基于语音识别技术的温室大棚水肥一体化控制系统的研究与实现
这是一篇关于温室大棚,水肥一体化,语音识别技术,DenseNet,Dropout的论文, 主要内容为温室大棚里农作物的产量和质量与作物在生长期间所吸取的水分和营养物质有着密切关系,水肥一体化灌溉是目前温室大棚种植过程中实现高效种植的关键技术,但目前已有系统仍存在操作过程繁琐、智能化程度不高问题,不适用于我国温室大棚种植的现状和需求,普通农户极易误操作而造成水肥的过度灌溉,因此针对如何提升水肥利用效率、降低对环境的污染等问题,本文基于语音识别技术设计研发了温室大棚水肥一体化智能灌溉系统,实现了温室大棚的精准施肥,为推动智慧农业的规范化、智能化、大规模生产打下基石。研究内容和实验结果如下:(1)调研现有的语音识别技术网络模型,融合Dropout技术、CTC算法以及CNN等对网络模型结构在理论上进行了论证与推导,研究了基于DenseNet的语音识别模型构建方法,设计了模型网络结构参数;通过对采集生产实践中对水肥一体化系统的常用命令音频样本进行采集与制作,获取了水肥灌溉情景下语音及指令对应的数据集;基于DenseNet的语音识别模型及网络结构参数,完成了对样本进行模型训练并得到收敛的、可移植的网络模型文件,通过评估样本对网络模型进行评估验证,实验结果表明:1400个样本的错误识别率约为2.77%,对于输入过长的语音,错误率会逐步上升,在采用正则搜索后能够满足生产需要。(2)以英伟达JetsonTX2的开发板核心的语音识别硬件基础,设计了节点语音识别单元,并将收敛的模型移植到开发板上,完成了智能语音识别模块搭建;以STM32F429IGT6主控器为核心,触控屏、继电器以及各类传感器为硬件基础,研发了水肥一体化智能语音灌溉系统;最终将智能语音识别模块、水肥一体化控制系统以及云上服务器等进行组合,实现了远程用户输入语音和现场用户输入语音都能对水肥一体化系统控制的功能。(3)基于水肥一体化智能语音灌溉系统,对系统功能及性能进行试验检测和结论分析,测试结果表明,系统语音识别功能错误率与模型验证分析结果基本一致,指令误判率较低;其次在远程控制时延性能方面,着重分析了以太网与无线Wi-Fi之间的控制系统响应时延对比,实验结果表明:以太网时延低于1.5s,Wi-Fi时延低于2s,整体而言以太网比无线Wi-Fi稳定性高、时延小,在二者同时连接时随着背景流量的增加,不稳定性增大,时延也增大。在现场用户时延方面,实验结果表明:控制系统响应的总时延下降明显,但是语音识别的时延上升,整体时延低于1s,提高时延方法集中在提高节点开发板的计算值和网络模型优化。
面向链接预测的图卷积神经网络算法研究
这是一篇关于图神经网络,链接预测,Dropout,Motif,高阶结构,数据增强的论文, 主要内容为近年来通过图神经网络(GNNs)完成链接预测任务在许多领域中都发挥着十分关键的作用,例如基因之间的协同致死效应(SL)预测,个性化推荐,知识图谱补全,生物链上的关系预测等等。尽管矩阵分解算法已被广泛用于链接预测的相关工作中,但这种算法仅仅是学习一个节点到某个隐藏表示的索引映射,而不会考虑邻域结构信息。而图神经网络不仅可以在图中捕获此类邻域依赖性,还可以对这种复杂的关系进行建模。因此,图神经网络在学习结点的低维向量表示过程中,捕捉图结构信息的能力对链接预测任务来说是非常重要的。但是,目前的图神经网络架构只捕捉单一的低阶结构信息(即消息只沿着边传播),从而限制了节点表示的表达力,并容易在稀疏的网络中产生过拟合的问题。本文通过粗细粒度结合的dropout以及motif,分别提出能使得图神经网络的结点低维向量表示能够捕捉邻域增强结构信息和高阶邻域结构信息的DDGCN和MKGNN模型。DDGCN首先把邻接矩阵和单位矩阵分别作为同一个图神经网络的节点输入特征,然后在训练期间对这两个矩阵应用dropout。按照这种方式DDGCN能编码出带有邻域增强结构信息的节点嵌入表示,从而能缓解GNN在稀疏的SL网络进行链接预测时产生的过拟合问题,且可以证明这两种做法实际上是在同一个图上的每个节点协同地随机移除节点和随机移除节点的边。MKGNN通过13个不同的motif,让节点相继经过节点层级和motif层级的聚合机制。按照这种方式MKGNN让GNN的结点的低维向量表示捕获高阶的邻域结构信息,且可以证明MKGNN拥有比标准GNN更强大的表达力,即能区分出更多的图结构。对比实验表明,能捕捉邻域增强结构信息或高阶邻域结构信息的图神经网络在进行链接预测时总体上优于其他方法。
基于深度自动编码的矿井提升设备故障诊断方法
这是一篇关于故障诊断,矿井提升设备,深度学习,SAE,Dropout,Adam的论文, 主要内容为矿井提升设备是煤矿开采的重要设备,完成对物料和人员的提升运输工作,开展对提升设备故障诊断的研究,及时发现运行过程中的故障征兆,并给出决策建议对煤炭安全生产具有重要意义。随着现代传感技术和监测技术的不断发展,提升设备监测数据呈现出规模大、维数多等特点,合理挖掘和运用监测数据中隐藏的故障信息,判定故障类型,是进行故障诊断工作的重要一环。本文以矿井提升设备为研究对象,开展了基于深度自动编码(Deep Auto-encoder,DAE)算法的故障诊断研究,自动学习故障数据中的特征信息,旨在提高监测数据的利用率,避免人为主观干预对诊断结果的影响,实现对矿井提升设备的故障诊断。本文分析了矿井提升设备的结构和工作原理,总结了常见的故障类型,得到了故障类型和故障原因的映射关系,由此确定了监测参数及诊断标准;建立了基于稀疏自动编码(Sparse Auto-encoder,SAE)的故障诊断模型,引入了Dropout、Adam和层次分析法(Analytic Hierarchy Process,AHP)优化算法,对诊断模型的基本参数设置问题进行了探究,采集实验室提升机正常状态和故障状态下的监测数据,对模型进行了训练,并对诊断结果进行了正确性分析;为了验证SAE诊断模型的适用性,总结了故障诊断系统的需求,结合系统总体架构,基于Java和HTML等编程语言实现了系统功能模块设计、数据库设计、开发环境设计,建立了网络环境下的故障诊断系统,并在某矿进行了试运行,应用效果良好。本文取得的成果如下:(1)提出了基于SAE的故障诊断方法。该方法使用无监督学习的方式自动获取更具代表性的特征信息,提高诊断识别的准确性。使用MNIST数据集对模型的性能进行试验,试验结果表明SAE模型能够解决训练时间长和故障数据局部最优点的问题,诊断模型准确率可以达到94%,在有效诊断海量数据的同时,具有一定的可信度。(2)提出了基于Dropout、Adam的模型优化算法。在传统SAE模型的基础上,引入了Dropout、Adam算法优化训练过程,加快了诊断模型的训练速度,此外由于提升机监测数据稀疏性的特点易造成局部最优点的现象,Adam算法减少了稀疏数据的局部最优点对模型训练的影响,提高了模型的诊断准确性。(3)建立了网络环境下的故障诊断系统。将诊断模型应用在提升机故障诊断中,开发了网络环境下的故障诊断系统,对诊断模型进行试运行。该系统采用Spring Boot框架简化运算方式,大大减少了代码运算量,方便后续系统的维护和优化。该系统能够实现前后端数据的传输和交互,及时响应后端程序,可视化展示诊断模型的运行结果,实现了故障诊断、数据展示、诊断标准等功能,方便用户的阅读和使用,为后续的实际生产应用做出了探索。
基于深度自动编码的矿井提升设备故障诊断方法
这是一篇关于故障诊断,矿井提升设备,深度学习,SAE,Dropout,Adam的论文, 主要内容为矿井提升设备是煤矿开采的重要设备,完成对物料和人员的提升运输工作,开展对提升设备故障诊断的研究,及时发现运行过程中的故障征兆,并给出决策建议对煤炭安全生产具有重要意义。随着现代传感技术和监测技术的不断发展,提升设备监测数据呈现出规模大、维数多等特点,合理挖掘和运用监测数据中隐藏的故障信息,判定故障类型,是进行故障诊断工作的重要一环。本文以矿井提升设备为研究对象,开展了基于深度自动编码(Deep Auto-encoder,DAE)算法的故障诊断研究,自动学习故障数据中的特征信息,旨在提高监测数据的利用率,避免人为主观干预对诊断结果的影响,实现对矿井提升设备的故障诊断。本文分析了矿井提升设备的结构和工作原理,总结了常见的故障类型,得到了故障类型和故障原因的映射关系,由此确定了监测参数及诊断标准;建立了基于稀疏自动编码(Sparse Auto-encoder,SAE)的故障诊断模型,引入了Dropout、Adam和层次分析法(Analytic Hierarchy Process,AHP)优化算法,对诊断模型的基本参数设置问题进行了探究,采集实验室提升机正常状态和故障状态下的监测数据,对模型进行了训练,并对诊断结果进行了正确性分析;为了验证SAE诊断模型的适用性,总结了故障诊断系统的需求,结合系统总体架构,基于Java和HTML等编程语言实现了系统功能模块设计、数据库设计、开发环境设计,建立了网络环境下的故障诊断系统,并在某矿进行了试运行,应用效果良好。本文取得的成果如下:(1)提出了基于SAE的故障诊断方法。该方法使用无监督学习的方式自动获取更具代表性的特征信息,提高诊断识别的准确性。使用MNIST数据集对模型的性能进行试验,试验结果表明SAE模型能够解决训练时间长和故障数据局部最优点的问题,诊断模型准确率可以达到94%,在有效诊断海量数据的同时,具有一定的可信度。(2)提出了基于Dropout、Adam的模型优化算法。在传统SAE模型的基础上,引入了Dropout、Adam算法优化训练过程,加快了诊断模型的训练速度,此外由于提升机监测数据稀疏性的特点易造成局部最优点的现象,Adam算法减少了稀疏数据的局部最优点对模型训练的影响,提高了模型的诊断准确性。(3)建立了网络环境下的故障诊断系统。将诊断模型应用在提升机故障诊断中,开发了网络环境下的故障诊断系统,对诊断模型进行试运行。该系统采用Spring Boot框架简化运算方式,大大减少了代码运算量,方便后续系统的维护和优化。该系统能够实现前后端数据的传输和交互,及时响应后端程序,可视化展示诊断模型的运行结果,实现了故障诊断、数据展示、诊断标准等功能,方便用户的阅读和使用,为后续的实际生产应用做出了探索。
基于机器视觉的工业字符识别方法研究
这是一篇关于OCR,工业字符识别,图像处理,机器视觉,CNN,Dropout的论文, 主要内容为随着信息技术的发展,产品的溯源得到人们的广泛关注。在制造业,生产加工的每一步都会产生相应的信息数据,将这些数据记录在工件上表达其相关生产信息。因此,零件不同,其字符串编码不同,通过采集其字符串编码即可获得工件的加工工序等信息达到对其的全生命周期跟踪与溯源。工件生产的条件和作用条件的复杂性,采用人工方式录入相关信息,成本高、效率低,准确率也难以保证。现代科技的高速发展,工业智能化程度越来越高,利用机器视觉识别工件表面的字符串编码可解放劳动力,提升生产效率,有利于工业智能化及转型升级。光学字符识别(Optical Character Recognition,OCR)系统在物流、办公、金融等领域应用较为广泛,但工业化应用尚不充分。本文利用OCR技术,实现对工件表面字符串编码的识别。本文主要研究内容如下:(1)图像采集系统设计方法。基于论文的研究内容,介绍了图像采集系统的设计方法。通过分析相机参数对成像系统的影响,给出了相机参数的选择原则,同时,对照明系统的设计原则和方法做了介绍。(2)工业字符图像预处理方法研究。为从工业字符图像中获得工件字符串编码信息,需要对其进行预处理。论文对比分析了实现图像增强、图像滤波、字符校正等操作的现有方法,针对工件字符串编码与其背景间色差小、对比度小这一特点,选择Retinex算法完成了对图像的增强;针对字符图像存在大量噪点及工件表面存在划痕、锈斑等缺陷,选用双边滤波算法实现了对图像的滤波;利用MSER算法实现了对字符区域的定位,并用椭圆拟合方法实现对单个字符的包络,最终实现了对字符区域的最小包络和裁剪。(3)基于高斯加权的改进Wellner算法的设计。在分析了传统二值化算法的特点后,结合二维Wellner自适应阈值算法和Niblack算法的优点,基于高斯函数的特点,论文设计了一种既考虑像素点间的欧氏距离又考虑像素点间灰度变化的新型图像二值化算法——基于高斯加权的改进二维Wellner算法。实验研究结果表明,所设计的基于高斯加权的改进Wellner算法能有效去除背景中的噪点,更好地区分目标与背景,具有很好的适应能力和泛化能力。(4)基于Dropout的CNN结构优化。论文对比分析了采用模板匹配、BP神经网络和CNN模型实现字符识别所表现出的特点及识别的准确度。通过对倾斜字符和残缺字符的识别,CNN模型较模板匹配和BP神经网络有较高的准确率。论文以CNN的Le Net模型为基础,基于Dropout技术对神经网络的影响,将其应用于Le Net模型以通过对模型结构的优化提升其泛化能力。采用含残缺字符的样本集对基于Dropout技术的Le Net模型进行训练。实验结果表明,采用训练所得的网络对残缺变形字符样本识别的准确率从90%上升到94.44%。研究结果证明,论文所提出的基于Dropout的CNN结构优化方法是正确有效的,使其泛化能力得到提升。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码驿站 ，原文地址：https://m.bishedaima.com/lunwen/54516.html
