基于改进的ResNet18温度场的高分辨率重建
Leilei Ma1, Jungang Ma1, Manlidan Zelminbek1
1Xinjiang Uygur Autonomous Region Research Institute Of Measurement & Testing, Urumqi 830011, China.
Sensors (Basel, Switzerland)
|October 26, 2024
概括
这项研究引入了一种新的深度学习算法,用于工业环境中高精度温度场重建. 增强方法显著提高了比传统方法更准确的准确性,有利于工业生产.
科学领域:
- 工业工程 工业工程 工业工程
- 计算机科学 计算机科学
- 应用数学 应用数学 应用数学
背景情况:
- 准确的温度场测量对于工业生产至关重要.
- 传统的重建算法受到高计算成本和有限的概括的影响.
研究的目的:
- 开发使用深度学习的高精度温度场重建算法.
- 为了克服传统手动特征提取方法的局限性.
主要方法:
- 一个改进的ResNet18神经网络,结合了CBAM注意力机制.
- 一个多尺度的特征聚合网络 (M-FPN),用于增强特征传播.
- 导向模型优化中的平均平方误差 (MSE).
主要成果:
- 拟议的深度学习算法实现了显著更高的重建精度.
- 该模型在峰值温度场上的原始算法相比显示出更高的性能.
- 适应性特征提取可以提高计算效率和概括性.
结论:
- 开发的深度学习算法为工业温度场重建提供了卓越的解决方案.
- 注意力机制和多尺度特征融合的整合增强了预测能力.
- 这种方法为工业监测和控制提供了更准确,更有效的工具.
