基于并行卷积神经网络的发动机积碳程度识别方法

发布时间：2023-10-29 16:42

　　汽车发动机的运转必然会产生积碳,当前主要的判断方法是凭借驾驶者的直观感受,如车辆怠速不稳、加速顿挫等,而积碳的清除方法也仅是通过定期保养、清洗节气门等方式进行。但由于车辆的运行状况、燃油质量的不同,积碳的严重程度也不尽相同,因此定期保养的方式无法根据发动机积碳程度进行针对性的清除,因此研究一种判定发动机积碳严重程度的方法具有重要的实用价值。本文以发动机活塞顶的内窥镜图像为研究对象,对不同程度的积碳图像,设计基于卷积神经网络的识别方法,实现了轻微、轻度、中度、重度和严重五类活塞顶积碳程度的判别,识别的准确率达到了82.92%。此外对所设计的卷积神经网络采用GPU并行的方式加快了网络的训练速度。具体工作如下:(1)通过构建卷积神经网络,对发动机活塞顶图像进行了积碳程度的识别分类。首先应用中值滤波和分段线性变换这两种方法对图像进行预处理,为后续的积碳图像识别分类打下基础,同时分析了不同卷积层数,不同卷积核大小以及不同迭代次数对发动机活塞顶积碳图像识别准确率的影响。(2)分析了卷积神经网络中不同网络层次中前向传播和反向传播的具体过程,在单GPU下对卷积神经网络的前向传播和后向传播过程并行实现。...

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1.绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 卷积神经网络图像识别的研究现状
        1.2.2 GPU并行计算的研究现状
    1.3 论文研究内容及章节安排
2.发动机活塞顶积碳图像识别算法设计
    2.1 基于并行卷积神经网络的发动机积碳图像的算法分析
    2.2 发动机活塞顶积碳图像数据库的构建
    2.3 卷积神经网络进行发动机积碳图像识别分类的原因分析
    2.4 采用多GPU并行卷积神经网络算法的原因
    2.5 本章小结
3.基于卷积神经网络的发动机积碳程度识别
    3.1 发动机活塞顶积碳图像预处理方法
        3.1.1 中值滤波
        3.1.2 分段线性变换
    3.2 发动机活塞顶图像积碳程度识别过程
    3.3 实验结果
        3.3.1 不同网络层数对识别准确率和训练时间的影响
        3.3.2 卷积核大小对识别准确率和训练时间的影响
        3.3.3 不同训练次数对识别准确率和训练时间的影响
    3.4 本章小结
4.基于GPU的并行训练卷积神经网络算法研究
    4.1 基于单GPU的卷积神经网络并行化研究
        4.1.1 基于单GPU的卷积神经网络并行化分析
        4.1.2 基于单GPU的卷积神经网络并行化实现
    4.2 基于多GPU的卷积神经网络并行化研究
        4.2.1 基于多GPU的并行算法分析
        4.2.2 基于多GPU的异步随机梯度下降算法的实现
    4.3 本章小结
5.基于GPU的网络加速训练实验分析
    5.1 系统实验硬件及软件平台
    5.2 单CPU和 GPU的实验及分析
    5.3 在多GPU上的算法并行实验
        5.3.1 同步更新法实验与异步随机梯度下降法识别率实验
        5.3.2 同步更新法实验与异步随机梯度下降法耗时实验
        5.3.3 不同数量的GPU训练实验加速效果对比和分析
    5.4 本章小结
6.总结和展望
    6.1 论文工作总结
    6.2 工作展望
参考文献
攻读硕士学位期间所取得的研究成果
致谢



本文编号：3858462