风机桨叶识别与故障诊断项目
文章平均质量分 90
随煜而安
Deep Learning?不如Keep Learning ~ 聚焦CV,关注各类算法相关问题
展开
-
风机桨叶故障诊断(三) 识别桨叶——初步构建BP神经网络
本文首先简单的选取了少量的样本并进行样本归一化,这样就得到了可供训练的训练集和测试集。然后训练了400×25×2的三层BP神经网络,最后对最初步的模型进行了误差分析并找到了一种效果显著的提升方法!原创 2015-09-11 18:51:08 · 1951 阅读 · 1 评论 -
风机桨叶故障诊断(一) 样本的获取
风机桨叶故障诊断(一) 样本的获取 今天团队接了个新项目,做一个风机桨叶故障诊断系统。虽然马上就是准备考研的关键期了,可是一想到这是我学习了机器学习后遇到的第一个实际项目,我觉得参与进来,也帮导师分担些压力。项目不可能进展的一帆风顺,这个系列文章也并不是教学性质的,我这些日子会根据项目的情况,将一步步的进展,想法都记录在博客中,也作为技术的积累。如果有什么错误欢迎大家指正。步入原创 2015-09-06 22:38:44 · 3271 阅读 · 3 评论 -
风机桨叶故障诊断(二) 获取图像几何主方向
本文主要介绍从图像中提取物体的几何主方向的方法原创 2015-09-07 20:00:20 · 2608 阅读 · 1 评论 -
风机桨叶故障诊断(四) 正负样本准备——从图像中随机扣图
风机桨叶故障诊断(四) 正负样本准备——从图像中随机扣图 在之前的工作中,我们已经训练了一个400×25×2的三层BP神经网络,通过这个基础的神经网络进行了误差分析,对我们的问题有了更深刻的认识。现在我们要开始不断完善我们的预测算法。 在一个机器学习系统中,样本选取的好坏至关原创 2015-09-12 22:31:03 · 1135 阅读 · 6 评论 -
风机桨叶故障诊断(六) 利用自编码器进行特征学习
在之前的工作中,我已经初步构建了三层的BP神经网络,并已经从样本集的选取,模型的选择(隐含层神经元个数),和输出层神经元阈值选择这几个方面对桨叶的识别问题进行了优化。也得到了一些有用的结论: 1.我们的算法需要更多的数据,更多的数据对于提高算法的表现是有效的。 2.通过人为的控制神经网络输出层阈值可以降低误识率(以增大漏识率为代价)。 3.隐含层神经元个数选在2原创 2015-09-15 17:30:34 · 7490 阅读 · 6 评论 -
风机桨叶故障诊断(七) 滑动窗与非极大值抑制NMS
本文介绍了如何使用滑动窗和非极大值抑制(nms)的方法进行桨叶的目标检测原创 2015-09-19 11:11:08 · 1653 阅读 · 1 评论 -
风机桨叶故障诊断(五) 修改隐含层神经元个数的尝试
风机桨叶故障诊断(五) 修改隐含层神经元个数的尝试 我们已经为训练一个更为稳健的神经网络做好了样本的准备工作,那么我们开始下一步的工作吧! 我们已经有了样本集,目前我筛选出来了247个正样本,652个负样本。这样的样本的规模是否够用?是处在高方差还是高偏差?需不需要增加隐含层神经元个数以增加算法的复杂程度?这些问题都可以归结到一个问题,我们的算法现在处在什么样的状态原创 2015-09-12 23:06:56 · 1616 阅读 · 0 评论