基于深度学习和迁移学习的水果图像分类

图像识别作为深度学习领域内的一项重要应用,水果图像的分类识别在智慧农业以及采摘机器人等方面具有重要应用。针对以往传统图像分类算法存在泛化能力差、准确率不高等问题,提出一种在TensorFlow框架下基于深度学习和迁移学习的水果图像分类算法。该算法采用Inception-V3的部分模型结构对水果图像数据进行特征提取,采用Softmax分类器对图像特征进行分类,并通过迁移学习方式进行训练得到迁移训练模型。测试结果表明,该算法与传统水果分类算法对比,具有较高识别准确率。     

基于区域卷积神经网络的空中飞行物识别算法

针对飞行物检测中,由于目标背景复杂、姿态不一导致的识别准确率低的问题,提出改进的基于区域卷积神经网络Faster R-CNN的空中飞行物识别算法,使用消色差折射式望远镜ETX80和个人电脑(PC)构建空中飞行物识别系统。首先,构建包含无人机、飞机和飞鸟三种飞行物的数据集,对数据集进行标注和划分;然后,利用ResNet101深度残差网络提取图像特征,并输入构建的深度学习网络模型进行训练,网络模型包括区域建议网络、感兴趣区域池化层和分类层。测试结果证明:该方法能够在不同背景下的无人机、飞机、飞鸟三类空中飞行物的识别上达到良好的效果,检测平均准确率为96.7%,比FasterR-CNN算法提高3.1%。     

基于深度卷积神经网络的车型识别

传统的基于卷积神经网络的车型识别算法存在识别相似车型的准确率不高,以及在网络训练时只能使用图像的灰度图从而丢失了图像的颜色信息等缺陷。对此,提出一种基于深度卷积神经网络(Deep Convolution Neural Network,DCNN)的提取图像特征的方法,运用深度卷积神经网络对背景较复杂的车型进行网络训练,以达到识别车型的目的。文中采用先进的深度学习框架Caffe,基于AlexNet结构提出了深度卷积神经网络的模型,分别对车型的图像进行训练,并与传统CNN算法进行比较。实验结果显示,DCNN网络模型的准确率达到了96.9%,比其他算法的准确率更高。     

基于深度学习的字轮式水表读数检测与识别

现实中拍摄的字轮式水表图像的读数区域存在不同的位数和旋转角度的问题，这些问题对识别准确率造成很大的影响。针对这种情况，提出一种基于深度学习的水表读数检测与识别算法。该方法使用改进的圆盘检测算法来对水表圆盘进行检测；采用一种改进的多方向全卷积网络检测出水表的读数区域，同时提出一种图像旋转矫正算法，实现对水表读数区域的矫正与分割；对于读数识别，设计一种轻量级的神经网络，减少模型大小和加速训练过程的同时保持较高的识别精度。实验结果表明，该方法的圆盘检测率从93.97%提高到了96.38%,读数区域检测模型对不同类型的水表读数区域具有较好的检测效果，识别模型的大小从8.77 MB减少到7.32 MB,模型的训练和测试时间短，准确率达到96.44%。     

基于步态触觉信息的图书馆智能机器人异常状态检测系统

针对当前图书馆智能机器人步态识别准确率低,导致异常状态检测效果差的问题,提出基于步态触觉信息的图书馆智能机器人异常状态检测和分类。采用基于局部空间信息加权的K-means算法对静态步态图像进行分割处理,分别构建基于改进K-means的CNN网络模型和基于时域注意力的3D残差网络模型,通过这两个模型对静态、动态步态进行特征提取和识别。实验结果表明,对比于SVM分类器,改进K-means算法的CNN网络模型静态步态识别准确率高达98.7%;3D-CNN模型的动态步态分类准确率为99.72%,均高于其他分类模型。最后结合两种算法进行异常状态检测发现,本算法的分类准确率、敏感度和特异性分别为95.42%、95.53%、94.37%。综合分析可知,提出的算法能够实现静态动态的准确识别和异常状态检测,具有一定有效性。     

基于卷积神经网络的色情图像检测

针对通常使用的色情图像检测方法中难以获取准确的色情图像特征的问题,提出一种以数据为导向基于深度卷积神经网络来获取图像特征的色情图像检测方法。对含色情内容和不含色情内容的图片数据集进行数据增强处理,接着使用Inception模块设计及建立卷积神经网络模型;使用批量随机梯度下降算法训练卷积神经网络获取色情图像特征;使用训练好的模型识别一张图像是否是色情图像。测试集检测正确率达到了99.06%,对比实验表明所设计的网络模型因其参数更少比其他模型更不易过拟合并比其他方法实现了更高的准确率。     

基于迁移学习策略的压板开关状态识别

为了实现变电站压板状态的自动巡检,提升变电站运行的可靠性和安全性,提出一种基于迁移学习策略的压板开关状态识别算法。首先利用Inception-V3在ImageNet数据集上进行目标检测训练出的网络参数,得到预训练模型,接着将训练后的瓶颈层特征参数提取至目标网络,作为目标压板开关图片数据集的特征提取器,而后构造基于粒子群优化的支持向量机算法完成压板开关状态的识别。通过与常用深度学习网络在学习效率和学习精度方面的实验结果进行对比,验证本文所提出算法的有效性和优越性,说明迁移学习结合卷积神经网络可以解决电力设备巡检中的小样本问题,提高压板开关状态识别精度和效率。     

基于多尺度池化卷积神经网络的疲劳检测方法研究

针对视觉特征分析疲劳检测问题,设计了一种级联深度学习的检测系统结构,并提出基于多尺度池化的卷积神经网络疲劳状态检测模型。首先通过深度学习模型MTCNN进行人脸检测,提取出眼睛和嘴巴区域;针对眼睛和嘴巴的状态表征和识别问题,提出一种基于ResNet的多尺度池化模型（MSP）对眼睛和嘴巴状态进行训练;实时检测时,将眼睛嘴巴区域通过训练好的卷积神经网络模型进行状态识别,最后基于PERCLOS和提出的嘴巴张合频率（FOM）对驾驶员进行疲劳判定。实验结果表明,该算法具有较高的检测准确率,同时满足实时性要求,且对复杂环境具有较高的鲁棒性。     

面向电力变压器的声纹智能诊断装置设计与应用

电力变压器是直接影响电力系统安全运行的重要设备之一,目前多采用图像或侵入式传感测量的方式,本文设计了变压器声纹采集装置、特征提取方法、以及基于迁移学习的深度神经网络识别模型.首先,采集并预处理变压器噪声信号,对分帧信号进行时域和频域特征提取,获得声纹特征向量,然后,输入迁移学习算法模型,实现变压器直流偏磁、过负荷、以及绕组变形等8种工况的智能识别诊断,最后,设计声纹特征数据库建立方法,采集变压器运行声学样本,对声纹识别算法模型进行训练和优化.通过数据集对比测试和变电站部署应用,验证了算法模型的识别准确度和系统可行性,该装置可作为当前监测手段的有效补充,提高变压器综合监测和潜伏性缺陷识别能力.     

基于小样本学习的SAR图像识别

深度学习已成为图像识别领域的一个研究热点。与传统图像识别方法不同,深度学习从大量数据中自动学习特征,并且具有强大的自学习能力和高效的特征表达能力。但在小样本条件下,传统的深度学习方法如卷积神经网络难以学习到有效的特征,造成图像识别的准确率较低。因此,提出一种新的小样本条件下的图像识别算法用于解决SAR图像的分类识别。该算法以卷积神经网络为基础,结合自编码器,形成深度卷积自编码网络结构。首先对图像进行预处理,使用2D Gabor滤波增强图像,在此基础上对模型进行训练,最后构建图像分类模型。该算法设计的网络结构能自动学习并提取小样本图像中的有效特征,进而提高识别准确率。在MSTAR数据集的10类目标分类中,选择训练集数据中10%的样本作为新的训练数据,其余数据为验证数据,并且,测试数据在卷积神经网络中的识别准确率为76.38%,而在提出的卷积自编码结构中的识别准确率达到了88.09%。实验结果表明,提出的算法在小样本图像识别中比卷积神经网络模型更加有效。     

基于YOLOv3的二次设备保护压板状态图像识别

目前,变电设备信息化程度不断提高,对二次设备各模块提出更高的数字化要求。为解决二次设备压板状态人工识别程序繁杂、耗时长、容易出错等问题,提高压板巡视效率,维护二次设备安全稳定运行,本文通过研究比对机器学习算法和深度学习目标检测算法等方法的难易程度和准确率等因素,最终选择YOLOv3算法。将压板标准态文档转换成JSON数据后,使用基于imageNET的YOLOv3-Darknet-53预训练模型,导入压板开关图像样本集。使用LabelImg标注样本集后,进行深度学习得出训练后模型,运用该模型得到现场压板图识别数据,将标准态数据与实际图片数据对比绘制图形,实现压板开关状态准确识别和标注。结果表明,压板开关位置、开关状态识别成功率达到99%,有效地提升了压板巡视工作效率和准确度,极大地提高了二次设备数字化水平。     

基于深度学习的座舱开关状态识别研究

飞机飞行前为保证飞行安全,需要机务人员对座舱开关、安全销等状态进行检查确认,由于检查对象多、状态多,人为检查常常出现错检、漏检.因此,以飞机座舱开关为具体研究对象,提出了一种基于深度学习的座舱开关状态识别方法.在典型的目标检测算法Faster R-CNN的基础上,提出基于特征融合的多分支Faster R-CNN改进算法,既提升了小目标开关的检测精度,又兼顾了 一般大小目标物体的检测精度.多组对比实验表明,所提出的方法在座舱开关状态检测场景中的平均精度较原始的Faster R-CNN有明显提升.     

融合人眼特征与深度学习的疲劳驾驶检测模型

针对现有疲劳驾驶检测技术不能有效平衡准确性和实时性的问题,通过融合人眼特征与深度学习,构建一种新的疲劳驾驶检测模型。设计GP-VGG16网络进行眼部状态识别,通过将人工先验信息集成到轻量级深度网络中,提高眼部状态识别的准确性、稳定性和实时性。在此基础上,利用眼部特征-疲劳等级模型将疲劳状态划分为9个等级,定量估计驾驶员状态,同时基于少样本学习建立高效的自动标签生成网络,减少对大量无标签驾驶数据的语义标注。实验结果表明,该模型的准确率达到97.1%,运行速度达到39.96 frame/s,能够有效提高驾驶员疲劳状态识别的准确性与时效性。     

计算机视觉下的果实目标检测算法综述

基于计算机视觉的果实目标检测识别是目标检测、计算机视觉、农业机器人等多学科的重要交叉研究课题,在智慧农业、农业现代化、自动采摘机器人等领域,具有重要的理论研究意义和实际应用价值。随着深度学习在图像处理领域中广泛应用并取得良好效果,计算机视觉技术结合深度学习方法的果实目标检测识别算法逐渐成为主流。本文介绍基于计算机视觉的果实目标检测识别的任务、难点和发展现状,以及2类基于深度学习方法的果实目标检测识别算法,最后介绍用于算法模型训练学习的公开数据集与评价模型性能的评价指标,且对当前果实目标检测识别存在的问题和未来可能的发展方向进行讨论。     

基于卷积神经网络的指针式仪表识别

目前大部分研究指针式仪表识别的方法中提取指针是完全基于传统的图像处理技术,提取过程较为复杂且步骤繁多.为了有效解决指针式仪表读数识别中指针中轴线所在直线提取困难及识别精度不高等问题,本文提出了一种基于深度学习的指针式仪表的识别方法.首先用Faster R-CNN算法检测仪表圆盘,再采用基于深度学习的方法Faster R-CNN算法检测指针,根据得到的指针目标框的位置信息裁剪得到指针图像,在指针图像的基础上进行二值化、细化、霍夫变换检测直线、最小二乘法拟合直线等步骤识别仪表最终读数.和直接在仪表表盘目标框图像或原始图像上进行传统图像处理相比很大程度上减少了定位指针中轴线所在直线过程中的干扰.实验结果表明本文所提出的基于深度学习的指针检测的平均准确率高达96.55％.对于复杂背景下指针式仪表的指针区域的检测具有良好的准确性与稳定性.     

基于图像处理的变电站中隔离开关的状态研究

随着图像处理技术的不断发展,本文利用图像处理技术分析变电站中隔离开关的状态。蚁群算法(Ant Colony Algorithm,ACA)使用的广泛性,很多学者将其应用到图像处理中。本文将蚁群算法应用于变电站设备区域图像分割中,从某个或某些像素点出发,提取出变电站的隔离开关信息,然后对其进一步的图像处理,分析隔离开关的状态。但是,蚁群算法在运算过程中,易出现过早收敛于局部最优解及运算时间过长的缺点。为了使蚁群算法收敛于全局最优解及加快收敛速度,本文针对传统的蚁群算法模型对其信息浓度更新规则改进及参数的改进。通过仿真对比分析改进后的蚁群算法对于图像分割效果更好。     

基于自适应感受野机制的颈部淋巴结自动识别算法

针对目前应用于医学影像目标检测的深度学习网络模型仅拥有固定的感受野,无法针对形态尺度差异明显的颈部淋巴结进行有效检测的问题,提出了一种新的基于自适应感受野机制的识别算法,将深度学习首次应用于完全三维医学图像的颈部淋巴结自动识别中。首先,采用半随机采样方法对医学序列图像进行裁剪,生成基于网格的局部图像块及对应真值标签;然后,通过局部图像块及标签构建并训练基于自适应感受野机制的DeepNode网络;最后,利用预训练的DeepNode网络模型进行预测,通过输入整体序列图像,可以端到端且快速地获得整体序列对应的颈部淋巴结识别结果。在颈部淋巴结数据集中,采用DeepNode网络识别颈部淋巴结的召回率可达98.13%,精确率可达97.38%,每次扫描的假阳性数量仅为29,同时耗时相对较短。实验结果分析表明,与当前表现优良的二维与三维卷积神经网络相结合的算法、三维通用目标检测算法、基于弱监督定位的识别算法等相比,所提算法可以实现颈部淋巴结的自动识别,并取得最优的识别效果。该算法端到端,简单高效,易于扩展到其他医学图像的三维目标检测任务中,可应用于临床的诊断和治疗。     

基于深度学习的证件照人脸识别方法

为解决安防业务中对人脸识别技术的迫切需求,进行了基于深度学习的证件照人脸识别方法的研究与实现.对人脸识别各关键技术环节进行了实现并进行了算法对比,同时提出了使用Siamese网络进行特征重映射的方法进一步提升人脸识别精度.实验结果表明,使用证件照构建的人脸库,通过基于深度学习的算法实现了高效精确的人脸识别.