改进MobileNetV2网络在遥感影像场景分类中的应用

针对使用深层卷积神经网络进行场景分类往往需要消耗大量的时间与存储空间来训练、测试并保存模型的问题,将DenseNet的密集连接的思想应用于轻量化网络MobileNetv2中,借助特征复用来提高网络性能。同时利用一个扩张系数为1、步长为1的瓶颈与一个扩张系数为1、步长为2的瓶颈的组合压缩特征图的通道数,并将部分瓶颈的扩张系数减小以控制网络的整体规模。将改进的网络在NWPU-RESISC45遥感影像数据集上进行实验分析。结果表明,改进网络在保持分类准确率的同时缩减了网络规模,提高了计算速度,对遥感影像场景分类具有较好的实用性。     

基于双线性CNN与DenseBlock的导光板标记线缺陷检测

导光板标记线检测是导光板制造品控中的一个重要步骤, 但在使用传统图像算法进行检测的过程中, 有大量的气泡、严重污染和无标记线的情况存在. 因有大量气泡, 严重污染和无标记线的情况造成人工特征难以设计, 因此, 使用基于卷积网络的方法来代替人工特征设计进行缺陷检测. DenseNet 卷积神经网络较其他分类神经网络具有参数较少, 梯度收敛稳定等特点. 因DenseNet 卷积神经网络中使用特征融合的思想, 保证了图片分类准确率. 通过迁移学习的方法, 将训练得到的DenseNet 网络权重迁移到Bilinear-CNN算法进行训练, 提升卷积神经网络局部注意力, 提高图像分类准确率. 通过实现结果表明, 所提方法具有可行性, 相比于V2-ResNet-101网络结构, 准确率提升至95.53%, 参数减少了97.2%, 平均单张图像检测时间减少25%.     

基于Dense-YOLOv3的车型检测模型

针对传统YOLOv3的网络结构存在曝光过度或光线较暗等异常图片在提取特征时鲁棒性较差,导致车型识别率低下的问题,提出了一种用于交通车辆检测的Dense-YOLOv3模型.该模型集成了密集卷积神经网络DenseNet和YOLOv3网络的特点,加强了卷积层之间的车型特征传播和重复利用,提高了网络的抗过拟合性能;同时,对目标车辆进行了不同尺度的检测,构建了交叉损失函数,实现了车型的多目标检测.经过在BIT-Vehicle标准数据集上对模型进行训练和测试,实验结果表明,基于Dense-YOLOv3车型检测模型平均精度达到了96.57%,召回率为93.30%,表明了该模型对车辆检测的有效性和实用性.     

基于DenseNet分类的隧道裂缝检测研究

针对隧道裂缝人工识别低效、检修不便以及隧道环境复杂多变、检测易受噪声干扰等问题,文中提出一种基于深度学习的裂缝检测算法。通过神经网络对原始图像进行非裂缝区域过滤,减少无关背景信息的干扰,同时在分割算法基础上通过多维分类器将误识别的裂缝区域剔除。实验结果表明,密集连接卷积网络（DenseNet）在裂缝分类中最高可达99.95%的准确率,有效提升了隧道裂缝自动检测精度。     

基于改进DenseNet的固井质量评价新方法

为解决固井质量评价效率低、准确率不高的问题,提出一种基于改进的DenseNet卷积神经网络的评价方法。该方法通过增加多尺度卷积层可以同时获取固井质量特征图的大尺度和小尺度特征,从而提高感受野的覆盖范围,增强模型对不同尺度的适应能力;通过嵌入CBAM机制使模型在空间和通道两个维度上充分提取对评价任务有用的信息,增强模型对特征的关注能力和感知能力,提升评价结果的准确度以及模型的鲁棒性;同时,通过缩减网络层数减少模型参数的数量,提升模型的计算效率以及泛化能力。实验结果表明,测试集中的3类评价样本的准确率为95.86%,相比DenseNet-121提升了4.9百分点左右,且参数量显著减少;相比BP神经网络和支持向量机均提升了9百分点左右。从而揭示出,采用改进DenseNet模型实施固井质量评价的研究方案不仅是可行的,而且优于同类机器学习方法。     

基于深度学习优化YOLOV3算法的芳纶带检测算法研究

矿用芳纶带传送设备在长期运输过程中会产生划伤、砸伤等损伤。芳纶带表面缺陷需要及时的检测,而传统机器视觉检测精度低、受背景干扰比较大、漏检率和误检率较高,因此,本文提出运用深度学习神经网络检测,查看一次统一的实时对象检测(you only look once unified real-time object detection,YOLO)。在现场的测试中,YOLOV3算法对小目标的识别精度比较低,敏感度不够,本文优化了YOLOV3算法,网络信息的传输过程,由ResNet(残差网络)替换为特征表述更为完整的DenseNet(密集连接网络),同时运用了卷积降维进行优化,减少检测时间。在现场经过比对,优化后的YOLOV3算法相较于通过频域变换和Otsu算法,检测精度提高了26%,对比没有优化的YOLOV3算法,检测精度提高了15%,通过在现场的实验,该方法有效地改善了对于芳纶带小目标的瑕疵检测。     

基于迁移学习的架空电力线路螺栓状态分类方法研究

架空电力线路螺栓缺陷检测意义重大,其首要任务为准确分类螺栓各种状态.而螺栓不同状态缺陷之间相似度较高,加之无人机飞行姿态灵活、拍照角度多样又造成螺栓在不同视角下视觉差异较大,出现了细粒度分类的难题.针对上述问题,提出一种基于DenseNet网络的迁移学习方法,对架空电力线路螺栓进行细粒度状态分类.首先自制三类别螺栓数据集并进行数据增强,然后对在ImageNet数据集上进行预训练的 DenseNet网络进行微调,迁移至螺栓状态分类的任务中学习,得出分类结果.实验表明该模型在螺栓状态分类中准确率达到98.9％,比传统方法和不使用迁移学习的模型效果更好.     

基于改进DenseNet的牛眼图像特征提取方法

针对牛眼图像特征提取过程中由于梯度消失和过拟合造成的识别准确率较低的问题,提出一种基于改进DenseNet的牛眼图像特征提取方法。首先采用缩放指数线性单元（SeLU）激活函数防止网络梯度消失;其次通过DropBlock随机丢弃牛眼图像的特征块,从而防止过拟合,并加强网络的泛化能力;最后将改进后的稠密层进行叠加以组成改进的DenseNet（Dense convolutional Network）。在自建牛眼图像数据集上进行特征信息提取识别实验的结果表明,改进后的DenseNet识别准确率、精确率和召回率分别为97.47%、98.11%和97.90%;较改进前的网络在识别准确率、精确率和召回率上分别提升了2.52个百分点、3.32个百分点和2.94个百分点,可见改进后的网络具有较高的精度与鲁棒性。     

一种自动特征提取的SAR图像水华识别方法

针对SAR图像水华识别中人工提取特征效率低的问题,提出了一种自动特征提取识别方法.该方法应用改进的K-means算法提取SAR图像暗斑,利用数据增强算法扩充暗斑图像集,并基于对水华暗斑图像特征的深入分析对DenseNet网络结构进行改进,以实现对水华暗斑与非水华暗斑更有效地识别区分.以太湖数据集作为实验数据,该方法获得了87.30％的总体精度,这一结果表明自动特征提取识别方法对于SAR图像水华识别的有效性.     

基于改进DenseNet的水果小目标检测

针对自然环境中小目标水果的检测精度普遍较低的问题,提出基于DenseNet改进的水果目标检测框架. 构建以DenseNet为核心的多尺度特征提取模块,在DenseNet不同层级的稠密块中建立特征金字塔结构,加强网络层特征复用. 结合低层特征的高分辨率和高层特征的高语义性,实现准确定位和预测小目标水果存在的目的. 引入软阈值非极大值抑制（Soft-NMS）算法,改善簇状果实结构中检测框被误剔除的情况. 与常用的Faster R-CNN网络相比,所提出的框架在苹果、芒果和杏3个数据集中的平均检测速度大于40 FPS,F1值分别为0.920、0.928、0.831,实现了检测效率及精度的提升.