基于LeNet神经网络的手写数字识别技术研究

以机器学习的神经网络算法进行数字的识别,研究卷积神经网络,分析卷积神经网络输入层、卷积层、激励层、池化层和全连接层的原理和作用,对现有卷积神经网络LeNet-5模型进行简要分析。对图像数字的大小格式进行灰度处理,合理设计LeNet-5层级结构,进行摄像头图片的特征提取,并对参数进行设置,对向前向后传播方式进行深入了解,并对梯度下降方式进行选取以及分类层的设计;利用OpenMV摄像头模块,基于Phython语言进行了程序设计,对数字识别的试验结果进行分析比对,评估本系统的识别准确度和辨识度等性能指标。     

基于多模态特征融合的自主驾驶车辆低辨识目标检测方法#br#

针对自主驾驶车辆在真实驾驶环境下对低辨识目标的识别问题,提出了基于多模态特征融合的目标检测方法。基于Faster R-CNN算法设计多模态深度卷积神经网络,融合彩色图像、偏振图像、红外图像特征,提高对低辨识目标的检测性能;开发多模态（3种）图像低辨识度目标实时检测系统,探索多模态图像特征融合在自动驾驶智能感知系统中的应用。建立了人工标注过的多模态（3种）图像低辨识目标数据集,对深度学习神经网络进行训练,优化内部参数,使得该系统适用于复杂环境下对行人、车辆目标的检测和识别。实验结果表明,相对于传统的单模态目标检测算法,基于多模态特征融合的深度卷积神经网络对复杂环境下的低辨识目标具有更好的检测和识别性能。     

基于多模态特征融合的自主驾驶车辆低辨识目标检测方法

针对自主驾驶车辆在真实驾驶环境下对低辨识目标的识别问题,提出了基于多模态特征融合的目标检测方法。基于Faster R-CNN算法设计多模态深度卷积神经网络,融合彩色图像、偏振图像、红外图像特征,提高对低辨识目标的检测性能;开发多模态(3种)图像低辨识度目标实时检测系统,探索多模态图像特征融合在自动驾驶智能感知系统中的应用。建立了人工标注过的多模态(3种)图像低辨识目标数据集,对深度学习神经网络进行训练,优化内部参数,使得该系统适用于复杂环境下对行人、车辆目标的检测和识别。实验结果表明,相对于传统的单模态目标检测算法,基于多模态特征融合的深度卷积神经网络对复杂环境下的低辨识目标具有更好的检测和识别性能。     

基于FPGA的智能服务机器人图像预处理模块设计

为了实现智能服务机器人视觉构件的可重用与可置换,减少研发中大量低水平重复工作,根据机器人模块化体系结构的设计思想,构建了一种基于FPGA的智能服务机器人图像预处理模块,根据硬件功能划分,设计了电源单元、图像采集单元、CAN通讯等单元.程序上采用了时下较为灵活的Verilog HDL语言进行设计,实现了图像采集模块、内存读写控制模块、CAN通讯模块等可移植的程序;在此平台上实现了改进的中值滤波算法和基于深度流水线的模板卷积算法.实验对比了不同滤波算法的效果,提供了选择图像预处理算法的依据.     

轴承变工况故障的域自适应迁移深度学习诊断

为了实现变设备、变工况条件下的轴承故障精确识别,提出了基于域自适应迁移深度卷积神经网络的诊断方法。对于具有不同分布特征（即不同域）的训练集和测试集,在深度卷积神经网络中构造了故障特征提取模块、域识别模块、标签分类模块,以特征提取模块与域识别模块对抗训练的方式实现域自适应迁移能力,使深度卷积神经网络能够有效提取不同域的共同特征参数。使用凯斯西储大学和智能维护系统中心数据设计了4组迁移实验,传统深度卷积神经网络的识别精度均值为64.5%,域自适应迁移卷积神经网络的识别精度均值为94.9%,充分说明了域自适应迁移深度卷积神经网络能够有效识别变设备、变工况条件下的轴承故障。     

基于多尺度自适应特征聚合网络的 ECT 图像重建

针对深层卷积神经网络在电容层析成像图像重建过程中存在电容特征提取尺度单一、中间层特征利用率不高等问题, 提出了一种多尺度自适应特征聚合网络模型。 首先,利用堆叠的增强型选择核卷积模块设计了一种特征增强模块(FEM),并 通过串联多个 FEM 自适应地提取电容向量多个尺度的特征信息,极大地减少了使用普通卷积所带来的伪影现象;其次,引入了 一种特征聚合机制,采用长短残差连接加强了远近特征信息的相关性,解决了网络中间层特征利用不充分的问题。 实验结果表 明,与传统算法及卷积神经网络算法相比,所提方法在主观视觉效果和客观评价指标上都具有更好的性能,图像相关系数最高 达到 0. 962 9,图像相对误差降低至 0. 053 0。     

基于编码-解码对称神经网络的高分辨率图像重构机理研究

针对目前许多图像重构算法存在重构出来的图像不清晰、分辨率低等问题,提出了一种基于编码-解码对称神经网络的高分辨率图像重构算法。首先将图像进行压缩获取低分辨率图像,然后将低分辨率图像作为输入图像经过编码-解码对称神经网络,并利用其中的卷积神经网络进行编码得到特征图像,最后再利用反卷积神经网络进行解码实现图像的细节恢复。实验结果表明,经过基于编码-解码对称神经网络重构出来的图像比之前的低分辨率图像更加清晰,图像的分辨率得到了提高。     

基于级联卷积神经网络的荧光免疫层析 图像峰值点定位方法研究

针对目前荧光免疫层析定量图像峰值点定位易受多种因素影响,导致物质定量准确度低的问题,提出了一种融合目标检测的级联卷积神经网络(CNN)算法。第一层级联算法首先使用经改进的AlexNet算法对荧光免疫层析定量图像中包含质控(C)峰和检测(T)峰的区域进行检测和提取。之后将提取到的图像区域送入第二层级联卷积神经网络中,对C峰和T峰的位置进行快速定位。随后将定位结果输入到第三层级联卷积神经网络中,对上一层输出的C峰和T峰的定位结果进行精准微调。最后输出C峰和T峰的准确定位信息。实验结果表明,提出的级联卷积神经网络算法,对荧光免疫层析图像峰值点的平均定位准确度达到了96%以上,提高了峰值点的定位准确度。     

基于双流卷积神经网络的智能小车避障算法研究

目前,智能小车由于其应用广泛,是研究的热点之一,而基于神经网络与摄像头的智能车由于其在价格以及可靠性等方面的优越性更是受到了广大研究人员的青睐。然而,在端对端的卷积神经网络智能小车避障系统中,有时无论对网络结构和参数进行何种微调,总有一些图像是难以正确分类的,或者说要对某些图像进行正确分类,需要进行相当繁复的参数调整以及结构改变。针对上述问题,考虑采用双流卷积神经网络,利用原始图片与光流图片分别通过预训练的网络后,再将评分结果进行融合,得到最终的分类结果。事实证明,采用该方法可以有效改善传统卷积神经网络一些分类错误的问题。     

基于关键帧的轻量化行为识别方法研究

针对目前双流卷积神经网络通常使用堆叠RGB帧和光流图分别提取视频的表观信息和运动信息,存在信息冗余和计算复杂度高的问题,基于时域分割网络提出了一种结合光流图、差分图像和并行卷积神经网络的行为识别算法。首先通过分析行为视频中存在的运动模糊现象,设计了一种基于图像特征量的关键帧选取算法,同时构建了一个包含表观信息流和运动信息流的改进时域分割网络,将关键帧RGB图像、非关键帧光流图像和差分图像并行地输入特征提取网络计算分类得分,最后将关键帧与非关键帧的行为类别得分进行平均融合后输入SoftMax层得到视频类别概率。为进一步降低算法的参数量和计算复杂度,设计了一种轻量化卷积神经网络作为特征提取网络。本文算法在UCF101数据集的识别准确率为94.7%,在HMDB51数据集的识别准确率为69.3%,推理速度相比于时域分割网络快了45.3%。实验结果表明,该算法能够高效利用视频的表观信息和运动信息,且具有较高的行为识别准确率。     

安卓平台上的医用图像信息采集系统的开发设计

为了探讨在安卓平台上构建医用图像采集系统的开发个案,分析通过以智能手机、平板电脑为核心安卓设备通过拍照获得化验单数据后进行文本识别并提交智慧医疗系统的解决方案。本文首先通过二值化算法形成低阈值图像数据,使用卷积神经元网络算法对文本进行逐一识别,使用K-means算法对识别后的单字文本进行字段记录值的整合并形成元数据库服务于其他智慧医疗系统模块。在使用9000组数据对神经元网络进行前期训练的前提下,该系统的识别准确率达到了99.5%以上。本系统具有一定的可行性,对未来智慧医疗的系统开发有实践意义。     

基于改进智能用电优化算法的家庭智能用电管理系统

为了提升家庭智能用电管理系统的计算效能,使用时序分析算法,将远程抄表实时费控电能表采集的1s步长的电流、电压数据序列,整理成5列录波图,并利用线性重投影算法形成可供神经网络识别的时序序列,使用加权卷积多列神经网络进行挖掘,将用户每1s步长的用电量信息分解成空调、插座、照明等负荷用电量信息,最终形成家庭智能用电管理系统的数据分解展示功能。经过与针对上述负荷单独安装电能表的实测数据进行对比,发现该改进智能用电优化算法得到的用电量分解结果,与实测结果的误差率均为5.8~6.0%之间。     

基于卷积神经网络的设备安装位置智能识别方法

该文针对IT系统集成机柜建立了一套基于卷积神经网络的柜内设备智能识别系统。设计基于图像处理和深度学习的识别算法以实现机柜内设备安装位置的检测识别。建立设备图像数据集对YOLO模型进行训练,得到合适的加权系数,使模型损失函数值最小;将训练好的模型对实际环境中的机柜进行检测并与其他经典方法进行对比。实验结果显示,该系统检测的准确率和实时性都优于其他算法,准确率最高达到93.9%。对于建立基于机器视觉的设备识别和控制系统有重要意义,可以在一定程度是上取代人工识别和操作。     

基于BP神经网络算法的柔性制造系统故障诊断

在分析和研究人工神经网络的前提下,将BP神经网络作为故障诊断的技术指导,以本校柔性制造系统中的电源管理模块故障诊断为实例,构建其智能诊断系统。通过3层BP神经网络,将输入端传感器收集到的特征量经中间层信息处理和输出层的进一步处理,使其达到网络性能目标,最终得到诊断数据。比较诊断数据与标准故障集的类型,获得准确的结果。结果表明:利用BP神经网络可以构建一个智能诊断系统,实现故障准确快速自动识别。     

基于无人机巡查的电站征地红线智能分析系统

以丰富水电站征地红线管控手段为目的,设计了基于无人机巡查的电站征地红线智能分析系统。该系统信息采集模块使用固定翼无人机搭载摄像机方式采集水电站征地红线图像,并通过无线数传子模块和无线图传子模块将征地红线图像以及无人机飞行信息传输至地面控制模块和智能分析与展示模块内。地面控制模块基于卫星通讯主站、运营商基站以及通信卫星组成的5G信号网络,利用无人机测控子模块控制执行巡检拍摄任务。智能分析与展示模块接收到征地红线图像后,使用图像预处理子模块计算征地红线坐标后,使用3Dmax软件构建征地红线三维模型,利用该模型提取征地红线特征点后,将其输送至智能分析子模块,该模块使用尺度不变特征变化算法对征地红线图像特征进行匹配,得到征地红线智能分析结果。实验结果表明:该系统在应用过程中可有效分析水电站征地红线特征匹配情况,具备较强的应用性。     

基于CNN的十字像中心检测

十字线中心检测是反射法测量透镜中心偏的重要组成部分,十字中心的检测精度决定了透镜中心偏的测量精度。针对边缘不规则、对比度差、信噪比低的图像,提出了基于深度卷积神经网络的十字线中心检测算法。算法的思想是,卷积神经网络可以在一定程度上解决传统算法局限于提取十字像边缘直线和角点特征的问题,实现对十字像整体特征的识别与定位,这可以相对减小图像噪声对十字像中心定位的影响,从而实现在图像质量比较差的情况下对十字像中心准确定位。实验结果表明,提出的算法能够在图像边缘不规则、对比度差、信噪比低等的条件下比较精确得到十字线中心点。     

质量控制图在线智能诊断分析系统

在计算机集成制造系统环境下，为了有效实现工序质量控制，提出了质量控制图的在线智能诊断分析系统框架，它由控制图模式识别、参数估计、专家诊断分析系统和加工参数调整系统四个模块组成。在该系统中，采用了一种适用于模式识别与分类的新型神经网络模型——局部有监督特征映射网络，将其应用于该系统的控制图模式识别和参数估计中。仿真实验和应用实例表明，识别和分类结果与实际相符，并可以保证实时性。     

基于HSI颜色空间的深度学习单幅图像去雾方法

针对传统的单幅图像去雾算法容易受到雾图先验知识制约导致颜色失真等问题,本文提出了一种基于HSI颜色空间的深度学习多尺度卷积神经网络单幅图像去雾方法,即通过设计深度学习网络结构来直接学习雾天图像与其无雾清晰图像色调、饱和度和亮度之间的映射关系,从而实现图像去雾.该方法首先将有雾图像从RGB颜色空间转换到HSI颜色空间,然后设计了一个端到端的多尺度全卷积神经网络模型,通过色调H、饱和度I、强度S三个不同的去雾子网分别进行多尺度提取,深度学习得到有雾图像与清晰图像之间的映射关系,从而恢复出无雾图像.实验结果表明,本文方法对于雾天图像具有良好的去雾效果,在主观评价和客观评价上均优于其它对比算法.     

基于ARM9的粮食在线计量智能控制系统

设计了一种基于ARM9的粮食在线计量智能控制系统.详细介绍了该仪器的硬件组成、软件结构、计量误差自修正算法等功能模块设计流程.该仪器采用S3C2410作为粮食在线计量智能控制系统的核心,应用高速工业以太网将系统与监控站组网,采用神经网络模型实现计量误差自修正算法,实现了本地精确计量、远程计量过程监控、数据存储等功能.该系统具有体积小、计量精度高、可靠、稳定性好等优点.该仪器还可应用于工业过程中需要在线精确计量的众多场合.