采用深度卷积神经网络的路面破损智能识别

为有效识别沥青路面病害类别，将VGG卷积神经网络引入沥青路面病害识别中. 根据VGG模型随着卷积核深度的加深可获得图片更深层次特征的特点，将VGG模型最后一层卷积核的卷积深度加深，得到改进型VGG模型，并与原始VGG模型进行比较. 结果表明：改进型VGG模型每步用时278ms，相比于原始模型每步用时258ms略有增加，而病害识别精度进一步提升了1.36%，对龟裂、松散等复杂裂缝分别提高了1.12%、0.84%. 可见，VGG模型可有效识别路面病害，将其适当改进后效果更佳，对诸如松散、龟裂等复杂路面病害可做到精确识别，能及时、有效监测路面破损状况.     

图像分类卷积神经网络的进化设计

为解决图像分类中深度卷积神经网络(Convolutional neural networks,CNN)中较为复杂的人工网络设计与调参问题,提出基于ResNet模块的进化卷积、神经网络(Evolutionary convolutional neural network,ECNN)的自动设计方法,并将其运用到图像分类中.该方法基于ResNet模块与2D卷积层,采用进化算法(Evolutionary algorithm,EA)对网络结构及参数进行优化.在NLM官方发布的疟疾数据集下进行实验,不同比例的测试集划分可以达到95.6%的分类准确率,文中算法与AlexNet、VGG16、Xception等人工设计的深度学习分类算法进行了比较,实验结果表明,其准确率提升了约1%.在斯坦福大学发布的Stanford cars车辆图像数据集中进行了算法泛化验证,结果表明,文中算法在不同比例数据的测试中准确率均在94.5%以上,将该算法与深度学习分类算法VGG16进行比较,准确率效果相当,模型测试图像分类耗时仅为VGG16耗时的1/13,且训练参数量较少.两组对比测试实验数据表明,相比人工设计的深度学习算法,本文方法具有较好的图像分类性能与较快的图像分类速度.     

基于卷积神经网络的灾难场景图像分类

为了对灾难场景图像进行快速分析和识别,提出了一种基于多分辨率卷积神经网络和残差注意力机制(attention module)相结合的图像分类模型.首先,对灾难场景数据集进行预处理,在相同类型的条件下将其随机划分为训练集和测试集.基于改进的卷积神经网络(convolutional neural network,CNN),提取训练集的图像特征.使用训练集图片的特征进行训练,并且在测试集图片上实现分类测试.选取DenseNet、Xception和MobileNetV2三种模型,以灾难场景数据集(Disaster_Data_Scenes)为数据集进行实验验证.结果表明:改进的Xception和MobileNetV2网络在灾难场景数据集上进行的图像分类实验测试,比原网络精度分别提升了4.56％和3.04％.其中改进的DenseNet网络比原网络模型精度分别提升9.13％、17.88％和10.27％.可见改进的卷积神经网络模型的分类精度得到有效提高.     

基于级联卷积神经网络的驾驶员分心驾驶行为检测

针对驾驶员分心驾驶行为检测,设计一种级联卷积神经网络检测框架。检测框架由第一级分心行为预筛选卷积网络和第二级分心行为精确检测卷积网络两个全卷积网络级联构成。预筛选卷积网络是一个轻量级的图像分类网络,负责对原始数据进行快速筛选,其网络层数少、训练速度快,结构特征冗余较少,能够减少后续网络的计算负担;分心行为精确检测卷积网络采用VGG(Visual geometry group)模型特征提取的深度迁移学习检测算法网络,通过迁移学习重新训练分类器和部分卷积层。提出的级联神经网络最终可以实现9种驾驶员分心驾驶行为的准确识别检测。实验结果表明,相比主流单模型检测方法,在保证算法效率的同时准确率均有明显提升,准确率达到93.3%,有效降低了误检率。该方法具有较好的鲁棒性和泛化能力。     

一种改进的深度神经网络的花卉图像分类

花卉图像类内差异性大和类间相似性高使得花卉图像分类较难.传统花卉分类方法和普通卷积神经网络很难完整地表达花卉图像的特征,故而分类效果不理想.为提高花卉分类准确率,提出改进的InceptionV3网络用于花卉图片的分类.采用迁移学习的方法,将在大规模数据集上训练的InceptionV3网络用于花卉图像数据集的分类,对其中的激活函数进行改进.在通用Oxford flower-102数据集上的实验表明:该模型在花类图像分类任务中比传统方法和普通卷积神经网络分类准确率高,且比未改进的卷积神经网络准确率高,迁移过程准确率达到81.32%,微调过程准确率达到92.85%.     

基于经典卷积神经网络的智能煤矸识别

为了准确快速地识别原煤中的煤和矸石,基于机器视觉的方式,采取经典卷积神经网络模型对煤和矸石图像进行识别分类;利用在以实验室环境下采集的小批量煤和矸石图像数据,运用数据增强技术扩充数据集,在深度学习框架中搭建各种经典卷积神经网络模型,对采集的数据集进行训练、验证和测试,获得各经典网络的训练准确率和损失函数曲线,并结合训练...     

基于深度学习网络的电气设备图像分类

为了对变电站中智能巡检系统采集到的海量图片进行快速分析和识别,提出一种深度学习和支持向量机(support vector machine, SVM)相结合的图像分类模型。首先,运用旋转、翻折等方法对采集到的原始数据进行扩充。然后,合并扩展图像集,并在相同类型的条件下将其随机划分为训练集和测试集。基于实际图像改进卷积神经网络(convolutional neural network, CNN),并提取训练集的图像特征。最后,通过使用训练集图片的深度特征来训练SVM分类器,并且在测试集图片上实现分类测试。利用巡检机器人采集到的8 000张图片对模型精度进行实验验证,结果表明,该模型具有较强的分类性能。     

采用深度卷积神经网络的路面破损智能识别

为有效识别沥青路面病害类别,为后续养护对策的制定提供依据,将深度卷积神经网络,视觉几何组(Visual Geometry Group NetWork, VGG)技术引入沥青路面病害识别任务中。根据VGG网络结构随着卷积核深度的加深可获得图片更深层次特征的特点,将VGG模型最后一层卷积核中的卷积深度加深,获得改进后的VGG模型,并与VGG模型进行比较。结果表明：改进后的VGG模型用时为278ms/step,相比于VGG模型用时为258ms/step略有增加,而对病害的识别精度又进一步优化,提升了1.36,对龟裂、松散这类复杂裂缝分别提高了1.12%、8.4%。可见,采用VGG模型可以有效识别路面病害,将其适当改进后,效果更佳,相比于其他方法,对诸如松散、龟裂等复杂路面病害可做到精确识别,达到及时、有效监测、养护路面,防止路面进一步退化的目的。     

基于深度学习和ArcMap的路面病害智能综合检测方法

为了提升路面病害检测效率,实现路面病害检测结果的可视化显示,结合深度学习技术和ArcMap地理信息系统,设计一种适用于沥青路面的路面病害智能综合检测方法.该检测方法首先利用基于视觉几何组(visual geometry group, VGG)模型的卷积神经网络进行路面图像分类,再利用基于单步多框检测(single shot MultiBox detector, SSD)模型的目标检测网络实现路面病害识别,最后利用ArcMap地理信息系统生成道路健康地图.测试结果表明：基于VGG-16模型的路面图像分类准确率为94.60%,能够判别正常路面和病害路面;基于SSD模型的路面病害识别平均精确度为87.36%,能够有效识别坑槽、松散、车辙、裂缝、泛油和修补等6类病害类型;基于ArcMap系统的道路健康地图能够实现病害定位与结果显现.     

基于深度学习的肝硬化识别

为提高医学影像的识别准确率和效率,减少人为主观因素造成的误差,采用深度学习的方法自动识别正常肝与肝硬化影像,并针对传统卷积神经网络结构复杂,训练参数多和效率低等问题,使用基于卷积神经网络中的一种轻量级模型结构SqueezeNet;并利用迁移学习的方法,通过预训练和微调参数,可以避免数量集过少时而产生的过拟合题,并且实验结果取得了较好的分类效果;首次提出使用迁移学习后的轻量级卷积神经网络与传统的模式识别算法支持向量机相结合,实现对医学图像的分类,最终实验准确率进一步提高。