基于深层卷积神经网络的智能导盲终端设计与应用

提出一种基于深层卷积神经网络的智能导盲终端系统的设计方案。针对卷积神经网络层数较深,计算资源消耗较高的缺点,使用两台搭建Linux系统的中央处理器进行并行计算处理,两个处理器分别用作网络计算和系统控制。其中采用基于Cortex-A53架构的Raspberry PI3作为网络计算加速单元,利用GPU加速深层卷积神经网络的计算,采用基于Cortex-A9架构的I. MX6Q为系统控制单元。硬件配置双目图像采集、GPS定位、4G通信、语音播报、实时求助六大核心功能模块。经系统实测表明,该智能导盲终端在复杂环境中能对常见障碍物的种类及当前场景、警示标志实现准确识别,还具有快速求助、报时、APP应用等多项辅助功能。系统主从结构的并行处理方式,能将深度学习框架直接搭建在前端运行,大大减少了系统反应时间,提高了实时使用效率。     

基于1760语音模块的汽车倒车防撞语音提示系统设计

目的设计一种汽车倒车防撞系统,可实时显示汽车与目标障碍物的距离,并可进行语音提示。方法系统以AT89S52单片机为主控芯片,由键盘设置安全距离,利用超声波传感器探测目标障碍物信息,由18B20进行温度检测,经温度补偿后确定与目标障碍物距离,实时显示距离,并由1760语音模块提示测量距离与安全距离的关系,提醒使用者注意调整距离。结果给出了系统的详细硬件设计方案及主要软件流程图,采用温度补偿,在倒车系统中满足精度要求。结论本系统结构简单,价格低廉,具有智能语音播报功能和距离显示功能,可用于机动车倒车等领域。     

基于机器视觉与Andriod的停车场智能管理系统

为了实现停车场的智能与精确管理,设计了一套基于机器视觉与Andriod的停车场智能管理系统。首先,集成网络摄像头、数据处理服务器硬件和Andriod终端显示器,组成系统硬件平台;嵌入机器视觉算法和局域网通信,构建了停车场智能管理系统架构。然后,基于10万帧各场景各车型的大数据样本,利用卷积神经网络四层训练,设计了车牌定位检测算子,实现车辆有无判断与车牌定位。在Visiual Studio平台开发系统,并对该智能管理系统进行了测试,输出结果表明:所提出的停车场智能管理系统,在车牌检测和系统智能性方面,都优于传统停车场管理系统。     

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...     

基于深度学习的输电线路危险源智能监控系统

为了掌握输电线路的实时状态,提出一种基于深度学习的输电线路危险源智能监控系统.该监控系统主要包括:信号采集端、内部光纤网络、服务器控制中心、显示终端,其中服务器控制中心的输电线路危险源智能辨识算法是整个系统的核心.该算法采用稀疏自编码从图像/视频信号中学习特征,完成深度神经网络的训练;然后用卷积和池化对特征进行降维;最后采用softmax回归来解决危险源的多分类问题.经实例验证,基于深度学习的危险源辨识算法,可以准确对危险源进行判别.监控系统将判别结果反馈到显示终端,可以全面掌握整个线路运行情况,确保电力系统的安全运行.     

基于单片机的语音识别控制电压播报仪

为实现利用人的语言和听觉来完成一系列双手工作的目的，我们借助于单片机对语音进行识别处理．语音识别控制电压播报仪是基于SPCE061A单片机开发出来的语音识别控制和播报系统．它的硬件部分主要由外部降压电路、MIC输入电路、SPCE061A单片机、音频放大设备等组成，软件部分则由语音识别训练模块、语音识别模块、模数转换模块、数据处理模块、语音播报模块组成，通过对系统的初始化和识别训练使之能够对所训练的语音进行识别，进而触发一系列过程：模数转换→数据处理→语音播报电压．实验结果表明，这个系统能够准确地识别语音命令，得到测量结果．     

一种基于视觉的库区可疑目标识别算法研究

针对库区巡检图像采集设备对图像目标智能识别需求,进行基于视觉的远距离可疑目标识别算法设计与实现. 采用目标检测算法对图像进行目标识别并采集,通过基于卷积神经网络的深度学习模型卷积层对目标图像提取特征,采用基于机器学习传统方法的浅层网络对特征进行可疑目标分类. 根据算法设计实验,实验结果表明本算法模型识别效果良好,可有效减少人工识别工作量,能满足实际应用需要要求.      

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。     

基于双层卷积神经网络的步态识别算法

提出运用双层卷积神经网络模型实现基于足底压力图像的步态识别方法.首先,对足底压力数据采集系统采集的图像作相应预处理;然后,用双层卷积神经网络模型学习得到足底压力图像的单层和双层卷积特征;最后,将卷积特征训练分类器得到分类结果.实验结果验证了该算法的有效性.     

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。     

基于分水岭分割和颜色深度特征的眼球图像识别算法研究

为了提高眼球手术的成功率,提出了基于眼球图像分割和深度学习颜色特征的眼球图像识别算法.联合图像分割技术和深度学习技术,建立眼球精准识别机制.首先,采集眼球手术视频和图像,并结合阈值分割、分水岭分割和颜色区域分割,实现眼球目标的分割;然后,基于卷积神经网络,运用Python和pytorch的开源框架,开发深度神经网络识别模型,并结合大数据中医诊疗经验,构建专家检测系统,以准确定位眼球;最后,根据用户软件需求,开发出具有图像采集、视频采集、电子信息履历保存等应用功能的客户端软件.实验测试结果显示:算法有利于眼球图像分割系统的落地,为智能眼球图像分割系统设备提供了算法和软件参考.     

基于机器学习的智能垃圾分类系统设计

近几十年人们对于垃圾分类处理越来越重视,针对目前人工垃圾分类工作量大,效率较低等问题,提出了基于机器学用ＢＲＩＳＫ特征提取算法,实现图像检测,以ＪＱ８４００语音模块实现语音播报功能。经测试,本系统进行垃圾分类的准确度达到习的智能垃圾分类系统。以ＳＴＭ３２Ｆ１０３ＺＥＴ６单片机作为主控模块,以ＯｐｅｎＭｖ４Ｈ７作为摄像头采集模块,采集垃圾图片,采９８％,可以按照目前的垃圾分类方案播报为厨余垃圾、有害垃圾、其他垃圾、可回收垃圾。系统操作简单,性能可靠,成本低,完成了垃圾识别与检测功能     

基于深度残差卷积神经网络的高光谱图像超分辨方法

卷积神经网络由于其强大的非线性表达能力在自然图像的处理问题中已经获得了非常大的成功。传统的稀疏表示方法利用精确配准的高分辨率多光谱图像,从而限制了实际应用。针对传统方法的不足,本文提出了一种基于深度残差卷积神经网络的单高光谱图像超分辨率方法,无需对应的多光谱图像。我们构建深度残差卷积神经网络挖掘低分辨率遥感图像和高分辨率遥感图像之间的非线性关系。构建的深度学习网络串联多个残差块,并去除一些不必要的模块,如批标准化层,每个残差块只包含两个卷积层,这样在保证模型效果的同时又加快模型的效率。此外,因为遥感图像训练数据缺乏,我们充分挖掘自然图像和高光谱图像之间的相似性,利用自然图像样本训练卷积神经网络,进一步利用迁移学习将训练好的网络模型引入到高分辨率遥感图像超分辨问题上,解决了训练样本缺乏问题。最后,基于实际的遥感数据超分辨实验结果表明,本文所提出的方法具有良好的性能,能得到较好的超分辨效果。     

基于深度学习的高分辨率遥感图像车辆检测

针对公路交通量的传统检测方法存在周期较长且需要人工辅助等问题,利用深度学习在目标检测领域的优势,提出基于深度学习的高分辨率遥感图像车辆检测方法。首先对遥感图像进行预处理和分割,提取所需的道路区域,减少其他区域的干扰;再利用高分辨率遥感图像数据集对深度卷积神经网络进行训练,得到用于车辆检测的模型,并最终得到有效的车辆检测系统。经过试验验证,该方法可有效地检测遥感图像道路区域中的车辆,并有较高的准确率。     

基于CNN的车辆检测中激活函数的研究

视频车辆检测是计算机视觉应用于汽车辅助驾驶系统的主要技术难点之一,卷积神经网络是现在视频车辆检测性能最好的计算机视觉算法,激活函数是卷积神经网络算法的重要模块,影响神经网络的收敛性和精确度。本文主要在模型训练和模型验证两个阶段分析激活函数的影响,讨论的函数包括sigmoid函数、Relu函数、Leaky-Relu函数及提出的一种半饱和ssatu函数,实验是以车辆检测YOLOv2算法为基础对不同激活函数的效果做了比较分析。实验表明:软饱和函数sigmoid和函数ssatu使模型收敛的速度最快,且连续可导非线性sigmoid函数使模型训练中损失值的振荡最小;在模型性能上体现出不抑制特征点的分段函数更适用于一般性的创建卷积神经网络。     

基于SegNet的非结构道路可行驶区域语义分割

为了增强自动驾驶车辆对非结构化道路中可行驶区域的场景理解能力,基于SegNet深度学习网络结构,提出了一种针对非结构道路的可行驶区域语义分割方法。在传统的卷积神经网络基础上,构建编码-解码深度卷积神经网络,用于自动习得图片中非结构化道路的特征,通过在数据集上进行训练和学习,得到图像语义分割模型,可直接用该模型预测非结构道路中的可行驶区域,实现自动驾驶车辆在非结构道路中行驶时的环境感知。实验结果表明,研究方法分割效果和精确度提升明显,Dice相似度和Jaccard相似系数均可达80%以上。     

基于卷积神经网络的高光谱图像谱-空联合分类

随着深度学习的发展,卷积神经网络在各种视觉任务中都具有优越的性能;特别是在二维图像分类上,更是获得了很高的分类精度。针对于高光谱图像分类问题,设计了一种新的卷积运算;利用高光谱图像谱-空联合信息建立三维卷积神经网络对其进行分类;并针对高光谱图像样本不均匀性,在网络输出不同类别加入不同的权重加以训练。通过对两个公开高光谱图像数据集的测试,相对于传统方法,能够得到更高的分类精度,表明卷积神经网络对高光谱图像具有更强的特征表达能力。     

基于深度学习的车辆前方障碍物距离估测

随着科技进步，自动驾驶系统的应用在未来必形成一种趋势，而车辆与障碍物之间的距离估测是自动驾驶系统中一个非常重要的技术.为了达到距离估测的目的，目前开发的自动驾驶系统大都需要依靠各式各样的距离传感器，例如激光雷达、雷达及超音波等，这些传感器在距离量测上通常具有高精度，但同时也伴随着高昂价格，这使自动驾驶系统的推广及普及变得越来越困难.本文提出了一个结合语义分割与深度估测的深度神经网络模型，其包含有相同卷积层数的编码器与解码器网络，将本文所提之网络架构在KITTI及Cityscapes资料集上进行训练，并在最后结合语义分割与深度估测等方法进行距离估测，实验结果证实，本文所提方法具有可行性.     

基于GSM的语音煤气报警系统

介绍了一种以GSM移动网络作为信息传输平台,以AT89C52单片机为主控制器,设计了一种以语音信息报警的智能煤气泄露报警系统。系统通过MQ-5采集煤气信息,通过用户设定一个上限值,当煤气含量超标时,AT89C52单片机通过GSM网络呼叫用户,用户接通后由语音模块播报语音报警信息,从而实现语音煤气报警过程。本系统的设计摆脱了传统的距离限制,使用户能在第一时间内收到报警信息,具有良好的应用前景。     

基于激光雷达和摄像机融合的智能车障碍物识别方法研究

针对智能车环境感知中单一传感器所存在的局限性问题,本文提出一种通过激光雷达融合摄像机来感应识别智能车前方障碍物的方法。首先,通过激光雷达与摄像机之间的校准,来实现目标的三维数据的图像投影,并进行视觉图像与目标的三维雷达数据的融合,以提取障碍物候选区域。其次,提出了一种基于卷积神经网络和SVM的障碍物识别模型,用于训练KITTI数据库中的数据,检测视觉图像中的行人和车辆目标,以此来得到所需要的单帧下各传感器的目标检测数据。实验结果表明,所提出的模型在KITTI中选择的小数据集上获得的模型在实际测试中具有良好的性能,具有可靠的识别能力和良好的分类结果。