基于机器学习的服装"品牌基因"分析方法研究

文章探索一种基于机器学习模型的服装品牌基因强度识别分析方法,通过利用品牌服装历史产品图像数据作为特征数据集,模仿人脑的学习认知过程,设计并训练基于机器学习算法的品牌分类模型,最终使机器学习模型能够"认知"到服装品牌的"基因片段"。以此模型的分析过程及特征提取结果来验证并分析"品牌基因"。采用机器学习的方法,利用品牌服装设计中的共性特征数据对品牌基因强度进行分析,可以避免主观评价的片面性和传统统计方法无法对非线性因素进行因果关联的缺点,通过大量的数据分析,实现对品牌基因的提取和应用。     

基于改进的ResNet152V2模型对临安山核桃果仁等级分类研究

提出基于空间注意力机制的深度学习模型对临安山核桃进行等级分类，选取L值作为外观指标，MDA值作为品质指标，通过机器学习的方法挖掘二者之间的关联关系，从而建立山核桃果仁外观与品质的关联模型。通过多设备、多环境下的照片建立山核桃果仁数据集，在此基础上构建了基于迁移学习、空间注意力机制的ResNet152V2模型(SA-ResNet152V2),利用该模型对数据集进行图像训练和特征提取，并与VGG16、ResNet152V1、ResNet152V2模型进行比较。结果表明：SA-ResNet152V2模型在测试集平均精确率方面比ResNet152V2模型、VGG16模型、ResNet152V1模型分别提高了2.04%、77.42%、81.59%。测试集平均召回率方面比ResNet152V2模型、VGG16模型、ResNet152V1模型分别提高了3.62%、63.89%、65.18%。实验证明，SA-ResNet152V2模型对于山核桃等级分类具有较好的效果，有望用于山核桃的智能分级。     

机器学习技术的应用经验及建议探讨

机器学习技术是人工智能的核心,是计算机智能化的基础。机器学习技术逐步成为计算机科学、人工智能等信息产业的主要发展方向。文章结合机器学习技术的发展对目前机器学习技术的应用现状进行了简要分析,并提出了几点建议。     

烟草病虫药害智能识别基准数据集构建及三维注意力模型设计

为了实现烟草病虫药害图像智能识别,本文构建了可供机器学习研究的烟草病虫药害图像数据集,并提出了三维注意力加权模型。在结合烟草专家诊断知识的基础上,本文使用多种数据增强方法提高数据多样性,对烟草病虫药害图像数据集构建进行合理化、规范化设计。在使用深度迁移学习技术进行自动提取浅层特征的基础上,设计了三维注意力权重学习模块,进行高层特征计算,实现田间拍摄图像的精准识别,平均识别准确率达到了85.56%,明显优于其他现有方法。该模型不仅在烟草病虫药害识别方面表现出了较高精度,在复杂农业生产环境下也具有较好的鲁棒性,能够实现烟草病虫药害图像实时智能识别。      

机器学习在食品质量评价中的应用

目前食品质量评价主要为人工评价,易受主观因素影响。机器学习(ML)是人工智能的核心,在寻找共同性、区分差异性上具有传统分类技术难以比拟的优势,在分析评价领域已取得了良好的应用。现代检测技术结合机器学习建立品质评价模型对食品进行质量评价的方法已悄然而生,并具有广阔的前景。     

基于人工智能的足球技术发展与前景

人工智能在足球技术中的应用正在迅速发展，其为球队提供了更准确的数据分析和决策支持。通过机器学习和深度学习算法，人工智能可以分析球员的技术和战术表现，预测比赛结果，并提供个性化的训练计划。此外，人工智能还可以通过计算机视觉技术来识别球员和球场上的动作，提供实时的数据和视频回放。未来，人工智能有望进一步促进足球技术的发展，为球队和球员提供更精确的数据和分析，提高比赛的质量和观赏性。     

基于深度学习的登海605玉米品种真伪鉴别方法研究

玉米是我国重要的谷类作物,玉米种子的纯度是影响种子质量的关键指标,不同品种玉米的种子活力、物理指标和发芽率都是不同的,因此需要对玉米品种的真伪进行鉴别分选。传统模式识别的方法需要人工定义各类特征,存在主观判断、费时费力等问题,实用性较差。针对上述问题,本研究拟建立一种基于RGB图像结合深度学习的低成本、高效、无损的单粒玉米种子真伪检测方法,选用不同产地登海605玉米种子440粒,其他品种480粒,采集玉米种子胚面和胚乳面制作数据集,通过图像处理技术对图像进行预处理,并按照7∶2∶1的比例将数据集分为训练集、验证集和测试集,分别使用GoogLeNet、MobileNet、Inception-ResNet、ResNet、DenseNet共5种网络模型利用迁移学习对3类数据集进行分类测试,结果表明,5种网络模型在双面数据集的平均识别准确率最高,测试识别准确率为99.05%,ResNet网络在3类数据集中的分类效果最佳,在双面测试集上为99.91%。本研究提供了一种无损、高效、相对可靠的方法来鉴别登海605玉米品种的真伪。     

模糊型支持向量机及其在入侵检测中的应用

支持向量机是一种基于结构风险的机器学习方法,克服了传统学习方法仅采用经验风险最小化原理的不合理性,为此,研究人员将样本的隶属度引入到支持向量机中,以此解决支持向量机所存在的问题。在此基础上,文章通过分析研究模糊支持向量机FSVM、v型模糊支持向量机v-FSVM、模糊孪生支持向量机FTSVM,提出了v型模糊孪生支持向量机v-FTSVM;实验中选择了UCI数据集,验证了模糊型孪生支持向量机的性能。最后,将这些不同的支持向量机应用于入侵检测数据集,进一步检验模糊型支持向量机的有效性。     

计算机视觉结合深度学习技术快速鉴别八角粉掺伪

目的：设计一种基于计算机视觉技术结合深度学习模型的新方法检测八角粉的掺假情况。方法：采集不同掺假比例八角粉的原始图像，利用预处理和数据增强技术获得图像集合。随后构建SqueezeNet深度学习模型，并与支持向量机（support vector machine，SVM）、K-邻近学习（K-nearest neighbor learning，KNN）、随机森林（random forest，RF）、梯度提升树（gradient boosting tree，GBT）和多层感知器（multilayer perceptron，MLP）5种机器学习模型进行比较。结果：5种机器学习模型的最高准确度仅为66.37%，而SqueezeNet模型的准确度为99.42%。结论：深度学习分类模型性能相较于传统机器学习分类模型更为优越，识别效果良好且样品无需预处理。     

深度学习与人脸识别方法研究

传统的机器学习方法需要对每个领域都获取大量的训练数据,这样就会在研究中耗费大量的人力物力。深度学习可以更好地通过增加数据集的规模来改善学习结果。深度学习更适合于未标记数据,而这超出了自然语言处理的范畴,后者更多限于实体识别。基于深度学习的优点,这篇文章利用深度学习方法来进行人脸识别,提出了构建深度学习网络的方法,它能够识别训练集中没有身份的表情信息。     

人工智能时代隐私权保护问题研究

自进入21世纪以来,大数据技术的发展与广泛应用,使得人工智能逐渐深入到我们生活的各个方面。人工智能在给人类社会带来历史性变革的同时,也对人类一项极为重要的基本权利——隐私权,带来了前所未有的挑战。以数据和算法为核心的人工智能需要大量数据的支持,在缺乏相关法律的跟进和规范标准之下,人工智能的发展埋藏着巨大的隐私权危机,需要各方作出努力共同应对人工智能时代给人类社会带来的挑战。     

基于机器学习算法的食品污染物神经毒性预测模型建立

基于机器学习算法建立分类预测模型,研究常见食品中化学性污染物的理化结构与其神经毒性间关联。通过查阅文献建立化合物数据库,纳入包含影响神经分化成熟、影响神经元迁移/空间定向等各类神经毒性机制化合物57种,无神经毒性化合物50种。运用R、SPSS软件,使用随机森林（Random Forests,RF）、类神经网络（Artificial Neural Network,ANN）、支持向量机（Support Vector Machine,SVM）等机器学习算法筛选分子描述符并构建分类模型,预测化合物神经毒性。结果显示随机森林算法模型综合表现最佳,十折交叉验证准确率70.24%,训练集、测试集预测准确率分别达95.51%和83.33%,曲线下面积分别达0.99和0.85,是个较为理想的算法。本研究基于机器学习算法建立的分类模型可通过化合物的分子描述符准确预测化合物的神经毒性。在多种机器学习算法中,基于随机森林算法建立的预测模型表现最优。分子描述符重要性结果显示,化合物神经毒性主要与其质量加权Burden矩阵最大特征值有关。     

基于大数据与人工智能技术的体育课堂教学效果评价研究

本文旨在研究基于大数据与人工智能技术的体育课堂教学效果的评价方法和策略。通过数据分析和人工智能算法，基于实际的课堂教学数据，建立了一套全面的、科学的教学效果评价体系，可用于对课堂教学的各个方面进行系统评价。本文探讨了大数据和人工智能技术在体育教学效果评价中的应用，揭示了在教学中对数据和算法的合理应用、学生行为分析、多模式识别等方面具有的潜力和应用前景。     

服装款式图识别与样板转换技术研究进展

为揭示款式图与服装样板之间的转换机制,概述了依据款式图进行人工制板的过程和方法,阐述了服装款式图特征参数识别和机器学习识别2种识别方法,重点论述在款式图识别基础上的样板转换技术,并对其优缺点进行了分析。参数化和匹配转换是目前最常用的样板转换方法:参数化转换适用于款式结构较为定型的服装,转换精度高,但不同款式图需要建立各自的转换模型;匹配转换可实现样板的快速转换,鲁棒性高,且规避了样板设计规则,不足是精度较低,且前期需要构建庞大的数据集作为训练集。研究认为,未来可从细化款式图识别粒度、服装款式图面料参数样板多领域跨域匹配、部件化样板智能生成3个领域开展相关研究。     

基于计算机视觉和机器学习的真伪卷烟包装鉴别

为解决人工鉴别真伪卷烟效率低、主观性强等问题,基于计算机视觉和机器学习建立了一种真伪卷烟包装鉴别模型。利用计算机视觉对卷烟包装进行图像处理和特征向量提取,分别以相似性度量模型、机器学习模型对特征向量进行分类并判定卷烟真伪。相似性度量模型采用曼哈顿距离模型进行分类,并对高斯双边滤波函数进行了参数优化;机器学习模型则以图像分块为基础,确定最优分块数量和面积。以"中华(软)""玉溪(软)""钻石(荷花)"3个卷烟品牌共603个真伪样品为对象,分别采用两种模型进行判定,结果表明:相似性度量模型在"玉溪(软)"样品测试集的准确率为96.17%;机器学习模型在"中华(软)""玉溪(软)""钻石(荷花)"3个样品测试集的准确率分别为98.99%、96.61%和100%。机器学习模型与相似性度量模型相比较,具有较好的迁移能力和鲁棒性,适用于卷烟真伪鉴别样品量大、品类多、图像复杂等情况。该方法可为提高真伪卷烟鉴别效率和准确率提供技术支持。     

一种具有分类细化功能的垃圾语言识别方法

为了筛选出散播垃圾语音的用户,建立了一种采用基于加权k-means和支持向量机的垃圾语言识别方法.该方法依据用户的历史通信活动建立通信行为网络模型,用加权的k-means算法对用户进行半监督聚类,然后从每个类中均匀选取部分用户数据作为训练集,采用支持向量机获得训练模型用以预测剩余用户数据.实验结果表明,该方法的用户分类更细化,并具备预测功能,有一定的机器学习能力,可用于大客户发现及关联客户发现和业务推荐等.     

基于改进MobileNetV2的玉米籽粒图像品种的快速鉴别研究

为实现玉米籽粒品种的快速鉴别与保护，本文提出了基于改进MobileNetV2的玉米籽粒品种识别方法。采集了11种玉米籽粒图像共3938张，建立胚面与非胚面的双面混合数据集。按照7：2：1的比例随机划分训练集、验证集和测试集。对MobileNetV2网络模型进行微调改进，探讨全连接层数量与维度以及dropout的取值对模型性能的影响，并在此基础上解冻部分骨干网络，最终模型准确率达到0.9795，相较于基准模型准确率（0.9487）提高0.0308。试验结果表明，迁移学习时对基准模型微调是十分有必要的，可以有效提高模型准确率。本研究为玉米籽粒图像识别提供了新的建模方法，基于迁移学习，结合微调改进能够有效提升玉米籽粒图像分类的准确率。     

纺织服装领域人工智能技术专栏

进入21世纪以来,人工智能技术得到飞速的发展,特别是最近10年间,大量基于深度学习的算法和模型不断问世,并在多个领域得到了广泛的探索和研究。本刊在编委会主任施楣梧教授级高工的大力支持下,策划了纺织服装领域人工智能技术专栏,探索纺织服装行业如何利用人工智能技术提高现有的科技水平,促进深度学习乃至人工智能技术在纺织服装行业的广泛应用。     

基于物联网监控的烟叶精准种植管理系统设计与实践

围绕“智慧烟叶”建设目标,研发了一套基于物联网监控的烟叶精准种植管理系统:设计了基于物联网技术的多源异构种植数据采集和传输机制,实现烟田种植数据的实时监控和采集,解决烟田数据采集难度大、成本高和采集滞后的问题;提出了一种基于机器学习的烟草精准种植和智能管理方法,利用机器学习和神经网络技术,训练烟草大田种植期分类模型和烟草智能管理模型,实现烟草精准种植和智能管理,构建烟草种植信息数据库,为烟草种植生产和分析管理提供依据。在广西靖西烟田实验基地的试用效果表明,该系统实现了烟叶种植环境数据、气象数据、土壤数据以及植株长势数据的自动化采集,支持烟草种植全过程的实时监控和智能管理,为智慧烟叶生产和管理可以提供有效的数据支撑。      

基于高光谱成像技术快速检测鸡蛋中二十二碳六烯酸与虾青素含量

目的：本研究利用高光谱成像技术结合机器学习研发一种快速检测鸡蛋中DHA与虾青素含量的技术。方法：利用高光谱成像仪采集全蛋、去壳鸡蛋和蛋黄在400-1000nm波长下的光谱数据,并使用高效液相色谱及气相色谱测定鸡蛋的DHA与虾青素含量。将样本集划分为训练集和预测集,分别采用Savitzky-Golay求导法、傅里叶变换法及小波变换法对原始光谱进行降噪处理。通过遗传算法对原始光谱及降噪后的光谱提取特征波长,分别建立特征波长与全蛋、去壳鸡蛋和蛋黄中DHA、虾青素的偏最小二乘法、支持向量机、bp人工神经网络预测模型。结果：在预测鸡蛋中DHA含量模型中,基于蛋黄特征光谱的模型预测能力最强。其中,一阶导数的差分步长为5的偏最小二乘法模型预测效果最好,其训练集、预测集的决定系数分别为0.999与0.985。在预测鸡蛋中虾青素含量的模型中,基于蛋黄特征光谱的预测能力最强。其中,二阶导数的差分步长为8的支持向量机模型预测效果最好,其中训练集、预测集的决定系数分别为0.942与0.960。结论：利用高光谱成像技术, 可以实现蛋黄中DHA和AST的快速检测。