基于深度学习的青椒识别研究

为解决青椒智能识别问题,以在自然环境中采集的苏椒1614图像为识别对象,采用深度学习方法,选择YOLO-v3,Faster R-CNN和CenterNet 3种神经网络进行深度学习模型训练,并比较分析不同深度学习模型的识别结果。试验结果表明,Faster R-CNN为青椒识别的最优模型,其精度、召回率和F1值分别达到92.4%,79%和85.2%,证明深度学习方法能够有效提取图像特征。研究为青椒的智能化识别与采摘提供依据。     

西装识别的深度学习方法

为准确而快速地对电商平台产品图像进行西装目标的分类检测,以3个主要的卷积网络深度学习框架即快速区域卷积神经网络、基于区域的全连接卷积网络和单次多盒检测为基础,首先通过实验分析其在服装图像分类识别中的效率和有效性,针对小目标识别困难和过拟合识别问题,提出基于尺寸分割和负样本的单次多盒检测(SSD)增强方法(DN-SSD);然后将图像分割为不同尺寸的子图突出服装目标,通过融合分类方法解决SSD算法对小目标识别不足的问题,并通过增强负样本以提高算法的场景适应能力。实验结果表明,该算法可有效地识别各种形态和大小的西装目标,识别准确率达到90%以上,并且能够方便地推广到服装其他品类的识别中。     

基于深度学习的发霉花生识别技术

目的:快速、无损地识别发霉花生,提高发霉花生的识别效率。方法:采用光谱仪采集高光谱花生数据,利用深度学习技术识别霉变花生,建立Hypernet PRMF模型,并以Deeplab v3+、Segnet、Unet和Hypernet作为对照模型进行比较。将所提出的花生识别指数融合到高光谱图像中,作为数据特征预提取。同时将构建的多特征融合块集成到控制模型中以提高发霉花生识别效率。结果:所有模型的平均像素精度均超过了87%。Hypernet-PRMF模型的检测精度最高,达到90.35%,同时对于整个花生数据集,Hypernet-PRMF的错误识别率较低,可以有效识别图中所有的发霉花生。结论:基于深度学习所建立的Hypernet-PRMF模型具有较高的像素精度与检测精度,可有效识别发霉花生。     

基于深度卷积神经网络的樱桃分级检测

为使樱桃达到标准化和商品化,加大樱桃产值,樱桃分级成为不可或缺的环节。该文提出一种基于深度学习关键点检测方法对樱桃的大小分级和有无果梗进行判别。通过卷积神经网络自动提取樱桃的关键点特征,构建回归网络模型得到樱桃果梗首末两端和果萼两侧的关键点坐标,从而达到樱桃分级的目的。试验结果表明樱桃大小检测准确率为93.14%,有无果梗判定准确率为90.57%,基于深度学习的关键点回归检测方法能够有效检测樱桃尺寸和有无果梗,具有较高的准确率,检测速度为33 fps,能够满足实时性需求。     

基于深度学习的复杂场景中卷烟烟盒检测与识别方法

近年来,深度学习技术在图像识别领域取得了巨大的成功,在零售、金融、安全、自动驾驶等行业得到了广泛的应用。本论文提出了一套在复杂场景条件下可行有效的卷烟烟盒图像识别框架,利用深度学习技术实现营销活动或陈列活动中的卷烟烟盒图片的自动化识别。本论文提出的框架包含基于可见区域实例分割的烟盒位置检测、烟盒区域正则化和烟盒规格识别几个关键性步骤,构建了鲁棒性强、精确度高的卷烟烟盒图像识别方法。在大规模测试数据集上,其中包括陈列条件、拍摄条件等外部环境影响造成烟盒图片模糊、角度大、遮挡、玻璃反光、部分遮挡、随意摆放,以及部分不同规格的烟盒图像外观差异微小等场景,本论文的方法都表现出了稳定的识别能力,平均识别精度超过95%,达到了在实际应用场景大规模推广使用的条件。      

深度学习在遥感影像目标识别与定位中的应用研究

长期以来,遥感影像的目标识别与定位主要依靠目视判读和人工手段,误判和漏判情况严重,且检测精度较低。文章介绍了基于深度学习的目标检测算法,探讨了将深度学习应用于遥感影像目标识别与定位需要的关键技术,并对深度学习在目标识别与定位中的应用进行了前景展望。     

基于深度学习的电线杆检测方法

针对复杂检测环境下的电线杆检测问题,将电线杆检测转化为图像中的目标检测,并将基于深度学习的目标检测算法应用于电线杆检测。通过构建电线杆图像数据集,进行大量实验,验证了检测系统的有效性。该检测系统是一个端到端检测系统,只需输入图像或视频帧,即能快速准确地定位图像或视频帧中电线杆的位置,并做出类别预测,其中:电线杆定位准确率高达98.77%,相同条件下检测效率高于现有实时目标检测系统,可保证电线杆定位准确。     

基于深度学习技术的烟梗形态分类与识别

为解决打叶复烤中人工分选纯烟梗、梗头及梗含叶检测效率低、识别误差大等问题,基于深度学习方法建立了一种烟梗在线分类识别模型.首先,基于数字图像处理方法对采集到的烟梗图像进行目标提取,制作烟梗数据集;其次,根据烟梗图像特征对原始YOLOv3模型进行改进,构建新的网络结构;然后,使用制作好的烟梗数据对改进后YOLOv3模型进...     

分子光谱技术结合深度学习模型识别食用植物油种类

为实现对食用植物油的快速无损识别,采用衰减全反射-傅里叶变换红外光谱获取10种食用植物油样本的340份谱图数据,经过预处理消除光谱数据中的噪声与背景干扰,通过主成分分析降维特征提取3个主成分,在此基础上构建KNN模型与基于SSA算法优化的BP神经网络模型,对植物油种类进行识别并对识别效果进行比较。结果表明：KNN模型的识别准确率可达97.7%;基于SSA算法优化的BP神经网络分类效果最佳,识别准确率达100%,而传统BP神经网络模型识别准确率仅为87.6%。综上,建立的分子光谱技术结合深度学习模型识别食用植物油种类的新方法,实现了对食用植物油种类的准确识别。     

深度学习及其在动作行为识别中的进展

深度学习是近年来备受关注的一个研究领域,是机器学习的一个延伸。通过构建深度学习神经网络来提取特征是目前应用于动作行为识别中的一个新研究方向。为了引起更多的视觉领域研究者对深度学习的探索和深入,推动在动作行为识别中的研究,文章首先介绍了深度学习的由来、概念和原理,探讨深度学习与机器学习(神经网络)之间的关系;然后介绍近阶段利用深度学习在动作行为识别中的进展。最后阐述深度学习目前发展所面临的问题,以及对未来的展望。     

基于深度学习的卷烟牌号识别方法

为满足自动化采集卷烟零售数据需求,提出了一种基于深度学习的卷烟牌号识别方法。首先设计一种卷烟检测模型,检测卷烟在图像中的位置和姿态,并通过姿态矫正生成卷烟正向图像;其次构建卷烟特征提取模型,提取卷烟正向图像的特征;最后生成欧式距离阈值,通过阈值在卷烟特征库检索出与待识别特征最相符的卷烟特征,由卷烟特征与卷烟牌号的对应关系得出待识别特征的卷烟牌号。以广西南宁市若干卷烟零售店为例进行测试,结果表明:对卷烟牌号的识别准确率达到98.0%。说明所建卷烟牌号识别方法可满足卷烟零售数据自动化采集的需求,具备良好的泛化性能。     

基于深度学习的智能焊接技术研究

随着我国信息技术的普及,工业生产领域迎来了黄金发展时期,智能焊接技术在其中的应用频率处于上升趋势,但是仍然存在一些固有问题限制其发展,比如生产环境恶劣、系统标度大、双目系统特征匹配精度低等。在此背景下,基于深度学习的智能焊接技术应运而生。基于深度学习的智能焊接技术由三部分内容构成,分别是焊缝跟踪技术、双目立体视觉匹配技术以及目标识别技术,文章对此进行了详细论述,以提高工业生产效率与质量。     

基于深度学习的智能车目标检测与视觉导航

目标检测和视觉导航是无人驾驶的关键技术。传统的道线检测依赖于特征提取和检测校正,交通标志识别依赖于色彩分析和图像分割,然而道路场景的剧烈变化导致算法的鲁棒性较差。基于模拟的无人驾驶场景,本文探究深度学习模型LaneNet和YOLOv4,以完成智能车的视觉导航与目标识别。针对不同识别任务,文章采取传统视觉与深度学习结合的方式,保证算法的鲁棒性与实时性。在室内模拟场景中,智能车的无人驾驶系统能够准确实时地完成交通场景中的路线检测、交通灯识别和路线导航任务。     

基于深度学习的储粮害虫检测研究进展

储粮害虫检测与预警对保障粮食储存安全具有重要意义。目标检测是计算机视觉研究领域的核心问题之一,近年来深度学习在目标检测领域的应用研究取得了重大突破,储粮害虫目标检测也取得了较大进展,并逐步在粮库智能化建设中推广与应用。本文从储粮害虫数据集的获取与预处理、储粮害虫目标检测算法研究、储粮害虫检测结果应用等三个方面,总结了近年来基于深度学习的储粮害虫检测研究进展,通过对比研究,提出了该研究领域存在的问题及未来研究方向。     

深度学习算法在织物疵点识别中的应用研究

目前,纺织厂织物疵点识别工作仍由人工完成,但传统人工验布方法检测效率低,漏检率高.文章采用深度学习算法中的卷积神经网络自动提取织物特征,同时对织物中三种经典类型的布进行训练学习,经过多个卷积层和池化层,最后采用Sigmoid函数进行分类.在包含3600幅图像的数据集上进行实验,其中训练集2000幅、验证集800幅、测试...     

基于深度学习的棉花异性纤维检测

在棉花纤维生产过程中,棉花异性纤维直接影响着其成品质量优劣。通过人工进行视觉上的观察是常用的判定棉花异性纤维优劣的方法,但这种方法耗费大量人力和时间,且准确性不高。本文测试一种可根据深度学习对棉花异性纤维进行自动检测的方法。通过卷积神经网络,在对棉花图像不断训练的过程中,使棉花异性纤维质量检测过程自动化。结果表明,这一方法对于检测棉花异性纤维准确性高、效率高,对于高品质棉花自动化生产加工有重要意义。     

基于深度学习的蚕茧种类实时检测系统设计

针对目前人工选茧效率低、自动化辨识技术尚未被有效利用等问题,设计了一种基于深度学习的蚕茧种类实时检测系统.该系统主要由检测装置、蚕茧图像识别模块、气泵吹气控制模块及蚕茧种类检测管理模块组成.蚕茧分批进入粗选机构中,该机构以振动分离的方式快速分离部分下茧;剩余蚕茧通过单粒化机构进行有序排列;通过精选机构拍摄蚕茧完整表面图...     

基于深度置信网络甘蔗转运车状态识别

针对丘陵地区甘蔗转运车田间转运作业容易发生车身倾斜、过载等不稳定的危险状态,本文在课题组设计的一种适用于丘陵地区作业的双剪叉式甘蔗转运车模型基础上,针对转运车的工作状态不易判断、转运车的平衡调整难以掌控等问题,提出了一种基于深度置信网络的甘蔗转运车不稳定性状态的快速检测判断方法.通过在转运车车架位置安装一个无线压电式加...     

基于深度学习的布匹疵点检测方法

为快速、准确检测布匹疵点,提出以深度学习目标检测框架YOLOv4为基础的布匹疵点检测方式,首先将5种常见疵点图像(吊经、百脚、结点、破洞、污渍)进行预处理,然后将图像输入到YOLOv4算法中进行分类。YOLOv4采用CSPDarknet53作为主干网络提取疵点特征,SPP模块、FPN+PAN的方式作为Neck层进行深层疵点特征提取,预测层采用3种尺度预测方式,对不同大小的疵点进行检测。研究结果表明:经600个测试集样本的验证,该方法对疵点图像的检测准确率达95%,检测单张疵点图像的速率为33 ms。与SSD、Faster R-CNN、YOLOv3方法进行比较,采用YOLOv4方法准确率更高,速度更快。     

基于深度学习的丝绸文物纹样识别应用

为对数字化文物进行快速自动分类,提高藏品数字化进程,加快数字博物馆的构建,文章利用深度学习对丝绸文物的纹样进行自动识别。依据实物纹样的分类方法,建立了包含花卉纹、飞鸟纹、“卐”字纹、云纹四类纹样的样本库。利用VGGNet、ResNet、MobileNet实现对纹样的分类,结合Faster R-CNN、YOLOv5、SSD目标检测算法实现对纹样的识别与定位。实验结果表明,MobileNet对丝绸纹样分类的mAP达到83.51%;在目标检测算法中YOLOv5的识别与定位效果最好,其mAP为88.42%。与通过人工分类相比,采用深度学习算法进行分类与识别,可以在降低难度的同时提高分类的速度和准确率,为纺织品文物的鉴定与保护提供了新的思路。