排序方式: 共有37条查询结果,搜索用时 328 毫秒
11.
以不同等级的浓香型白酒为研究对象,利用气相色谱-质谱联用(GC-MS)技术建立浓香型白酒微量成分的指纹图谱,采用稀疏主成分分析(SPCA)提取GC-MS图谱前7个稀疏主成分构建白酒成分特性的综合指标,进而采用回归分析建立浓香型白酒质量评价的客观模型。验证实验结果表明,建立的白酒质量评价模型与感官评价的评分绝对误差<3,在实现特级、优级、一级、二级四个等级的评价中,正确率达到94%。研究表明,不同等级的白酒的GC-MS图谱的稀疏主成分存在较明显差异,该研究建立的白酒质量评价模型能有效地实现白酒等级的评判,为白酒质量控制及等级鉴定提供了一种客观方法。 相似文献
12.
在进行口罩遮挡人脸图像修复时,往往需要进行人脸口罩的分割,分割的结果将会对后续的修复工作产生较大的影响。因此,为了更好地实现分割,通过改进图像分割网络DeepLabv3+,提出了一种针对人脸口罩分割的网络模型。将原始DeepLabv3+网络中的主干特征提取网络替换为轻量级网络MobileNetV2,减少模型的参数量,提升模型分割速度;采用密集连接方式将原始空洞空间金字塔池化(Atrous Spatial Pyramid Pooling, ASPP)模块中的不同特征层进行特征融合,并引入CBAM注意力机制,增强模型特征表达能力。为了使模型能够准确分割出不同形状、大小和颜色的口罩,在损失函数中引入焦点损失(Focal Loss)进行模型训练,以缓解不同类别口罩在训练样本上的不均衡问题。通过在PASCLA VOC公共数据集和自建口罩数据集上进行实验。结果表明,改进后的模型相比基准模型在模型参数、分割时间以及分割精度上取得较好的平衡。 相似文献
13.
针对图像的非局部稀疏表示忽略图像中结构相似信息的缺点,将群稀疏表示引入到图像的最优滤波中,提出了一种有效去除图像高斯噪声的非局部群稀疏表示模型。该模型首先选择图像非局部相似块构建相似矩阵,在群稀疏限制下对相似矩阵进行正交分解得到正交矩阵;在已知噪声服从高斯分布的情况下,再通过求得的正交矩阵结合贝叶斯最小均方误差准则实现对特征矩阵的最优估计;最后通过正交矩阵与特征矩阵重构去噪后的图像。实验对比证明,所提的非局部群稀疏表示的图像去噪模型在去除噪声的同时更好地保留了图像的结构信息,获得了更好的主客观评价指标,去噪的峰值信噪比提高1 dB以上。 相似文献
14.
为了提高超分辨率重构算法对图像边缘轮廓的修复能力,消除重构图像存在伪影的问题,提出一种基于聚合多尺度特征的图像轮廓增强超分辨重建生成对抗网络。将多尺度卷积与通道注意力机制相结合,使用一次性聚合多尺度特征结构,构建多级残差模块,让生成器网络能自适应地提取特征层中的潜在关键信息,同时完成不同特征层的信息融合。定义高斯滤波卷积核与不同方向的索贝尔卷积核,构建边缘损失函数,该损失函数能加强对图像边缘轮廓信息的修复;结合全变分损失函数,减少低分辨率图像噪声对重构图像的影响,进一步提高图像轮廓信息修复能力。为了提高判别器对不同特征的自适应学习能力,在判别器中使用自适应归一化层,增强网络的收敛能力。在Set5、Set14、BSD100数据集上进行图像重构,经实验结果表明,提出的算法使重构图像的轮廓进一步加强,整体视觉质量更好。同时所提算法与超分辨率生成对抗网络(SRGAN)对比,2倍超分辨重建图像的峰值信噪比平均提高了1.696dB,结构相似性指标平均提高了0.03;4倍超分辨重建图像的峰值信噪比平均提高了1.348dB,结构相似性指标平均提高了0.033。 相似文献
15.
16.
文章介绍了各向异性前向扩散、后向扩散以及前后向扩散的基本原理,针对前后向扩散中的恒定参数使图像细节模糊的缺点,对前后向扩散中的系数自适应改变的前后向扩散算法,并通过实验证明了自适应前后向扩散在消去噪声的同时更好地保留图像的细节信息,且具有更高的信噪比。 相似文献
17.
18.
19.
目前的电力现场安全监控主要通过人员对监控视频进行全程监测,但采用人工检测的方法不仅浪费时间,而且容易出现漏报的情况,使工作人员的人身安全无法得到保障。为实现对作业现场人员行为的智能识别,提出了一种基于OpenPose的电力作业人员的危险行为识别技术。该方法提取视频流图像中电力作业人员骨骼关键点信息,利用深度神经网络实现多人场景下电力作业人员的人体行为姿态感知,实时对施工人员的违规行为进行检测识别,并发出警告。所提方法实现了对电力现场作业人员行为的准确、实时安全监控,保障了现场作业人员的人身安全和电力作业的顺利进行,具有一定的鲁棒性与泛化能力。 相似文献
20.
为实现对白酒气相色谱-质谱(GC-MS)图谱数据的准确识别,该研究在主成分分析法的基础上引入弹性网惩罚函数与岭回归对主成分进行稀疏限制,从而实现GC-MS白酒图谱数据的稀疏主成分分析(SPCA),进而将稀疏主成分送入不同的分类器中进行分类识别,建立白酒质量分类模型,并与主成分分析(PCA)进行比较。结果表明,与主成分相比,不同等级白酒GC-MS图谱的稀疏主成分差异较大,更能代表不同特征白酒的信息。基于SPCA对白酒样品进行分类后的分类识别精度更高,SPCA+K最近邻(KNN)、SPCA+决策树(DT)、SPCA+支持向量机(SVM)、SPCA+误差反向传播(BP)的准确率分别达到62%、89%、97%、100%,其中SPCA结合BP的方法分类效果最好,说明白酒GC-MS图谱的稀疏主成分系数存在非线性关系。在抽取的数据上进行结果验证,其分类结果和数据信息完全吻合,说明建立的基于稀疏主成分分析白酒质量评价模型能有效地实现白酒等级的评判。 相似文献