發(fā)布時(shí)間：2023-10-29 16:42

　　汽車發(fā)動(dòng)機(jī)的運(yùn)轉(zhuǎn)必然會(huì)產(chǎn)生積碳,當(dāng)前主要的判斷方法是憑借駕駛者的直觀感受,如車輛怠速不穩(wěn)、加速頓挫等,而積碳的清除方法也僅是通過定期保養(yǎng)、清洗節(jié)氣門等方式進(jìn)行。但由于車輛的運(yùn)行狀況、燃油質(zhì)量的不同,積碳的嚴(yán)重程度也不盡相同,因此定期保養(yǎng)的方式無法根據(jù)發(fā)動(dòng)機(jī)積碳程度進(jìn)行針對性的清除,因此研究一種判定發(fā)動(dòng)機(jī)積碳嚴(yán)重程度的方法具有重要的實(shí)用價(jià)值。本文以發(fā)動(dòng)機(jī)活塞頂?shù)膬?nèi)窺鏡圖像為研究對象,對不同程度的積碳圖像,設(shè)計(jì)基于卷積神經(jīng)網(wǎng)絡(luò)的識別方法,實(shí)現(xiàn)了輕微、輕度、中度、重度和嚴(yán)重五類活塞頂積碳程度的判別,識別的準(zhǔn)確率達(dá)到了82.92%。此外對所設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)采用GPU并行的方式加快了網(wǎng)絡(luò)的訓(xùn)練速度。具體工作如下:(1)通過構(gòu)建卷積神經(jīng)網(wǎng)絡(luò),對發(fā)動(dòng)機(jī)活塞頂圖像進(jìn)行了積碳程度的識別分類。首先應(yīng)用中值濾波和分段線性變換這兩種方法對圖像進(jìn)行預(yù)處理,為后續(xù)的積碳圖像識別分類打下基礎(chǔ),同時(shí)分析了不同卷積層數(shù),不同卷積核大小以及不同迭代次數(shù)對發(fā)動(dòng)機(jī)活塞頂積碳圖像識別準(zhǔn)確率的影響。(2)分析了卷積神經(jīng)網(wǎng)絡(luò)中不同網(wǎng)絡(luò)層次中前向傳播和反向傳播的具體過程,在單GPU下對卷積神經(jīng)網(wǎng)絡(luò)的前向傳播和后向傳播過程并行實(shí)現(xiàn)。...

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
1.緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 卷積神經(jīng)網(wǎng)絡(luò)圖像識別的研究現(xiàn)狀
        1.2.2 GPU并行計(jì)算的研究現(xiàn)狀
    1.3 論文研究內(nèi)容及章節(jié)安排
2.發(fā)動(dòng)機(jī)活塞頂積碳圖像識別算法設(shè)計(jì)
    2.1 基于并行卷積神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)積碳圖像的算法分析
    2.2 發(fā)動(dòng)機(jī)活塞頂積碳圖像數(shù)據(jù)庫的構(gòu)建
    2.3 卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行發(fā)動(dòng)機(jī)積碳圖像識別分類的原因分析
    2.4 采用多GPU并行卷積神經(jīng)網(wǎng)絡(luò)算法的原因
    2.5 本章小結(jié)
3.基于卷積神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)積碳程度識別
    3.1 發(fā)動(dòng)機(jī)活塞頂積碳圖像預(yù)處理方法
        3.1.1 中值濾波
        3.1.2 分段線性變換
    3.2 發(fā)動(dòng)機(jī)活塞頂圖像積碳程度識別過程
    3.3 實(shí)驗(yàn)結(jié)果
        3.3.1 不同網(wǎng)絡(luò)層數(shù)對識別準(zhǔn)確率和訓(xùn)練時(shí)間的影響
        3.3.2 卷積核大小對識別準(zhǔn)確率和訓(xùn)練時(shí)間的影響
        3.3.3 不同訓(xùn)練次數(shù)對識別準(zhǔn)確率和訓(xùn)練時(shí)間的影響
    3.4 本章小結(jié)
4.基于GPU的并行訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)算法研究
    4.1 基于單GPU的卷積神經(jīng)網(wǎng)絡(luò)并行化研究
        4.1.1 基于單GPU的卷積神經(jīng)網(wǎng)絡(luò)并行化分析
        4.1.2 基于單GPU的卷積神經(jīng)網(wǎng)絡(luò)并行化實(shí)現(xiàn)
    4.2 基于多GPU的卷積神經(jīng)網(wǎng)絡(luò)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的異步隨機(jī)梯度下降算法的實(shí)現(xiàn)
    4.3 本章小結(jié)
5.基于GPU的網(wǎng)絡(luò)加速訓(xùn)練實(shí)驗(yàn)分析
    5.1 系統(tǒng)實(shí)驗(yàn)硬件及軟件平臺
    5.2 單CPU和 GPU的實(shí)驗(yàn)及分析
    5.3 在多GPU上的算法并行實(shí)驗(yàn)
        5.3.1 同步更新法實(shí)驗(yàn)與異步隨機(jī)梯度下降法識別率實(shí)驗(yàn)
        5.3.2 同步更新法實(shí)驗(yàn)與異步隨機(jī)梯度下降法耗時(shí)實(shí)驗(yàn)
        5.3.3 不同數(shù)量的GPU訓(xùn)練實(shí)驗(yàn)加速效果對比和分析
    5.4 本章小結(jié)
6.總結(jié)和展望
    6.1 論文工作總結(jié)
    6.2 工作展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間所取得的研究成果
致謝



本文編號：3858462