全部
图书
期刊
学位论文
会议论文
报纸
图片
视频
新闻
关键词
- 基于改进YOLOv5的轻量化航空目标检测方法
- 作者： 杨小冈 高凡 卢瑞涛 李维鹏 张涛 曾俊 来源： 信息与控制 年份： 2022 文献类型 ： 期刊 关键词： 注意力 通道剪枝 深度学习 目标检测 模型压缩
- 描述： ，设计通道注意力增强结构MNtECA(MobileNetv3 with Efficient Channel Attention)提高特征提取能力；其次在深度可分离卷积层增加1×1的卷积，在减少卷积结构参数
- 基于多传感器融合卷积神经网络的航空发动机轴承故障诊断
- 作者： 杨洁 万安平 王景霖 单添敏 缪徐 李客 左强 来源： 中国电机工程学报 年份： 2022 文献类型 ： 期刊 关键词： 航空发动机 卷积神经网络 多传感器信息融合 故障诊断 深度学习
- 描述： 航空发动机轴承进行故障诊断。该模型采用一维卷积神经网络(one dimensional convolutional neural network,1D-CNN)对实验获取的某航空发动机的轴承故障振动
- 基于深度学习的航空发动机磨损部位识别方法
- 作者： 苗慧慧 曹桂松 孙智君 康玉祥 马佳丽 陈果 来源： 润滑与密封 年份： 2023 文献类型 ： 期刊 关键词： 航空发动机 一维卷积残差网络 能谱分析 深度学习 磨损
- 描述： ，搭建一维卷积残差网络模型。以航空发动机润滑油中磨损颗粒能谱分析数据为输入，采用所搭建的一维卷积残差网络模型实现对能谱数据的特征提取以及航空发动机磨损部位的定位识别；以某型航空发动机润滑油中磨损颗粒实测
- 航空装配领域中命名实体识别的持续学习框架
- 作者： 刘沛丰 钱璐 赵兴炜 陶波 来源： 浙江大学学报(工学版) 年份： 2023 文献类型 ： 期刊 关键词： 航空装配 深度学习 智能制造 命名实体识别 持续学习
- 描述： 框架在正确率、召回率、F1值上均显著优于以往算法，所提框架可以为航空装配领域命名实体识别任务持续提供可信的结果.
- 高分辨率航空遥感图像的建筑物识别
- 作者： 王玉琴 尤静静 蔡世鑫 来源： 北京测绘 年份： 2023 文献类型 ： 期刊 关键词： 遥感图像 RCNN)模型 快速区域卷积神经网络(Faster 建筑物识别 深度学习
- 描述： 目前深度学习方法的研究已在语音辨别、图像识别、信息检索等方面取得较大成果。建筑物的自动检测与识别已成为遥感图像处理范畴研究的热点。针对高分辨率航空遥感影像中的建筑物快速、精准识别的应用问题，文章提出利用深度学习方法中的快速区域卷积神经网络(Faster RCNN)模型对航空遥感图像进行建筑物识别，经验证，利用Faster RCNN模型对航空遥感图像进行建筑物识别其结果可达93.7%的精准率，平均每张图像识别时间为74 ms,证明了Faster RCNN模型应用于航空遥感图像建筑物识别中的有效性及高效性。
- 基于深度学习的航空铆钉分类及异常情况检测
- 作者： 夏正洪 何琥 吴建军 魏汝祥 来源： 中国安全生产科学技术 年份： 2023 文献类型 ： 期刊 关键词： 召回率 精确率 深度学习 目标检测 航空铆钉
- 描述： 针对航空铆钉小目标检测准确率较低、速率较慢等问题，提出1种基于深度学习的航空铆钉分类及异常情况检测方法。首先，根据钉头外观对航空铆钉进行分类，制作航空铆钉数据集；然后，构建航空铆钉分类及异常情况检测
- 基于深度学习的航空发动机磨损部位识别方法
- 作者： 苗慧慧 曹桂松 孙智君 康玉祥 马佳丽 陈果 来源： 润滑与密封 年份： 2023 文献类型 ： 期刊 关键词： 航空发动机 一维卷积残差网络 能谱分析 深度学习 磨损
- 描述： ，搭建一维卷积残差网络模型。以航空发动机润滑油中磨损颗粒能谱分析数据为输入，采用所搭建的一维卷积残差网络模型实现对能谱数据的特征提取以及航空发动机磨损部位的定位识别；以某型航空发动机润滑油中磨损颗粒实测
- 融合注意力和多尺度特征的航空发动机缺陷检测
- 作者： 赵崇林 朱江 胡永进 李祖泽 王鹏举 谢涛 来源： 北京航空航天大学学报 年份： 2023 文献类型 ： 期刊 关键词： 注意力机制 航空发动机 YOLOv5 深度学习 缺陷检测
- 描述： 航空发动机的结构完整性关乎飞行安全。目前基于孔探技术的航空发动机缺陷检测以人工操作为主。为提高检测精度和效率，提出了一种融合注意力和多尺度特征的航空发动机缺陷智能检测算法，以辅助孔探工作。首先，针对原始孔探图像中缺陷样本的类别不平衡问题，采用了一种基于几何变换和泊松图像编辑的多样本融合数据增强方法，丰富小样本图像并构建缺陷数据集。然后，在基准网络YOLOv5中融入协调注意力模块(CA)，以强调缺陷特征的提取，增强网络对缺陷目标和复杂背景的区分。在颈部网络中构建加权双向特征金字塔结构(BiFPN)，以完成更高层次的特征融合，提升对多尺度目标的表达能力。最后，将边界框回归损失函数定义为EIOU损失，实现对缺陷目标快速、准确地定位和识别。实验结果表明，本文算法检测缺陷的平均精确度达到了89.7％，较基准网络提升了6.3％，训练后的模型大小仅为14.0M。因此，所提方法可以有效地检测航空发动机的主要缺陷。