基于深度卷积生成对抗网络的植物图像识别方法的研究

提出使用深度卷积生成对抗网络进行植物图像识别方法.首先,利用生成式对抗网络生成植物图像样本,然后,利用判别网络中的卷积神经网络来提取图像特征,实现对生成网络产生的样本进行判别,以提升模型对图像数据分布的理解,从而达到了通过构建卷积神经网络对生产样本的质量进行测试的目标.实验结果表明,该方法生成的植物图像能够有效的提高卷积神经网络的识别准确率.     

基于卷积神经网络的胶囊内镜息肉与溃疡辅助诊断

针对目前胶囊内镜(WCE)自动检测方法需要对每种病灶设计对应的识别算法以及识别准确率不高的问题,设计一种基于卷积神经网络的息肉与溃疡辅助诊断算法。与传统检测算法相比,卷积神经网络可自动学习病灶图像特征,实现更强泛化能力,更高准确率和效率。该方法针对具体WCE图像,首先评价图像R、G、B通道携带信息的特征;其次,分析全局直方图均衡化、伽玛变换和拉普拉斯变换对提升图像对比度的效果,选择其中表现最佳者与信息最丰富的2个颜色通道组合成3通道输入到卷积网络中训练和识别。测试表明,本算法识别准确率96.8%,比传统的经典图像检测方法高出至少16.73%,检测速度达到68.6图/s,能够推广应用到医疗辅助诊断领域。     

基于级联卷积神经网络的公路路基病害识别

针对当前公路路基病害识别中探地雷达(GPR)技术的数据分析还依赖于人工识别,识别效率低、准确性差问题,建立了级联卷积神经网络来实现自动识别探地雷达图像所反映路基病害的任务。级联卷积神经网络系统由2个卷积神经网络组成,分别用于识别低分辨率和高分辨率探地雷达图像。神经网络的建立包括训练、验证和测试3个步骤。通过训练和测试的结果验证了级联卷积神经网络系统的稳定性,并将级联卷积神经网络和Sobel边缘检测,K值聚类分析进行比较,以论证其优越性。结果表明:级联卷积神经网络在路基病害分类训练中的识别准确率为97.46%,验证中的识别准确率为95.80%,其识别路基病害的精度较高;级联卷积神经网络对发射频率300、500、900 MHz的图像分类准确率分别为94.20%、93.89%、94.57%,对不同公路结构的图像分类准确率分别为94.80%、94.78%、94.28%、94.21%,可见级联卷积神经网络的识别准确性不受雷达发射频率和路面结构的影响;当图像分辨率较低时,Sobel边缘检测和K值聚类分析无法准确提取路基病害几何特征信息,级联卷积神经网络可通过分类器2准确识别;当图像分辨率较高时,Sobel边缘检测和K值聚类分析仅能提取路基病害的部分特征,后续病害类型的识别需要人工完成。可见级联卷积神经网络较其他算法在路基病害识别方面更准确、高效。     

基于深度学习One-stage方法的焊缝缺陷智能识别研究

目前基于深度学习的卷积神经网络在对焊缝缺陷射线图像进行智能识别时,多采用基于候选区域的two-stage方法,检测速度难以满足实时性要求。针对该问题,提出基于深度卷积神经网络的one-stage焊缝缺陷识别定位算法,将整张图像输入网络,并直接在输出图像上标定目标缺陷位置及类别。通过采用特征金字塔、减小网络深度、引入跳跃连接卷积块和K-means算法等方法对YOLO网络进行改进,提高了网络对焊缝缺陷识别定位的准确率和速度。实验结果表明:该方法比two-stage识别定位算法和YOLO原网络在检测速度和检测精度方面都有所提升,单个图像的平均识别准确率为94.9%,召回率为94.1%,处理时间为19.58 ms,具备焊缝缺陷在线实时识别的工程应用价值。     

基于卷积神经网络的壁面清洗机器人障碍物检测识别算法

结合机器人的工作原理以及卷积神经网络(CNN)在图像分类中的应用,提出了一种基于卷积神经网络的壁面障碍物检测识别算法.首先,以壁面障碍物准确识别为目标,构建壁面障碍物图像库;然后,通过对VGG-16网络简化后进行优化,得到适合壁面障碍物准确识别的卷积神经网络模型.在此基础上,设计该网络由输入层、4层卷积层、2层池化层、1层全连接层以及输出层组成,进一步利用3×3卷积核对训练样本进行卷积操作,并将所获取的特征图以2×2领域进行池化操作.重复上述操作后,通过学习获取并确定网络模型参数,得到最佳网络模型.实验结果表明,障碍物的识别准确率可达99.0%,具有良好的识别能力.     

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%.     

嵌入特征预提取和注意力机制的SAR图像目标检测

合成孔径雷达(Synthetic Aperture Radar,SAR)目标识别技术广泛应用于道路、船舶等检测任务中,但合成孔径雷达图像易受散斑噪声干扰,直接将卷积神经网络(Convolutional Neural Network,CNN)应用在SAR数据集上难以高效准确地提取有效特征.针对以上问题,提出了一种嵌入特征预提取和注意力机制的SAR图像目标识别算法(Convolutional Automatic Encoder-Convolutional Neural Network-Channel and Spatial Atten-tion Mechanism,CAE-CNN-CSAM),即利用优化的Lee滤波算法降低SAR图像斑点噪声,通过编解码技术对SAR图像进行特征预提取,而后在卷积神经网络中引入注意力机制,提高算法对通道和空间特征的表达能力.在公开的Statoil/C-CORE数据集上,该算法对目标的识别准确率达到了94％,相比于目标识别准确率约为88％的CNN等基准模型具有更高的目标识别性能.     

手写数字识别的系统设计

数字识别技术的研究不仅可以解决当下面临的数字识别问题,同时在图像识别,机器学习等方面也有铺垫作用。该文主要通过卷积神经网络(CNN)方法实现手写数字的识别。先设计网络模型,再用MNIST数据集训练,并测试网络模型的识别准确率,接着对手写数字进行图像的预处理,输入到模型中,验证正确程度。     

基于图像分割的驾驶员分心行为识别研究

针对驾驶员分心行为对交通安全产生隐患的问题,提出一种结合图像分割与卷积神经网络的驾驶员分心行为检测方法。该方法通过使用图像分割处理后的驾驶员不同分心行为的图像对卷积网络结构模型进行训练,来减轻背景噪声的影响,以提高模型的识别性能。试验中使用未经分割的图像与经过前景分割后图像分别训练卷积神经网络模型,用分割后图像训练的模型识别的准确率达到了93.84%,高于使用原图像训练的模型。试验结果表明,结合图像分割和深度学习的驾驶员分心行为检测方法对驾驶员的分心行为有较好的检测效果。     

基于小波变换和改进PCA的人脸特征提取算法

针对在人脸图像高维数据降维时单纯使用主成分分析(PCA)算法的提取精度和速度受限问题,  提出一种基于小波变换和改进PCA的混合特征提取算法. 该方法首先对人脸图像进行小波分解, 选取低频分量对人脸图像进行特征提取;然后利用改进的PCA算法进行主成分提取, 获得代表人脸特征的特征向量; 最后将该算法应用于Olivetti Faces人脸库数据集的图像分类. 实验结果表明, 经过该混合算法处理后的图像特征数据, 由卷积神经网络(CNN)算法分类识别时准确率提升10%, 识别速度提高约37%.     

基于卷积神经网络的交通标志识别方法

针对卷积神经网络(CNN)在交通标志识别过程中出现的梯度弥散而引起的识别率低的问题,给出了基于改进CNN结构的交通标志识别方法.实验结果表明:该方法能够有效提高识别精度,防止梯度弥散.     

基于多尺度3D卷积神经网络的行为识别方法

近年来卷积神经网络(convolutional neural network,CNN)在行为识别任务中取得了较大的进展.然而,现有的神经网络方法往往只注重高层语义信息的利用,对浅层特征信息挖掘利用不够.针对这一问题,提出一种基于3D卷积(convolution 3D,C3D)的多尺度3D卷积神经网络的行为识别方法.该方法受到特征金字塔结构的启发,在原C3D的基础上融合C3D的浅层特征信息,实现端到端的行为识别.同时该方法以现有的深度学习理论为基础,利用迁移学习的思想,将C3D和该方法中相同模块部分的参数迁移到本方法中,以降低模型的训练时间.通过在UCF101数据集上进行实验,实验结果表明,提出行为识别方法的分类精度达到84.56％,分类效果优于原C3D分类网络.     

基于深度学习的二值图像目标轮廓识别算法

针对传统目标轮廓识别算法对图像目标轮廓识别精度较低、 效果较差的问题, 提出一种基于深度学习的二值图像目标轮廓识别算法. 首先, 选取深度学习算法中的深度卷积网络算法识别二值图像目标轮廓, 将二值图像划分为不重叠的、 大小相同的子块图像输入深度卷积网络第一层; 其次, 卷积网络中的滤波器（卷积核）采用传统神经网络算法优化的代价函数对输入子块图像实施卷积滤波, 并将卷积滤波后下采样图像发送至第二层, 第二层经过相同处理后将结果输入第三层, 第三层输出图像即为该子块目标轮廓识别结果; 最后, 所有子块识别结束后在输出层通过全连接方法将其聚类, 并输出最终二值图像目标轮廓识别结果. 实验结果表明, 该算法识别15幅二值图像目标轮廓的识别精度平均为98.75%, 信噪比平均为2.42, 识别效果较优.     

基于深度学习的藻类混凝去除率预测方法

针对目前水厂应对藻类爆发时混凝剂投加量难以确定的问题,提出一种基于深度学习的藻类混凝去除率预测方法,利用DenseNet卷积神经网络和絮体图像对藻类混凝去除率进行预测,从而对投药量进行调整 . 具体做法是,在实验室条件下对高藻水进行混凝处理,记录混凝处理后的絮体图像和对应的去除率 . 以去除率区间为标签构建絮体图像数据集,利用此数据集对 DenseNet-121模型进行训练 . 结果显示,训练后的模型对测试集的预测准确度达到了 89.5%,与 VGG 和 ResNet模型相比,利用 DenseNet模型对本文建立的数据集进行识别的精确度更高,且在识别去除率在 60%~90% 区间的絮体图像相较于其他两种模型具有明显优势. 同时通过对数据集外的铜绿微囊藻絮体图像进行识别,验证了模型具有良好的泛化性.     

基于深度学习的二值图像目标轮廓识别算法

针对传统目标轮廓识别算法对图像目标轮廓识别精度较低、 效果较差的问题, 提出一种基于深度学习的二值图像目标轮廓识别算法. 首先, 选取深度学习算法中的深度卷积网络算法识别二值图像目标轮廓, 将二值图像划分为不重叠的、 大小相同的子块图像输入深度卷积网络第一层; 其次, 卷积网络中的滤波器（卷积核）采用传统神经网络算法优化的代价函数对输入子块图像实施卷积滤波, 并将卷积滤波后下采样图像发送至第二层, 第二层经过相同处理后将结果输入第三层, 第三层输出图像即为该子块目标轮廓识别结果; 最后, 所有子块识别结束后在输出层通过全连接方法将其聚类, 并输出最终二值图像目标轮廓识别结果. 实验结果表明, 该算法识别15幅二值图像目标轮廓的识别精度平均为98.75%, 信噪比平均为2.42, 识别效果较优.     

基于改进的卷积神经网络多姿态人脸识别研究

针对目前的人脸识别算法在面对不同姿态下的人脸图像时识别率低的问题,提出了一种基于改进的卷积神经网络的算法。该算法通过对经典的卷积神经网络LeNet-5 的卷积核数目、卷积核尺寸、池化层方式和正则化手段等参数进行了优化改进,从而能对多姿态人脸图像特征进行有效提取。仿真实验结果表明,该算法在识别率与识别时间上均有显著提高。     

基于多特征融合卷积神经网络的人脸表情识别

针对卷积神经网络特征提取不够充分且识别率低等问题,提出了一种多特征融合卷积神经网络的人脸表情识别方法。首先,为了增加网络的宽度和深度,在网络中引入Inception结构来提取特征的多样性;然后,将提取到的高层次特征与低层次特征进行融合,利用池化层的特征,将融合后的特征送入全连接层,对其特征进行融合处理来增加网络的非线性表达,使网络学习到的特征更加丰富;最后,输出层经过Softmax分类器对表情进行分类,在公开数据集FER2013和CK+上进行实验,并且对实验结果进行分析。实验结果表明:改进后的网络结构在FER2013和CK+数据集的面部表情上,识别率分别提高了0.06%和2.25%。所提方法在人脸表情识别中对卷积神经网络设置和参数配置方面具有参考价值。     

改进残差神经网络在遥感图像分类中的应用

针对传统卷积神经网络随着深度加深而导致网络退化以及计算量大等问题,提出一种改进残差神经网络的遥感图像场景分类方法。该方法以残差网络ResNet50作为主框架,在残差结构中引入深度可分离卷积和分组卷积,减少了网络的参数量和计算量,加快模型收敛的同时也提升了分类精度。此外在网络中嵌入多尺度SE block模块对通道特征进行重校准,提取出更加重要的特征信息,进一步提升了网络的分类性能。在AID和UCMerced_Land Use两个公开数据集上的分类精度分别为91.92%和93.52%,相比常规残差网络分类精度分别提高了3.38%和10.24%,证明所提方法在遥感图像场景分类任务中的可行性和有效性。     

改进深度可分离卷积的SSD车型识别

针对现有车辆识别方法对于车型实时识别能力不足的问题,提出一种改进的深度可分离卷积的SSD(single shot multibox detector)算法用于车型识别研究.首先,利用深度可分离卷积网络进行特征提取,并引入反残差模块来解决因通道数少、特征压缩导致的准确率下降问题.其次,以车辆的刚体特性为依据,重新设计区域候选框,减少模型参数运算量.最后,在BIT-Vehicle数据集上进行消融实验来对比不同网络模型性能差异.结果表明:改进的深度可分离卷积的SSD车型识别方法有更好的车型识别效果,可以达到96.12％的识别精度,检测速度提高至0.078 s/帧.     

基于 CNN 和 Group Normalization 的校园垃圾图像分类

为解决大学校园的垃圾回收分类问题, 提出了一种基于卷积神经网络和归一化技术的垃圾图像分类方法, 不需要对输入的图像进行复杂的处理, 网络模型即可根据算法提取图像特征, 通过加入群组归一化(GroupNormalization)和网络模型各层之间的协作, 克服传统分类算法的缺点, 实现对垃圾图像的分类。 实验表明,该识别方法具有较高准确率, 可以较好识别不可回收及可回收垃圾。