基于可能性聚类和卷积神经网络的道路交通标识识别算法

为解决图像采集中噪声和复杂背景对图片的影响以及深度神经网络的高耗时问题,基于可能性聚类算法与卷积神经网络,提出一种道路交通标识识别算法.该方法运用了图像分割技术,并结合卷积神经网络模型对道路交通标识进行更准确的识别.首先,通过色彩增强、图像分割、特征提取、数据增强和归一化等批量预处理操作,形成一个完整的数据集;然后,结合Squeeze-and-Excitation思想和残差网络结构,充分训练出MRESE(My Residual-Squeeze and Excitation)卷积神经网络模型;最后,将优化的网络模型用于道路交通标志的识别.实验结果表明,该方法使训练时间缩短了5%左右,识别精度可达99.02%.     

便携式γ谱仪中的核素识别算法

为满足便携式γ谱仪核素识别的功能需求,提出了以FIR滤波平滑、自适应对称零面积寻峰、核素匹配为基础的能谱数据处理及核素识别算法。算法中避免了复杂的迭代运算,充分利用已知核素的先验知识优化了核素库的设计,提高了运算速度,达到了适用于便携式γ谱仪的核素识别要求。算法运行在ARM2440单片机上,经过自制的便携式谱仪系统实测数据和MonteCarlo模拟数据的验证,在IAEA规定的采集时间内,能够在5s内正确识别出4类、27种不同核素。     

卷积神经网络在锚杆锚固类型识别中的应用

为了解决手工特征提取方法依赖广泛的专业知识和先验知识,难以挖掘新特征而影响识别结果的问题,将一维卷积神经网络应用于锚杆锚固系统类型识别,以实现端到端的分类过程;为了避免随机初始化卷积核会造成网络在训练时收敛速度慢、易陷入局部最优等问题,利用稀疏自编码器对网络的卷积核进行预训练,并利用实验锚杆锚固数据对稀疏自编码器一维卷积神经网络模型、传统一维卷积神经网络模型和反向传播神经网络模型进行测试。结果表明:一维卷积神经网络可应用于锚杆锚固系统类型识别,实现端到端的分类过程;在锚杆锚固系统类型识别中,稀疏自编码器一维卷积神经网络模型的准确率高于传统一维卷积神经网络模型和反向传播神经网络模型的准确率,识别率可达98.57%。     

基于神经网络的中文语音识别技术

研究一种基于神经网络的端到端中文语音识别算法.算法将语音信息处理为频谱图,基于频谱图,设计和实现一种基于卷积神经网络和循环神经网络的深度学习模型结构用于中文语音识别.模型以汉字作为标签样本,运用训练算法和序列损失函数进行模型迭代训练最终模型;采用开源数据集,通过实验验证网络结构对识别效果的影响,同时对比传统的语音识别算...     

基于深度卷积神经网络的三维模型识别

为了进一步提高三维模型的识别精度,提出了一种基于深度卷积神经网络的三维模型识别方法。将点云数据通过占用网格规范化计算转化为二值3D体素矩阵,通过附加正则化项的随机梯度下降算法提取体素矩阵的特征,再通过共享权重的旋转增强对训练集进行数据增广并以此对模型标签进行预测。实验结果表明,该算法在公开数据集ModelNet40及悉尼城市模型数据集上的识别精度均达到85%左右。与基于同类机器学习的三维模型识别算法相比,在相同训练数据集上该方法网络训练时间短,在相同测试数据集上模型识别准确率高,检索速度快。提出的体素占用网格模型的深度卷积神经网络,可以实现三维点云模型数据集及规范化体素模型数据集的识别和分类工作。     

基于CNN的棉田杂草识别方法

针对杂草的精确喷洒问题提出一种基于卷积神经网络(Convolution Neural Network, CNN)的棉花植株和杂草的检测识别方法。首先采集不同环境下棉田中棉花植株和不同种类的杂草图像作为网络模型的数据集，对数据集进行数据增强来增加数据集的数量，将其分为训练集与测试集；然后构建CNN模型，在模型中添加Dropout层，以防止网络出现过拟合，将训练集数据输入网络模型，使模型学习棉花植株和杂草的特征信息；最后将测试集数据输入CNN模型，测试CNN模型对棉花植株和杂草的识别能力。研究结果表明CNN对于棉花植株和杂草的分类结果精度超过了99.95%,识别时间为197.2s,证明CNN可以快速高效的识别棉田中棉花植株和杂草，为农业智能精确除草装备的研发提供研究基础。     

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.     

基于轻量型卷积神经网络的交通标志识别

针对卷积神经网络在交通标志识别实时性不好,对设备硬件要求过高的缺点,提出了一种具有实时性,高精度的基于轻量型卷积神经网络的改进网络。一方面引入深度可分离卷积和激活函数Mish,加快网络的训练和识别速度,降低对硬件设备的要求;另一方面通过对网络架构及层次的改进,同时合理改变卷积核的大小和数目,加强图片特征的表达与传递。在BelgiumTSC交通标志数据集上的实验结果表明,改进后网络明显提高了网络训练速度,同时识别精度也略高于原网络,验证了改进方法的有效性。通过与其他模型相比,该模型能够更快速准确完成交通标志识别任务,验证了该方法的可行性。     

基于卷积神经网络的无人机识别方法仿真研究

为了提高卷积神经网络(CNN)的泛化性和鲁棒性,改善无人机航行时识别目标图像的精度,提出了一种CNN与概率神经网络(PNN)相结合的混合模型。利用CNN提取多层图像表示,使用PNN提取特征对图像进行分类以替代CNN内部的BP神经网络,采用均方差和降梯度法训练模型,通过将预处理的图像传输到CNN-PNN模型,对图像纹理和轮廓进行分类识别,并将此模型的仿真结果与卷积神经网络模型、卷积神经网络-支持向量机模型的结果进行对比。仿真结果表明,与其他两种模型相比,CNN-PNN模型具有更好的精准度,识别率高达96.30%。因此,CNN-PNN模型能够快速有效地识别图像,准确度和实时性较高,在图像识别等方面具有很好的应用前景。     

基于卷积神经网络的入侵检测算法

作为深度学习的一种有效算法,深度卷积网络已成功应用在处理图像、视频和音频等领域.通过建立一卷积神经网络模型并应用于网络入侵检测,选取的卷积核与数据进行卷积操作提取特征的局部相关性从而提高特征提取的准确度.采集到的网络数据通过多层"卷积层-下采样层"的处理对网络中正常行为和异常行为的特征进行深度刻画,最后通过多层感知机进行正确分类.KDD 99数据集上的实验表明,文中提出的卷积神经网络模型与经典BP神经网络、SVM算法等相比,有效提高了入侵检测识别的分类准确性.      

基于热成像技术和深度学习的煤矸石识别方法

传统的煤矸石图像识别方法存在特征提取困难、泛化能力弱等问题,采用可见光方式进行煤矸石图像采集又容易受光照、粉尘等环境因素的影响,本文提出一种基于热成像技术和深度学习算法的煤矸石图像识别方法,利用热成像技术进行煤矸石图像采集,分别采用AlexNet、LeNet、ResNet_50这三个卷积神经网络构建煤矸石图像识别模型.根据总损失、识别准确率、训练速度进行模型性能比较,选择识别效果最好的模型,与两个可见光煤矸石图像进行对比实验.实验结果表明利用热成像技术能显著提升煤和矸石图像的差异性,采用热成像技术构建煤矸石数据集,结合AlexNet卷积神经网络训练的煤矸石识别模型,具有良好的识别效果.测试集识别准确率为97.88％.相对于利用传统的可见光成像技术,识别准确率有显著提升.     

便携式γ谱仪中的核素识别算法

为满足便携式γ谱仪核素识别的功能需求,提出了以有限脉冲响应(FIR)滤波平滑、自适应对称零面积寻峰、核素匹配为基础的能谱数据处理及核素识别算法。算法中避免了复杂的迭代运算,充分利用已知核素的先验知识优化了核素库的设计,提高了运算速度,达到了适用于便携式γ谱仪的核素识别要求。算法运行在ARM2440单片机上,经过自制的便携式谱仪系统实测数据和MonteCarlo模拟数据的验证,能够在5s内正确识别出4类、27种不同核素。     

基于SqueezeNet卷积神经网络的车辆颜色识别

为实现车辆颜色的精准识别,辅助现有车牌识别方法在智能交通系统中完成对车辆身份的精确认证,通过分析现有解决方案和探究卷积神经网络在实际应用中的问题,提出基于轻量级卷积神经网络SqueezeNet实现对车辆颜色识别的方法。轻量级卷积神经网络SqueezeNet的参数量是AlexNet网络结构的1/50,同时还能保证精度,避免由于网络结构复杂、参数量大造成的大规模计算和较高的计算机硬件需求,提升了模型的可移植性。选取车辆颜色识别(Vehicle_Color_Recognition)数据集作为研究基础,针对数据集进行了扩充和增强处理。以SqueezeNet为基准探究了特征融合对分类结果的影响,通过对比试验确定将fire7/concat输出特征图和fire9/concat输出特征图相融合。研究结果表明:轻量级卷积神经网络SqueezeNet在保证模型大小2.9 M、单张测试时间15 ms的基础上,训练精度为96.28%,而AlexNet的模型大小为227 M、单张测试时间24 ms、训练精度为96.18%;在实现同等精度的前提下,轻量级卷积神经网络SqueezeNet训练得到的模型更适合移植到如现场可编程门列阵(FPGA)这种开发板上,同时在服务器上的处理速度也更快;融合后的模型最终的分类结果提升为96.48%。利用轻量级卷积神经网络SqueezeNet进行车辆颜色识别可以较好地应用在智能交通系统中,并在一定程度上解决目前车牌识别的难点。     

基于循环神经网络的人体行为识别

使用4种类型的循环神经网络模型(RNN、GRU、LSTM、BLSTM)处理手机传感器采集的异构时间序列数据,用于人体行为识别研究.针对4种模型,分别构建自动特征提取方法,并对参数设置进行优化.在公开数据集UCI HAR上进行了行为识别测试实验,实验结果表明,BLSTM模型的识别精度高达95.7%,可以有效地用于行为识别,其识别率和性能优于其他3种循环神经网络,且高于卷积神经网络深度学习方法.     

语音识别中的DenseNet模型研究

为了解决语音识别中由网络加深导致的低层特征消失、参数量大及网络训练困难的问题,基于Inception V3网络的非对称卷积思想,提出了一种改进的密集连接卷积神经网络(densely connected convolutional neural networks, DenseNet)模型。根据语音识别的长时相关性,通过密集连接块建立起不同层之间的连接关系,从而保存低层特征、加强特征传播;为了得到尺度更丰富的声学特征,将卷积核的范围进行扩大;利用非对称卷积思想分解卷积核,以减少参数量。实验结果表明,相较经典深度残差卷积神经网络模型和原始DenseNet模型,提出的模型在THCHS30数据集上的语音识别性能更好,在保证识别率的情况下,还减少了网络参数量,提高了模型训练效率。     

基于深度学习的化妆品塑料瓶缺陷检测

提出一种基于深度卷积神经网络的化妆品塑料瓶表面缺陷检测算法。采用百万像素级别的工业相机采集大量的塑料瓶图像样本,并通过HSV(hue,saturation,value)颜色空间变换和Otsu阈值分割等方法对图像进行预处理。采用随机图像变换法对数据集进行增强,并对图像进行标准归一化处理。在卷积神经网络模型中应用深度可分离卷积和Dropout技术以减少参数量,从而避免过度拟合。使用训练样本集训练该模型,并在测试集中将结果与几种经典图像识别算法进行比较分析,结果显示,本文算法的识别准确率高达约0.97。由此表明本文算法的效果优于其他经典算法,有望将其应用于化妆品塑料瓶缺陷检测的工业自动化系统,以提升缺陷识别效果,从而提高生产效率。     

基于卷积神经网络的猪脸特征点检测方法

针对牲畜面部识别在养殖行业广泛需求的问题, 提出一种基于卷积神经网络的猪脸特征点检测方法, 解决了猪脸特征点难检测的问题. 首先, 采集猪面部数据并进行特征点标注, 使用新的采集方法以解决猪口部通常不可见的问题； 其次, 对猪脸数据和人脸数据进行结构计算, 匹配相似度较高的猪脸和人脸, 构建猪脸人脸匹配数据集； 再次, 利用匹配数据集训练TPS(thin plate spline)形变卷积神经网络, 得到形变后的猪脸数据集以适配人脸特征点检测模型； 最后, 使用形变猪脸数据集对人脸特征点检测神经网络模型进行微调, 得到猪脸特征点检测模型. 实验结果表明, 用该方法进行猪脸特征点检测, 错误率仅为5.60%.     

基于集成卷积神经网络的交通标志识别

以交通标志识别为研究目的,提出一种基于集成卷积神经网络的交通标志识别算法,通过对多个不同结构的卷积神经网络进行集成以提高算法识别率。为了缩短网络训练和测试时间以及提高网络识别率,对单个卷积神经网络的结构进行了优化。使用ReLU(rectified linear unit)激活函数来代替传统的激活函数,使用批量归一化(batch normalization,BN) 方法对卷积层输出数据进行归一化处理,将卷积神经网络的分类器用支持向量机(support vector machine,SVM)代替。使用德国交通标志识别数据库(german traffic sign recognition benchmark,GTSRB)进行训练和测试,实验结果表明,提出的算法识别率为98.29%,单幅交通标志图像测试时间为1.32 ms,对交通标志具有良好的识别性能。     

基于振动与声音信号深度学习的岩性识别方法

岩性识别对地质勘查和储层评价具有重要意义,科学有效地开展岩性自动识别的相关研究能够有效地为勘查过程提供指导,减少工作的盲目性和冗杂性。针对常见的砂岩地层,选择三类砂岩,基于室内微钻试验台,设计钻杆转速、钻孔深度和钻孔位置三个变量,检测钻进过程中产生的振动和声音特征信号。将采集的振动和声音信号预处理,提高信噪比,生成数据集。将振动和声音的数据集按6∶2∶2的比例划分为训练集、验证集和测试集,之后分别构建二维卷积神经网络和一维卷积神经网络并使用训练集和验证集训练岩性识别模型,最后运用未经训练的测试集验证模型准确率。模型训练完成后,以频谱图为数据集的振动信号识别模型准确率达到95.19%,以梅尔频率倒谱系数为数据集的声音信号识别模型准确率达到73.58%。研究结果表明,不同岩性在钻进过程中产生的振动和声音信号具有不同信号特征,基于振动和声音信号的岩性自动识别方法可以较好地实现几类砂岩的自动识别,这为地质勘查时的岩性自动识别提供了参考与依据。     

基于Geant4的联合模型神经网络法解析γ能谱

利用Geant4模拟软件及MATLAB计算软件,开展多人工神经网络模型定量分析低计数率核素的研究,分析了包含五个不同类型网络的BP神经网络模型对国控环境监测站NaI(Tl)探测器模拟能谱的识别能力。实验结果表明:多网络模型的使用有利于提高低计数核素的识别准确度,能够有效识别未知核素的存在与否。