CN111563455A - 基于时间序列信号和压缩卷积神经网络的伤损识别方法 - Google Patents
基于时间序列信号和压缩卷积神经网络的伤损识别方法 Download PDFInfo
- Publication number
- CN111563455A CN111563455A CN202010380752.0A CN202010380752A CN111563455A CN 111563455 A CN111563455 A CN 111563455A CN 202010380752 A CN202010380752 A CN 202010380752A CN 111563455 A CN111563455 A CN 111563455A
- Authority
- CN
- China
- Prior art keywords
- pruning
- network
- layer
- damage
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于时间序列信号和压缩卷积神经网络的伤损识别方法,包括输入信号预处理和网络剪枝,首先采用泛谐波调频小波变换将表征伤损的一维时序信号变换到二维时频空间;然后以VGG16作为基础架构,采用添加BN层、全连接层轻量化、以泰勒准则为评判标准的滤波器排序、删除卷积层低贡献率滤波器等复合剪枝技术,构建压缩网络。通过脉冲涡流检测伤损信号验证,本发明提供的方法无需进行特征提取,且相对于VGG16架构,准确率增加到99.1%,运行时间降到7%,可广泛用于无损检测领域。
Description
技术领域
本发明涉及无损检测技术领域,特别是涉及一种基于时间序列信号和压缩卷积神经网络的伤损识别方法。
背景技术
现场在役设备(如钢轨)伤损种类复杂多样,如按发生位置可大致分为表面伤损、内部伤损,更有在同一垂直位置表面和内部伤损同时存在隐藏伤损。准确识别伤损是指定合理检修手段、判定设备健康状态的前提,另外由于现在企业检修时间有限,所以准确、快速的伤损识别是工业现场的迫切需求。
目前常用的伤损识别通常由两步构成,即首先借助信号分析方法提取检测信号特征,其次采用模式识别(如神经网络、支持向量机)方法识别伤损。两个步骤中特征提取更为关键,不过,因为不同的信号及应用场景往往需要设计不同的特征,要求工程师对检测方法及信号处理方法有深入的理解,所以制定合理、有效的特征提取方法通常是一项很困难的任务。
深度卷积神经网络(deep convolutional neural network,DCNN)已成为一种重要的自适应信息处理方法,能直接由二维输入信号实现伤损的智能识别,避免特征提取带来的困难。不过针对工程应用尚存在两个局限:首先目前常用的无损检测技术,如脉冲涡流、声发射、超声等,其检测信号大都表征为一维时间序列信号,而DCNN要求输入信号为二维图像;其次,DCNN存在着大量冗余参数,不仅易导致过拟合,而且浪费存储空间和计算资源,限制了其在工程场合的应用。
发明内容
为此,本发明的目的在于提出一种基于时间序列信号和压缩卷积神经网络的伤损识别方法,以对时间序列信号表征的伤损信号进行智能、快速、准确的识别,降低资源浪费,实现DCNN在无损检测中的工程应用。
一种基于时间序列信号和压缩卷积神经网络的伤损识别方法,包括:
输入信号预处理,首先采用泛谐波调频小波变换方法将表征不同种类伤损的一维时序信号(以脉冲涡流检测信号为例),变换到二维时频空间,其次将获得的二维时频展示的信号转换为灰度图,并进行尺度压缩,以节约存储空间并提高处理速度。
网络剪枝,以VGG16作为基础网络架构,采用复合剪枝技术,在不损失准确度前提下,进行网络剪枝压缩。其具体包括:在每个卷积层和全连接层后加入批处理归一化(BatchNormalization,BN)层;对全连接层进行轻量化处理,减少全连接层隐含神经元个数;采用泰勒准则判别卷积层各滤波器的贡献度,去掉贡献度低的滤波器。
采用泛谐波调频小波变换方法进行脉冲涡流信号时频分析主要由于两个考虑:首先脉冲涡流信号理论上可以看做一系列由傅里叶级数表征的谐波信号的叠加;而泛谐波调频小波变换采用由傅里叶级数逼近的变换核函数,可以更好的逼近脉冲涡流信号,从而对信号包含的瞬时频率进行精确估计和表征;其次,该方法具有优异的瞬时频率识别和时频能量集中特性,使得二维时频表达即使在大幅缩小尺度的情况下也可以保证较少的信息损失。
VGG网络采用的小卷积核和多卷积层技术增加了非线性映射次数,能提高网络的拟合能力,该特点使得VGG网络构架比较适合难以获得海量样本的工程应用领域(如无损探伤)。而且VGG结构简洁,主要包括卷积层和全连接层,使其易于进行剪枝改进。
本发明在VGG16基础框架的每个卷积层和全连接层后添加了批归一化处理层(Batch Normolaziton,BN),并且可以将输入信号由224*224像素缩小为32*32 像素。这两项改进使得分类准确率上升了约6.5%,训练时间降低了93%。进行全连接层轻量化处理,可以将各层隐含神经元由4096个减少为512个,可降低约7%的运行时间,而且对准确度没有影响。本发明中对卷积层各滤波器重要性评估是针对激活值(即激活函数的输出)进行的,采用是目标函数相对于激活值的泰勒展开式中一阶项的绝对值,这样可以避免二阶项(即Hessian矩阵)的计算。为避免一次裁剪过多滤波器导致的网络性能恶化,采用多次剪枝和微调迭代进行的方式,即先对所有卷积层中的滤波器进行排序,剪掉最不重要的N 个滤波器(N预先设定),然后采用训练集数据进行微调;重复以上步骤,直到满足终止条件,停止剪枝操作。
因此,根据本发明提供的基于时间序列信号和压缩卷积神经网络的伤损识别方法,能够直接由时间序列信号得到伤损种类,避免了特征提取方法难以设计的困难;网络剪枝克服了DCNN所占存储空间和计算资源大,处理时间长以及过拟合的缺点,能由较少的训练数据得到满意的识别准确度,并且所用剪枝技术通过直接裁剪卷积滤波器的方式,在实现上更容易,并且不需要增加额外的稀疏矩阵计算库和硬件支持,降低了资源浪费,能够对时间序列信号表征的伤损信号进行智能、快速、准确的识别,最终实现了DCNN在无损检测中的工程应用。
附图说明
本发明实施例的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本发明一实施例的基于时间序列信号和压缩卷积神经网络的伤损识别方法的流程示意图;
图2是根据本发明提出的剪枝VGG16网络与基础VGG16网络的对比图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明一实施例提出的基于时间序列信号和压缩卷积神经网络的伤损识别方法,该方法可以由Python软件实现,该方法包括输入信号预处理和网络剪枝两个部分。
输入信号预处理,首先采用泛谐波调频小波变换方法将表征不同种类伤损的一维时序信号,变换到二维时频空间,其次将获得的二维时频展示的信号转换为灰度图,并进行尺度压缩。本实施例中,输入信号为采用脉冲涡流检测钢轨近踏面伤损获得的一维时间序列信号,共596个信号,其中包括298个表面伤损数据、198个内部伤损、100个遮蔽伤损(即,与内部伤损垂直位置上同时存在表面裂纹)。任意提取80%作为训练数据,其余20%为测试数据集。
将该信号采用泛谐波调频小波方法变换为二维信号。但是因为VGG网络需要RGB三通道输入信号,所以此处将二维时频表达先转换为灰度图,再获得 RGB三通道信号。本实施例中,数据处理中还将灰度图尺度减小为32*32以提高速度、改善分类准确率。
通过该应用实例证明,本发明提出的方法相对于基础的预训练VGG16网络,存贮空间降为37%,运行时间降低为原来的约3%。
输入信号预处理后,再进行网络剪枝,以VGG16作为基础网络架构,采用复合剪枝技术,在不损失准确度前提下,进行网络剪枝压缩。先将VGG16基础网络的卷积层和全连接层后都添加了批归一化处理层(Batch Normalization,BN),再将全连接层各隐含层神经元降低为512个。需要说明的是,该网络在后续剪枝和微调过程中,都采用脉冲涡流信号数据集从头开始训练,并没有借鉴原有预训练网络的权重值。将各卷积层所有滤波器输出特征图的激活值根据泰勒展开式中一阶项的绝对值进行贡献度排序,每次剪枝迭代中减掉排序最低的512 个滤波器,然后将剪枝后的网络再用训练数据进行微调。四次剪枝微调迭代后,结束整个网络的剪枝操作。
图2表示了剪枝VGG16网络与基础VGG16网络的对比。基础网络需要三通道224*224输入,卷积层(Conith)直接将输入通道信号进行卷积处理得到特征图FMith,全部卷积操作完成后,进入三层全连接层进行特征图与伤损模式的映射,每层隐含神经元个数为4096。当输入信号为224*224时,第一全连接层输入神经元为25088个。
剪枝VGG16网络,采用了32*32三通道输入,全连接层也添加了BN层,并且隐层神经元个数为512个;当输入信号为32*32时,第一全连接层输入神经元仅为512个。第i卷积层Conith中若第j个滤波器FCon(i,j)需要删除,该滤波器相对应的BN层滤波器FBN(i,j)以及特征图FM(i,j)也需要做相应的删除处理。
本实施例中,输入信号224*224,网络框架为基础预训练VGG16,采用以上训练集,每代训练时间为730s。如将预训练网络全连接层隐层神经元个数由4098 降为512,每代训练时间降为720s,可见并没有显著的降低。但是若将输入调整为32*32时,每代训练时间为54s,时间代价原来的6.7%。而伤损识别准确率反而由92.46%上升到96.61%。如继续在此基础上在所有卷积层和全连接层后加 BN层,则伤损识别准确率继续上升为99.1%。由此可见,采用小像素输入可大为节约运算的时间代价和存储成本;全连接层隐层神经元个数过多反而容易导致过拟合;增加BN层有助于更好的提取特征。值得说明的是,本发明中所列准确度为5次运行的平均值。程序所用处理器为Intel(R)Core(TM)i5-7300U 主频2.60GHz。
下面,采用泰勒评判准则对卷积层滤波器进行贡献度排序,直接裁剪贡献度最低的N个滤波器。本实例中对各个卷积层中的所有滤波器输出特征图的激活值按上述泰勒准则计算贡献率并排序,每次去掉贡献度最低的512个滤波器;然后采用上述训练集数据进行微调,以保证网络性能不收过大影响;重复以上迭代过程共4次,即总共减掉2048个滤波器。
表1所示为一次剪枝操作中每次迭代剪枝、微调的结果。共进行了四次剪枝,每次减掉512个滤波器后,采用训练集数据进行10次训练,对网络参数进行微调。表中最佳准确率为十次训练中最高的分类准确率,运行时间为对所有训练数据(596*0.8=476)进行一次训练所需的时间。由表可见,经过四次剪枝操作仍可保持剪枝前的准确度,而运行时间已经大幅缩减,每个数据仅需0.05 秒。
表1.剪枝及微调过程数据
综上,根据本发明提供的基于时间序列信号和压缩卷积神经网络的伤损识别方法,能够直接由时间序列信号得到伤损种类,避免了特征提取方法难以设计的困难;网络剪枝克服了DCNN所占存储空间和计算资源大,处理时间长以及过拟合的缺点,能由较少的训练数据得到满意的识别准确度,并且所用剪枝技术通过直接裁剪卷积滤波器的方式,在实现上更容易,并且不需要增加额外的稀疏矩阵计算库和硬件支持,降低了资源浪费,能够对时间序列信号表征的伤损信号进行智能、快速、准确的识别,最终实现了DCNN在无损检测中的工程应用。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (5)
1.一种基于时间序列信号和压缩卷积神经网络的伤损识别方法,其特征在于,包括:
输入信号预处理,首先采用泛谐波调频小波变换方法将表征不同种类伤损的一维时序信号,变换到二维时频空间,其次将获得的二维时频展示的信号转换为灰度图,并进行尺度压缩;
网络剪枝,以VGG16作为基础网络架构,采用复合剪枝技术,在不损失准确度前提下,进行网络剪枝压缩。
2.根据权利要求1所述的基于时间序列信号和压缩卷积神经网络的伤损识别方法,其特征在于,以VGG16作为基础网络架构,采用复合剪枝技术,在不损失准确度前提下,进行网络剪枝压缩的步骤具体包括:
在每个卷积层和全连接层后加入批处理归一化层;
对全连接层进行轻量化处理,减少全连接层隐含神经元个数;
采用泰勒准则判别卷积层各滤波器的贡献度,去掉贡献度低的滤波器。
3.根据权利要求2所述的基于时间序列信号和压缩卷积神经网络的伤损识别方法,其特征在于,在网络剪枝中,对卷积层各滤波器重要性评估是针对激活值进行的,采用目标函数相对于激活值的泰勒展开式中一阶项的绝对值。
4.根据权利要求3所述的基于时间序列信号和压缩卷积神经网络的伤损识别方法,其特征在于,在网络剪枝中,采用多次剪枝和微调迭代进行的方式,先对所有卷积层中的滤波器进行排序,剪掉最不重要的N个滤波器,N为预先设定,然后采用训练集数据进行微调;重复以上步骤,直到满足终止条件,停止剪枝操作。
5.根据权利要求1所述的基于时间序列信号和压缩卷积神经网络的伤损识别方法,其特征在于,在网络剪枝中,采用检测信号数据集从头开始训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010380752.0A CN111563455B (zh) | 2020-05-08 | 2020-05-08 | 基于时间序列信号和压缩卷积神经网络的伤损识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010380752.0A CN111563455B (zh) | 2020-05-08 | 2020-05-08 | 基于时间序列信号和压缩卷积神经网络的伤损识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111563455A true CN111563455A (zh) | 2020-08-21 |
CN111563455B CN111563455B (zh) | 2023-07-11 |
Family
ID=72073275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010380752.0A Active CN111563455B (zh) | 2020-05-08 | 2020-05-08 | 基于时间序列信号和压缩卷积神经网络的伤损识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563455B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991358A (zh) * | 2020-09-30 | 2021-06-18 | 北京字节跳动网络技术有限公司 | 风格图像生成方法、模型训练方法、装置、设备和介质 |
CN114047259A (zh) * | 2021-10-28 | 2022-02-15 | 深圳市比一比网络科技有限公司 | 一种基于时间序列多尺度钢轨伤损缺陷的检测方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392896A (zh) * | 2017-07-14 | 2017-11-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的木材缺陷检测方法和系统 |
US20180114114A1 (en) * | 2016-10-21 | 2018-04-26 | Nvidia Corporation | Systems and methods for pruning neural networks for resource efficient inference |
CN108154232A (zh) * | 2018-01-23 | 2018-06-12 | 厦门中控智慧信息技术有限公司 | 人工神经网络的剪枝方法、装置、设备及可读存储介质 |
CN109658383A (zh) * | 2018-11-22 | 2019-04-19 | 杭州电子科技大学 | 基于卷积神经网络和卡尔曼滤波的道路损伤识别方法 |
CN109685208A (zh) * | 2018-12-24 | 2019-04-26 | 合肥君正科技有限公司 | 一种用于神经网络处理器数据稀梳化加速的方法及装置 |
CN110045015A (zh) * | 2019-04-18 | 2019-07-23 | 河海大学 | 一种基于深度学习的混凝土结构内部缺陷检测方法 |
US20190294929A1 (en) * | 2018-03-20 | 2019-09-26 | The Regents Of The University Of Michigan | Automatic Filter Pruning Technique For Convolutional Neural Networks |
CN110458197A (zh) * | 2019-07-11 | 2019-11-15 | 启东市知微电子科技有限公司 | 基于光电容积脉搏波的身份识别方法及其系统 |
CN110599458A (zh) * | 2019-08-14 | 2019-12-20 | 深圳市勘察研究院有限公司 | 基于卷积神经网络的地下管网检测评估云系统 |
CN110619385A (zh) * | 2019-08-31 | 2019-12-27 | 电子科技大学 | 基于多级剪枝的结构化网络模型压缩加速方法 |
CN110766662A (zh) * | 2019-09-26 | 2020-02-07 | 湖北三环锻造有限公司 | 一种基于多尺度和多层特征学习的锻件表面裂纹检测方法 |
CN110823574A (zh) * | 2019-09-30 | 2020-02-21 | 安徽富煌科技股份有限公司 | 一种基于半监督学习深度对抗网络的故障诊断方法 |
CN110866448A (zh) * | 2019-10-21 | 2020-03-06 | 西北工业大学 | 基于卷积神经网络和短时傅里叶变换的颤振信号分析方法 |
CN110880036A (zh) * | 2019-11-20 | 2020-03-13 | 腾讯科技(深圳)有限公司 | 神经网络压缩方法、装置、计算机设备及存储介质 |
-
2020
- 2020-05-08 CN CN202010380752.0A patent/CN111563455B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180114114A1 (en) * | 2016-10-21 | 2018-04-26 | Nvidia Corporation | Systems and methods for pruning neural networks for resource efficient inference |
CN107392896A (zh) * | 2017-07-14 | 2017-11-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的木材缺陷检测方法和系统 |
CN108154232A (zh) * | 2018-01-23 | 2018-06-12 | 厦门中控智慧信息技术有限公司 | 人工神经网络的剪枝方法、装置、设备及可读存储介质 |
US20190294929A1 (en) * | 2018-03-20 | 2019-09-26 | The Regents Of The University Of Michigan | Automatic Filter Pruning Technique For Convolutional Neural Networks |
CN109658383A (zh) * | 2018-11-22 | 2019-04-19 | 杭州电子科技大学 | 基于卷积神经网络和卡尔曼滤波的道路损伤识别方法 |
CN109685208A (zh) * | 2018-12-24 | 2019-04-26 | 合肥君正科技有限公司 | 一种用于神经网络处理器数据稀梳化加速的方法及装置 |
CN110045015A (zh) * | 2019-04-18 | 2019-07-23 | 河海大学 | 一种基于深度学习的混凝土结构内部缺陷检测方法 |
CN110458197A (zh) * | 2019-07-11 | 2019-11-15 | 启东市知微电子科技有限公司 | 基于光电容积脉搏波的身份识别方法及其系统 |
CN110599458A (zh) * | 2019-08-14 | 2019-12-20 | 深圳市勘察研究院有限公司 | 基于卷积神经网络的地下管网检测评估云系统 |
CN110619385A (zh) * | 2019-08-31 | 2019-12-27 | 电子科技大学 | 基于多级剪枝的结构化网络模型压缩加速方法 |
CN110766662A (zh) * | 2019-09-26 | 2020-02-07 | 湖北三环锻造有限公司 | 一种基于多尺度和多层特征学习的锻件表面裂纹检测方法 |
CN110823574A (zh) * | 2019-09-30 | 2020-02-21 | 安徽富煌科技股份有限公司 | 一种基于半监督学习深度对抗网络的故障诊断方法 |
CN110866448A (zh) * | 2019-10-21 | 2020-03-06 | 西北工业大学 | 基于卷积神经网络和短时傅里叶变换的颤振信号分析方法 |
CN110880036A (zh) * | 2019-11-20 | 2020-03-13 | 腾讯科技(深圳)有限公司 | 神经网络压缩方法、装置、计算机设备及存储介质 |
Non-Patent Citations (10)
Title |
---|
BAOLING LIU 等: "Roll contact fatigue defect recognition using computer vision and deep convolutional neural networks with transfer learning", 《ENGINEERING RESEARCH EXPRESS》 * |
BAOLING LIU 等: "Roll contact fatigue defect recognition using computer vision and deep convolutional neural networks with transfer learning", 《ENGINEERING RESEARCH EXPRESS》, 22 October 2019 (2019-10-22), pages 1 - 14 * |
PAVLO MOLCHANOV 等: "Pruning Convolutional Neural Networks For Resource Efficient Inference", 《ARXIV:1611.06440V2》 * |
PAVLO MOLCHANOV 等: "Pruning Convolutional Neural Networks For Resource Efficient Inference", 《ARXIV:1611.06440V2》, 8 June 2017 (2017-06-08), pages 2 - 4 * |
YANGHEDADA: "使用pytorch进行网络修剪", 《HTTP://EVENTS.JIANSHU.IO/P/458FC4829552》 * |
YANGHEDADA: "使用pytorch进行网络修剪", 《HTTP://EVENTS.JIANSHU.IO/P/458FC4829552》, 31 July 2019 (2019-07-31), pages 1 - 2 * |
ZHOUFENG LIU 等: "Fabric defect recognition using optimized neural networks", 《JOURNAL OF ENGINEERED FIBERS AND FABRICS》, pages 1 - 10 * |
靳丽蕾 等: "一种用于卷积神经网络压缩的混合剪枝方法", 《小型微型计算机系统》 * |
靳丽蕾 等: "一种用于卷积神经网络压缩的混合剪枝方法", 《小型微型计算机系统》, vol. 39, no. 12, 31 December 2018 (2018-12-31), pages 2596 - 2601 * |
韩冰冰: "基于通道剪枝的模型压缩和加速算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 07, pages 138 - 989 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991358A (zh) * | 2020-09-30 | 2021-06-18 | 北京字节跳动网络技术有限公司 | 风格图像生成方法、模型训练方法、装置、设备和介质 |
WO2022068451A1 (zh) * | 2020-09-30 | 2022-04-07 | 北京字节跳动网络技术有限公司 | 风格图像生成方法、模型训练方法、装置、设备和介质 |
CN114047259A (zh) * | 2021-10-28 | 2022-02-15 | 深圳市比一比网络科技有限公司 | 一种基于时间序列多尺度钢轨伤损缺陷的检测方法 |
CN114047259B (zh) * | 2021-10-28 | 2024-05-10 | 深圳市比一比网络科技有限公司 | 一种基于时间序列多尺度钢轨伤损缺陷的检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111563455B (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108426713B (zh) | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 | |
CN111402248B (zh) | 一种基于机器视觉的输电线路导线缺陷检测方法 | |
CN107563433B (zh) | 一种基于卷积神经网络的红外小目标检测方法 | |
CN110890102A (zh) | 一种基于rnn声纹识别的发动机缺陷检测算法 | |
CN107665348B (zh) | 一种变电站数字仪表的数字识别方法和装置 | |
CN111563455A (zh) | 基于时间序列信号和压缩卷积神经网络的伤损识别方法 | |
CN111652853A (zh) | 一种基于深度卷积神经网络的磁粉探伤检测方法 | |
CN112907561A (zh) | 一种基于深度学习的笔记本外观瑕疵检测方法 | |
Gyimah et al. | A robust completed local binary pattern (rclbp) for surface defect detection | |
CN113011302A (zh) | 一种基于卷积神经网络的雷声信号识别系统及方法 | |
CN116229052B (zh) | 一种基于孪生网络的变电站设备状态变化检测方法 | |
CN116778964A (zh) | 一种基于声纹识别的变电设备故障监测系统及方法 | |
CN115457980A (zh) | 一种无参考语音的自动化语音质量评估方法及系统 | |
CN114065809A (zh) | 一种乘用车异响识别方法、装置、电子设备以及存储介质 | |
CN117454081A (zh) | 一种机械振动信号的去噪处理方法及装置 | |
CN116721078A (zh) | 一种基于深度学习的带钢表面缺陷检测方法及装置 | |
CN109829887B (zh) | 一种基于深度神经网络的图像质量评估方法 | |
CN111428772A (zh) | 基于k-近邻自适应投票的光伏系统深度异常检测方法 | |
Sampath et al. | Vision Transformer based knowledge distillation for fasteners defect detection | |
CN111191027A (zh) | 一种基于高斯混合分布vae的广义零样本识别方法 | |
CN116977266A (zh) | 基于小样本图像特征提取的雨棚缺陷检测方法及系统 | |
CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
CN112418241A (zh) | 一种基于红外成像技术的电力设备识别方法 | |
CN112419304B (zh) | 一种面向一维数据的多阶段目标检测方法及装置 | |
CN115130519A (zh) | 一种使用卷积神经网络的船体结构故障预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |