方法搭建基于产品形态语义的多视角图像数据集,并将数据集图像进行预处理和特征提取。再利用卷积层学习得到图像特征,将不同卷积层中的若干特征划分为一组,生成具有丰富语义特征的主胶囊。利用动态路由算法获取一组数字胶囊,完成整个胶囊网络模型。最后,通过对训练数据集提高模型识别性能,从而提高产品形态设计决策准确率。通过构建智能陪护机器人的小样本实例数据集,验证了所建立模型的有效性与可行性。

摘要：目前许多基于卷积网络的滚动轴承故障诊断方法受噪声信号以及负荷变化的影响,存在诊断效果不佳、泛化能力差的问题。针对此问题提出一种改进卷积胶囊网络的滚动轴承变工况故障诊断方法。该方法设计了多尺度非对称卷积模块,其中采用不同尺度的非对称卷积层对输入数据进行特征提取,在实现最大化提取数据中的特征信息的同时,还能够有效减少参数量;在该模块中引入通道注意力机制,能更好地提取有用的通道特征,提高该方法特征提取的能力;通过将网络中的全连接层改进为胶囊全连接层,使得胶囊在输出向量特征信息时,避免了特征信息在空间中的丢失。使用凯斯西储大学轴承数据集和东南大学变速箱数据集来验证所提方法的诊断性能,并与其他深度学习方法进行了比较。实验结果表明,与其他深度学习方法相比,具有较好的泛化性,效果更佳。

摘要：卷积神经网络(Convolutional Neural Network,CNN)在计算机视觉任务中发展迅速,尤其在图片分类、检索、目标检测等各个领域中发挥出优越的性能.CNN能够直接从原始像素中经过少量预处理,得到其有效的特征表示,识别计算机视觉上的规律.然而CNN采用了池化策略,对物体的局部特征理解深刻,而忽视了物体整体的空间结构.而胶囊网络重视物体的空间结构,是一种新的神经网络架构.胶囊网络通过将特征叠加到向量中来表示物体的多种信息,具备良好的拟合特征能力,使得网络架构不仅能识别出物体的局部特征,而且能保留其整体空间特征的层次关系.然而胶囊网络在复杂数据中表现不佳.为了提高胶囊网络在图像数据的识别准确率,本文提出一种基于剪枝优化的深层胶囊网络,其有效地处理胶囊网络层之间的连接关系,不仅减少了低层冗余胶囊,还提高网络的泛化能力.新胶囊网络的剪枝策略,对低层胶囊进行严格筛选,确保只有重要的、活跃度大的低层胶囊重组成新的胶囊层,进行加权连接预测高层胶囊.对于图像数据,获取的特征不足使其难以在胶囊中进一步处理.因此,本文设计了一种新颖的胶囊块卷积层,使用3D卷积核将局部的胶囊子集转化为一个更加抽象的胶囊,获取更加全面数据的特征表示来构建更加有水平的高层网络.同时,该层中低水平胶囊到高水平胶囊之间的跳跃连接可以减少深度模型训练过程中面临的梯度消失问题.此外,本文在多个数据集上进行性能测试,都取得了良好的实验效果.

摘要：高效稳定的深度学习分类器有助于提升高光谱遥感影像的分类精度。针对卷积神经网络标量式神经元特征表达能力有限、无法有效建模特征之间空间层次结构关系的不足,设计了一种考虑数据图谱合一特性的端到端高光谱胶囊网络(H-CapsNet)。H-CapsNet主体由编码器(卷积层、PrimaryCaps层及DigitCats层)和解码器(全连接层)组成,通过在网络输入端嵌入通道和空间注意力模块,以此增强模型对空谱特征的抓取和识别,进而提升网络对特征的聚焦和表达能力。以资源一号02D卫星获取的张家港高光谱影像及公共数据集University of Pavia和University of Houston影像为例进行试验,将H-CapsNet网络与传统机器学习算法和多个深度学习网络进行对比。试验结果表明,在3景不同分辨率的高光谱影像上,H-CapsNet分类网络均取得了最优的分类效果,总体精度相较于其他方法分别提升了2.36%~7.67%、0.16%~11.8%和1.75%~15.58%。H-CapsNet网络对小像素邻域具有较好的适应性,当图像块尺寸有限时,仍可以取得相对理想的分类结果。

摘要：行星齿轮箱是大型机械装备的核心传动环节,其内部关键零部件故障发生的部位与形式多样,威胁机械装备的安全服役.针对其不同部件的多类故障诊断问题,提出一种基于改进的胶囊网络(enhanced capsule ntwork, ECN)的“端到端”智能故障诊断方法. ECN充分发挥了卷积神经网络对故障特征的深度提取能力,同时具备胶囊结构矢量化挖掘特征空间信息的特点,可利用动态路由机制计算胶囊层之间的相关度,从而实现对故障特征的精准归类.此外,建立的间隔损失函数与输入数据不断优化模型参数,实现了对故障的智能诊断.对太阳轮、行星轮以及多类部件故障数据混合的情况分别开展分析,实验结果表明, ECN相比传统卷积神经网络和胶囊网络均表现出更强的故障诊断能力.

摘要：高分辨率遥感影像建筑物自动提取在防灾减灾、灾害估损、城市规划和地形图制作等方面具有重要意义。但是,目前常用的传统卷积神经网络模型存在异变性强而同变性弱缺陷。针对该问题,本文提出一种基于通道和空间双注意力胶囊编码—解码网络DA-CapsNet(dual-attention capsule encoder-decoder network)的建筑物提取通用模型。该模型通过胶囊卷积和空间—通道双注意力模块增强高分辨率遥感影像中建筑物高阶特征表达能力,实现建筑物遮挡部分以及对非建筑不透水层的准确提取与区分。模型首先利用胶囊编码—解码结构提取并融合多尺度建筑物胶囊特征,获得高质量建筑物特征表达。之后,设计通道和空间注意力特征模块进一步增强建筑物上下文语义信息,提高模型性能。本文选取3种高分辨率建筑物数据集进行试验,最终的平均精度、召回率和F1-score分别为92.15%、92.07%和92.18%。结果表明,本文提出的DA-CapsNet能有效克服高分辨率遥感影像中的空间异质性、同物异谱、异物同谱以及阴影遮挡等影响,实现复杂环境下的高精度建筑物自动提取。

摘要：卷积神经网络等深度学习模型已经在高光谱影像分类任务中取得了理想的结果。然而,由于传统神经元只能进行标量计算,现有的深度学习模型无法对高光谱影像特征的实例化参数进行建模,因此无法在邻域范围受限的条件下获得令人满意的分类效果。通过引入胶囊网络结构设计了一种新型网络模型,该模型利用胶囊神经元进行向量计算,并利用权重矩阵编码特征间的空间关系,能够进一步提高高光谱影像的分类精度。在帕维亚大学、印第安纳松树林和萨利纳斯山谷数据集上进行验证,实验结果表明,所提出的网络模型较传统算法和卷积神经网络分类模型而言具有更加优异的分类性能,且对训练样本数量和像素邻域范围具有更好的适应性。

摘要：针对目前基于模型的比例伺服阀故障诊断方法存在参数未知、不易建模的问题,首次提出了注意力卷积胶囊网络(ACCN)算法,并设计了基于注意力卷积胶囊网络的比例伺服阀故障诊断新方法。该算法首先使用卷积神经网络和高效通道注意力机制,对原始的多通道一维时域信号进行特征提取与融合,然后将融合结果输入到后续的胶囊网络中进行特征再提取和故障分类,输出对应的诊断结果。比例伺服阀故障模拟试验台验证了所提算法与诊断方法的有效性,提出的方法在测试集上取得了100%的准确率,且通道注意力机制和胶囊网络的加入使模型的诊断效果得到了不同程度的提升。

摘要：针对当前油气田管道电磁检测中存在的管道形变量化方法单一、精度不足的问题,引入深度学习的思路,提出一种基于卷积胶囊网络的油套管变形程度估计方法,通过设计多个卷积层对不同探头涡流信号进行特征提取;设计胶囊网络的输出层,构建基于模长的约束函数,对最小臂值进行量化,实现对油套管形变程度的估计。本方法考虑了不同类型探头信息之间的联系,并构建量化模型,以提高模型非线性映射能力,适用于多个探头同时检测的设备。通过对实际井下管道的脉冲涡流检测数据进行验证,相比于常见的深度学习方法,本方法具有更好的量化精度。

摘要：图像语义分割作为一种像素级分类技术,已应用于合成孔径雷达(SAR)图像的解译领域中。U-Net是一种端到端的图像语义分割网络,具有典型的编码-解码结构。其中,编码部分主要由卷积层和池化层组成,可以有效提取图像中的目标特征,但难以获取目标的位置和方向等信息。胶囊网络是一种能够获取目标姿态(位置、大小、方向)等信息的神经网络,因此,提出了一种基于U-Net和胶囊网络的SAR图像语义分割方法。此外,考虑到SAR图像数据集较小的特点,将U-Net的编码部分设计成视觉几何组(VGG16)结构,将预训练的VGG16模型直接迁移至编码部分。为了验证本方法的有效性,在两个极化SAR图像数据集上开展了建筑物目标的分割实验。结果表明,相比U-Net,本方法的精确率、召回率、F1分数和交并比更高,且能减少网络模型的训练时间。