1、“.....训练结果如图和图所示。卷积神经网络的误差已降低到,构造的卷积神经网络可用于识别缺陷图像。图卷积神经网络误差曲线图图卷积神经铸件的内部缺陷损坏。本文把缺陷分为突出物缺陷自由微粒缺陷以及浇铸物缺陷,加上正常设备共种类型。卷积神经网络的设计卷积神经网络模型如图所示。基于卷积神经网络的缺陷图像识别方法研省训练时间,本文把输入的图像的像素数据做归化处理。本文对缺陷图像的像素进行比例缩放,就是重新对图像数据的每个维度的值进行调节,使数据值落在区间,内。本文把图像的像素值除以,把数据缩基于卷积神经网络的缺陷图像识别方法研究原稿了种基于计算机卷积神经网络的中典型缺陷图像识别和分类方法......”。

2、“.....预处理数据库中的图像。设计相应的卷积神经网络,并利用行调节,使数据值落在区间,内。本文把图像的像素值除以,把数据缩放到,中。层下采样层下采样层的采样区域是。层卷积层卷积核数量是,卷积核的大小为。每个卷积核具有个参数加上总共个参输出。最后,将计算机输出值与测试样本的实际设定值进行比较,并输出结果。基于卷积神经网络的缺陷图像识别方法研究原稿。摘要为了提高气体绝缘金属封闭开关缺陷的检测效率,提铸物缺陷,加上正常设备共种类型。卷积神经网络的设计卷积神经网络模型如图所示。缺陷图像的预处理图像预处理卷积神经网络的卷积层可以直接与维数据卷积,因此预处理步骤不需要图像的特征提取......”。

3、“.....可以测试未经训练的缺陷图像。选择种不同类型的图像进行测试。在表格中列出了测试结果,包括了测试样本数量,识别个数以及缺陷的识别率训练神经网络时直接把图像的像素作为输入量,但为了减少数据冗余,节省训练时间,本文把输入的图像的像素数据做归化处理。本文对缺陷图像的像素进行比例缩放,就是重新对图像数据的每个维度的值本文利用模拟的种不同类型的缺陷图像来训练卷积神经网络。其中训练集张,测试集张。实验使用函数将网络的学习率设置为,将惯性系数设置为,将每次训练样本的数量设置为,将训练迭输出之间的误差值。如果误差值小于期望阈值或训练达到设定的迭代次数,则停止训练,否则继续网络训练。以最小化方式反向传播以更新网络的权重。回到第步......”。

4、“.....卷积神经网络的测试型基本致,该方法可以实现对内部缺陷类型进行检测。关键词神经网络自动识别引言是电网中大量使用的高压设备,具备安全性高受外界影响小以及配置灵活等优点。在使用数的偏移参数。缺陷图像的预处理图像预处理卷积神经网络的卷积层可以直接与维数据卷积,因此预处理步骤不需要图像的特征提取。训练神经网络时直接把图像的像素作为输入量,但为了减少数据冗余,训练神经网络时直接把图像的像素作为输入量,但为了减少数据冗余,节省训练时间,本文把输入的图像的像素数据做归化处理。本文对缺陷图像的像素进行比例缩放,就是重新对图像数据的每个维度的值了种基于计算机卷积神经网络的中典型缺陷图像识别和分类方法......”。

5、“.....预处理数据库中的图像。设计相应的卷积神经网络,并利用播以更新网络的权重。回到第步,重复以上流程。卷积神经网络的测试使用训练好的网络参数初始化网络的权值,然后从测试集中随机选择个测试样本,测试样本通过网络进行前向传播,计算得到网络基于卷积神经网络的缺陷图像识别方法研究原稿用训练好的网络参数初始化网络的权值,然后从测试集中随机选择个测试样本,测试样本通过网络进行前向传播,计算得到网络的输出。最后,将计算机输出值与测试样本的实际设定值进行比较,并输出结了种基于计算机卷积神经网络的中典型缺陷图像识别和分类方法。利用内窥镜获取的不同类型的缺陷图像并建立相应的样本数据库。预处理数据库中的图像......”。

6、“.....首先,初始化网络的权重并将偏移值设置为常数。然后,从训练集中选择批训练样本,并且训练样本通过网络向前传播以计算网络的输出。计算网络的实际输出与预测的识别率。输出层本文将图像分为种类型,因此输出层节点的数量为。卷积神经网络的训练为了训练卷积神经网络,首先,初始化网络的权重并将偏移值设置为常数。然后,从训练集中选择批训练样本,并设备的过程中,如果发生故障,将对相关电气设备造成严重损坏,影响电力系统的安全性和稳定性,因此有必要研究设备的典型缺陷。输出层本文将图像分为种类型,因此输出层节点的数量为。卷积训练神经网络时直接把图像的像素作为输入量,但为了减少数据冗余,节省训练时间......”。

7、“.....本文对缺陷图像的像素进行比例缩放,就是重新对图像数据的每个维度的值预处理后的图像对卷积神经网络进行训练和测试,实现对缺陷图像的识别。应用的算法由软件实现。测试结果证明,基于卷积神经网络的缺陷图像识别方法的测试结果和样本图像的实际输出。最后,将计算机输出值与测试样本的实际设定值进行比较,并输出结果。基于卷积神经网络的缺陷图像识别方法研究原稿。摘要为了提高气体绝缘金属封闭开关缺陷的检测效率,提迭代次数设置为。使用的迭代次数是终止训练的条件,训练结果如图和图所示。卷积神经网络的误差已降低到,构造的卷积神经网络可用于识别缺陷图像......”。

8、“.....计算网络的实际输出与预测输出之间的误差值。如果误差值小于期望阈值或训练达到设定的迭代次数,则停止训练,否则继续网络训练。以最小化方式反向传基于卷积神经网络的缺陷图像识别方法研究原稿了种基于计算机卷积神经网络的中典型缺陷图像识别和分类方法。利用内窥镜获取的不同类型的缺陷图像并建立相应的样本数据库。预处理数据库中的图像。设计相应的卷积神经网络,并利用络训练结果图测试结果及分析在完成卷积神经网络的训练之后,可以测试未经训练的缺陷图像。选择种不同类型的图像进行测试。在表格中列出了测试结果,包括了测试样本数量,识别个数以及缺陷输出。最后,将计算机输出值与测试样本的实际设定值进行比较,并输出结果......”。

9、“.....摘要为了提高气体绝缘金属封闭开关缺陷的检测效率,提原稿。本文利用模拟的种不同类型的缺陷图像来训练卷积神经网络。其中训练集张,测试集张。实验使用函数将网络的学习率设置为,将惯性系数设置为,将每次训练样本的数量设置为到,中。基于卷积神经网络的缺陷图像识别方法研究原稿。卷积神经网络的设计缺陷图像分类绝缘部件失效的原因大致可分为凸起引起的电晕放电,自由移动的金属颗粒引起的放电现象和数的偏移参数。缺陷图像的预处理图像预处理卷积神经网络的卷积层可以直接与维数据卷积,因此预处理步骤不需要图像的特征提取。训练神经网络时直接把图像的像素作为输入量,但为了减少数据冗余,训练神经网络时直接把图像的像素作为输入量,但为了减少数据冗余......”。