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.     

改进YOLO的车辆检测算法

YOLO目标检测算法在进行目标检测和识别时具有识别精度高、检测速度快的特点。但也存在明显的问题,由于网络采用的结构是端对端模型,没有经过预选框进行匹配预选,直接进行回归产生最后的结果框,所以存在定位不准的问题。同时,YOLO网络将图片整体resize到固定的尺寸后,进行网格划分,当单个网格存在不止单个目标时,容易出现漏检的情况。DenseNet网络使用一种全新的网络结构,结合前面特征层的信息,在一定程度上提升了对物体的检测精度。在此基础上提出YOLO-D算法,结合前面特征层的信息,在不影响检测速度的同时,提高车辆检测精度,与此同时使得定位有所改善。     

DenseNet在声纹识别中的应用研究

为了提高声纹识别技术的识别性能,将DenseNet应用于语谱图实现声纹识别,从提高网络的运算效率和增强声纹特征的表征能力2个方面对DenseNet进行优化,提出采用深度可分离卷积来减少网络的参数量,以及增加中心损失函数项来提高声纹特征的表征能力.从训练结果可以看出,通过深度可分离卷积,网络的参数量减少了25.5％,模型...     

基于深度学习的电力通信光纤配线标签识别研究

电力光纤作为电力业务通道承载介质,其标签管理尤为重要.光纤配线标签通常粘贴在光纤端子处,软体材质容易导致标签堆叠、扭曲,加之光照不均、背景复杂、文本变形和文本方向不一致等干扰及影响因素,使得现有文本检测和识别方法难以正确识别光纤配线标签.针对这一问题,文章提出一种基于YOLO、PSENet文本检测和DenseNet、S...     

基于卷积神经网络与ECOC-SVM的输电线路异物检测

输电线路悬挂异物会引发输电线路单相接地、相间短路等停电事故,因此本文提出一种基于卷积神经网络与ECOC-SVM的输电线路异物检测方法.首先,本文构建气球、风筝、塑料和鸟巢4种输电线路异物图像数据集;然后采用Otsu自适应阈值分割、形态学处理等方法提取感兴趣区域;再利用DenseNet201提取感兴趣区域的特征;最后对E...     

基于DenseNet算法的一维桁架数字化装配控制系统仿真及优化

为解决一维桁架在轨建造过程中存在的精确定位难及桁架工位拓展转换控制效率低的技术难题，提出运用数字孪生和人工智能相结合的方式，通过计算机建模技术，构建并完成集自动装配、搬运、检测、信息追溯为一体的数字化装配系统，并与传统工艺对比。结果表明:与传统工艺相比，基于DenseNet算法的数字化装配系统在提高桁架素材故障检测率、空间利用率，减少配套失误，实现全生命周期实时追溯，加快动作节拍等方面效果显著。研究结果为我国宇航制造企业以及装备制造业开展面向智能制造的产品数字化生产线建设提供参考。     

基于卷积神经网络与ECOC-SVM的输电线路异物检测

输电线路悬挂异物会引发输电线路单相接地、相间短路等停电事故,因此本文提出一种基于卷积神经网络与ECOC-SVM的输电线路异物检测方法。首先,本文构建气球、风筝、塑料和鸟巢4种输电线路异物图像数据集;然后采用Otsu自适应阈值分割、形态学处理等方法提取感兴趣区域;再利用DenseNet201提取感兴趣区域的特征;最后对ECOC-SVM模型进行训练、测试与结果分析。所用方法在4类异物上的平均识别准确率可达93.3%,有助于提高输电线路运维的效率。     

基于改进DenseNet的乳腺钼靶肿块分类方法

乳腺X线摄影技术是目前乳腺癌早期发现和诊断的重要手段。然而乳腺X线图像中肿块边缘模糊,分类相对困难,因此提升乳腺肿块的诊断精度从而及早预防和治疗仍是医学领域的一大挑战。针对乳腺肿块的特点,提出了一种结合密集卷积神经网络（DenseNet）和压缩激励（SE）模块的新网络（DSAMNet）,该网络融合了二者优势,既加强特征重用,又实现特征提取过程中的特征重标定。根据SE模块嵌入DenseNet的不同位置,提出了模型SE-DenseNet-A、SE-DenseNet-B和SE-DenseNet-C。对SE-DenseNet的池化函数进行改进,提出了模型DSAMNet-A、DSAMNet-B和DSAMNet-C。综合不同结构和不同深度的网络模型在公开数据集CBIS-DDSM上进行训练和测试。实验结果表明,DSAMNet-B有更加优异的性能,其准确率比DenseNet模型的准确率提高了10.8%,AUC达到了0.929。     

改进Stacking集成学习的指纹识别算法

针对传统卷积神经网络对多传感器指纹识别泛化能力降低、准确率不高的问题,提出改进的Stacking集成学习算法。首先将AlexNet进行改进,在AlexNet中引入深度可分离卷积减少参数量,加快训练速度;引入空间金字塔池化,提升网络获取全局信息的能力;引入批归一化,加快网络收敛速度,同时提升网络在测试集上的准确率;使用全局平均池化替代全连接层,防止过拟合。然后将DenseNet和改进的AlexNet 2种卷积神经网络作为Stacking的基学习器对指纹进行分类,获得预测结果。最后对相同基学习器训练得到的各个模型,根据预测精度对各预测结果赋权,得到的预测结果再由元分类器分类。改进的Stacking算法在多传感器指纹数据库上进行实验,最终识别准确率达98.43%,相对AlexNet提升了20.05%,相对DenseNet提升了4.25%。     

基于DenseNet和ResNet融合的发动机孔探图像分类研究

孔探是检测发动机内部损伤最重要的手段之一.为了解决发动机孔探检查中孔探人员主要依靠经验对损伤进行界定的问题,研究了基于DenseNet和ResNet融合的新型单通道网络结构,实现对发动机部件的分类,为后期孔探缺陷自动识别建立基础.通过对某大修厂孔探数据和自建数据进行处理,完成了孔探图像分类数据集的构建;训练新型的49层网络模型,在自建数据集测试集上测试的准确率和平均召回率分别为96.0％ 和95.9％,有较好的泛化能力,可以有效的对发动机部件进行分类.