共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
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。 相似文献
3.
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。 相似文献
4.
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。 相似文献
5.
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。 相似文献
6.
7.
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。 相似文献
8.
9.
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。 相似文献
10.
11.
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。 相似文献
12.
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。 相似文献
13.
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。 相似文献
14.
15.
16.
17.
18.
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... 相似文献
19.
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。 相似文献
20.
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。 相似文献