ໃນການພັດທະນາທີ່ສຳຄັນສຳລັບຂະແໜງການວິນິດໄສກົນຈັກ, ການສຶກສາໃໝ່ໄດ້ສະແດງໃຫ້ເຫັນເຖິງປະສິດທິພາບຂອງການລວມສັນຍານ modulation bispectrum (MSB) ກັບເຄືອຂ່າຍປະສາດ convolutional (CNN) ສຳລັບການວິນິດໄສຄວາມຜິດຂອງເກຍກ້ຽວວຽນວິທີການໃໝ່ນີ້ສັນຍາວ່າຈະມີຄວາມຖືກຕ້ອງເພີ່ມຂຶ້ນ, ການກວດພົບໄວຂຶ້ນ, ແລະລະບົບການວິນິດໄສທີ່ສະຫຼາດກວ່າສຳລັບກ່ອງເກຍປະສິດທິພາບສູງທີ່ໃຊ້ໃນການນຳໃຊ້ໃນການບິນອະວະກາດ, ຍານຍົນ, ແລະ ອຸດສາຫະກຳ.

ກ້ຽວວຽນເກຍ bevelເປັນອົງປະກອບລະບົບສົ່ງກຳລັງທີ່ສຳຄັນທີ່ພົບໃນເຄື່ອງຈັກແຮງບິດສູງ, ເຮລິຄອບເຕີ, ລະບົບຂັບເຄື່ອນທາງທະເລ, ແລະ ເຄື່ອງຫຼຸດກຳລັງອຸດສາຫະກຳທີ່ເຮັດວຽກໜັກ. ເນື່ອງຈາກຮູບຮ່າງ ແລະ ເງື່ອນໄຂການດຳເນີນງານທີ່ສັບສົນຂອງມັນ, ການກວດພົບຂໍ້ບົກຜ່ອງຂອງເກຍແຕ່ຫົວທີ ເຊັ່ນ: ການເປັນຮູ, ການສວມໃສ່, ແລະ ການແຕກຂອງແຂ້ວຍັງຄົງເປັນສິ່ງທ້າທາຍທາງດ້ານເຕັກນິກ. ເຕັກນິກການປະມວນຜົນສັນຍານແບບດັ້ງເດີມມັກຈະມີບັນຫາກັບການລົບກວນສຽງລົບກວນ ແລະ ລັກສະນະຂໍ້ບົກຜ່ອງທີ່ບໍ່ແມ່ນເສັ້ນຊື່.

ວິທີການໃໝ່ນີ້ໄດ້ນຳສະເໜີຂອບການວິນິດໄສຄວາມຜິດພາດສອງຂັ້ນຕອນ. ທຳອິດ ສັນຍານສັ່ນສະເທືອນທີ່ສ້າງຂຶ້ນໂດຍລະບົບເກຍປະຕິບັດການຈະຖືກວິເຄາະໂດຍໃຊ້ເຕັກນິກການວິເຄາະສະເປກຕຣຳລະດັບສູງກວ່າທີ່ສາມາດຈັບລັກສະນະທີ່ບໍ່ແມ່ນເສັ້ນຊື່ ແລະ ບໍ່ແມ່ນ Gaussian ຂອງສັນຍານໄດ້ຢ່າງມີປະສິດທິພາບ. MSB ຊ່ວຍເປີດເຜີຍລັກສະນະຄວາມຜິດພາດທີ່ມີການດັດແປງທີ່ລະອຽດອ່ອນ ເຊິ່ງປົກກະຕິແລ້ວຈະຖືກເຊື່ອງໄວ້ໃນສະເປກຕຣຳຄວາມຖີ່ມາດຕະຖານ.

ຕໍ່ໄປ, ຂໍ້ມູນສັນຍານທີ່ຖືກປະມວນຜົນຈະຖືກປ່ຽນເປັນຮູບພາບຄວາມຖີ່ຂອງເວລາ ແລະ ສົ່ງເຂົ້າໄປໃນເຄືອຂ່າຍປະສາດແບບ convolutional (CNN) ເຊິ່ງເປັນຮູບແບບການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງທີ່ສາມາດສະກັດຄຸນລັກສະນະຄວາມຜິດປົກກະຕິລະດັບສູງໂດຍອັດຕະໂນມັດ ແລະ ຈັດປະເພດເງື່ອນໄຂຂອງເກຍ. ຮູບແບບ CNN ນີ້ໄດ້ຮັບການຝຶກອົບຮົມໃຫ້ແຍກຄວາມແຕກຕ່າງລະຫວ່າງເກຍທີ່ມີສຸຂະພາບດີ, ຄວາມຜິດປົກກະຕິເລັກນ້ອຍ, ແລະ ຄວາມເສຍຫາຍຮ້າຍແຮງໃນສະພາບການໂຫຼດ ແລະ ຄວາມໄວທີ່ແຕກຕ່າງກັນ.

ຜົນການທົດລອງ, ເຊິ່ງໄດ້ດຳເນີນຢູ່ໃນເຄື່ອງທົດສອບເກຍ bevel ທີ່ອອກແບບມາເປັນພິເສດ, ສະແດງໃຫ້ເຫັນວ່າວິທີການ MSB CNN ບັນລຸຄວາມຖືກຕ້ອງຂອງການຈັດປະເພດຫຼາຍກວ່າ 97%, ເຊິ່ງດີກ່ວາວິທີການແບບດັ້ງເດີມເຊັ່ນ: ການວິເຄາະທີ່ອີງໃສ່ FFT ແລະແມ່ນແຕ່ເຕັກນິກການຮຽນຮູ້ເລິກອື່ນໆທີ່ອີງໃສ່ຂໍ້ມູນການສັ່ນສະເທືອນດິບ. ຍິ່ງໄປກວ່ານັ້ນ, ຮູບແບບປະສົມນີ້ສະແດງໃຫ້ເຫັນເຖິງຄວາມທົນທານທີ່ເຂັ້ມແຂງຕໍ່ກັບສຽງລົບກວນພື້ນຫຼັງ, ເຮັດໃຫ້ມັນເໝາະສົມສຳລັບການນຳໃຊ້ໃນອຸດສາຫະກຳໃນໂລກຕົວຈິງ.

ການເຊື່ອມໂຍງຂອງສັນຍານການມອດູເລດ bispectrum ກັບ CNN ບໍ່ພຽງແຕ່ເພີ່ມປະສິດທິພາບການຮັບຮູ້ຄວາມຜິດພາດເທົ່ານັ້ນ ແຕ່ຍັງຊ່ວຍຫຼຸດຜ່ອນການເພິ່ງພາອາໄສວິສະວະກຳຄຸນສົມບັດດ້ວຍມືເຊິ່ງເປັນຂະບວນການທີ່ໃຊ້ເວລາຫຼາຍ ແລະ ຂຶ້ນກັບຄວາມຊ່ຽວຊານ. ວິທີການດັ່ງກ່າວແມ່ນສາມາດຂະຫຍາຍໄດ້ ແລະ ສາມາດນຳໃຊ້ກັບອົງປະກອບເຄື່ອງຈັກໝູນວຽນອື່ນໆ, ເຊັ່ນ: ແບຣິ່ງ ແລະເກຍດາວເຄາະ.

ການຄົ້ນຄວ້ານີ້ເປັນຕົວແທນໃຫ້ແກ່ບາດກ້າວໄປຂ້າງໜ້າໃນການພັດທະນາລະບົບການວິນິດໄສຂໍ້ບົກພ່ອງອັດສະລິຍະສຳລັບອຸດສາຫະກຳ 4.0 ແລະ ຂົງເຂດການຜະລິດອັດສະລິຍະທີ່ກວ້າງຂວາງ. ຍ້ອນວ່າລະບົບອັດຕະໂນມັດ ແລະ ຄວາມໜ້າເຊື່ອຖືຂອງເຄື່ອງຈັກມີຄວາມສຳຄັນເພີ່ມຂຶ້ນເລື້ອຍໆ,