基于卷积神经网络的室外运行太阳能电池板裂纹检测

针对室外运行的太阳能电池板裂纹检测问题,提出一种基于卷积神经网络的自动检测算法.首先,采用寻找轮廓、拟合四边形和透视变换等图像处理方法对采集的太阳能电池板电致发光图像进行矫正;然后,采用背景去除、图像投影、电池单元边界线寻找和透视变换等方法将矫正的图像分割为太阳能电池单元图像;最后,应用经训练的改进卷积神经网络检测电池单元图像是否含有裂纹.训练神经网络时,使用欠采样与过采样技术解决正负样本的不平衡问题.结果表明:该算法在测试集上的准确率可达96.37%,满足太阳能电池板自动分割的要求,能有效检测出有裂纹的电池单元.     

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.      

基于嵌入式系统的室内人体跌倒行为检测方法的实现

提出了基于视觉和嵌入式系统来检测室内人体跌倒行为的方法,采用多线程算法进行图像采集和处理.运用基于简化高斯模型的自适应背景减除算法得到二值前景图像,并引入了形态学滤波,通过简化的目标宽高比算法判断人体跌倒行为是否发生,并进行虚报警判断.试验证明该系统的整体设计达到了实时性、准确性兼顾的特点.     

基于BP神经网络和随机森林的织物图像疵点判别网络

设计了一种基于3个两层BP神经网络和随机森林的织物图像疵点判别网络.借助频谱图滤波、灰度共生矩阵和局部二值模式提取织物图像的3个特征向量,经过3个独立的两层BP神经网络进行训练和测试,利用BP神经网络测试结果并结合随机森林得到最终的判别结果.试验结果表明,设计的网络判别能力强,准确率达到99.9％.     

基于卷积神经网络的多光谱掌纹识别技术

在多光谱掌纹图像采集设备研发的基础上,提出一种基于卷积神经网络的多光谱掌纹识别方法.该方法使用ResNet-18网络对掌纹图像进行特征提取,应用特征级融合方法并将融合后的特征送入SVM分类器中进行决策.实验结果表明,所提出的多光谱掌纹识别方法可以有效提升掌纹图像特征判别效率,相比于单光谱方法和传统的神经网络算法具有更高...     

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.     

基于神经网络的PCB焊点检测方法

针对目前自动光学检测系统在进行焊点检测时容易出现缺陷误报和漏报,以及智能化程度不高的问题.提出了一种基于神经网络的检测方法.首先采用一种基于熵的多阈值自动图像分割方法来提取焊点;然后定义焊点图像的一系列特征,并通过实验对特征进行选择;最后建立用于焊点分类的BP神经网络.实验证明,基于神经网络的焊点图像检测方法具有较高的准确率.     

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。     

基于深度学习的智能辅助驾驶系统设计

本文提出一种基于机器视觉和深度学习的智能辅助驾驶系统。软件系统主要在阿里云服务器上运行,利用云端服务器实现对深度学习卷积神经网络的训练和对几种马路上常见障碍物的检测识别,并采用双目视觉,根据视觉差,计算出障碍物与车辆的距离。硬件系统采用嵌入式ARM9作为中央控制单元,搭载Linux系统,协调4G无线通信模块、摄像头采集模块和智能语音播报模块进行运作。实现前端图像的采集压缩、与云服务器的通信以及将障碍物种类和距离播报的功能。本系统使用前端硬件在马路上采集障碍物图像发送到服务器的caffe框架上,在训练好的卷积神经网络上进行测试,结果表明该系统能实时准确地将车辆周围信息以语音的方式播报给驾驶者。     

基于改进Mask R-CNN的可见光图像中舰船目标检测方法

针对基于卷积神经网络的目标识别方法中经典的矩形检测框在检测舰船目标时会框出很多无关区域,易出现漏检、误检等问题,提出基于改进Mask R-CNN （mask region-based convolution neural networks）的舰船目标检测方法,在Mask R-CNN网络的基础上通过增加判别模块、类别预测分支和语义分割分支对视觉系统采集的可见光图像中的舰船目标进行目标定位和类别预测,同时获得舰船目标的边缘轮廓并实现对军舰目标的语义分割,为海上无人作战系统提供更精确的信息.实验结果表明,该方法在保持较高检出率和运行效率的同时误检率较低,舰船目标的平均检测精度较高,具有良好的舰船目标检测性能.      

基于Halcon的蒸汽发生器堵板操作机器人视觉定位算法

蒸汽发生器的工作环境复杂、危险,施工人员在完成堵板螺栓紧固时存在一定的风险。介绍了一种基于图像识别的螺栓紧固方法。机器人自主作业平台主要包括机器人系统和图像采集系统两个部分,采用图像处理软件Halcon,实现基于灰度值的图像阈值分割,利用圆形曲线算法得到圆后,最终得到圆的几何中心。此外,还显示了采用扭矩和时间控制方法的紧固螺栓方法。最后通过螺栓实验和精度验证了图像识别和螺栓紧固的过程。结果表明针对堵板机器人螺栓定位问题采用的基于阈值分割的定位算法识别率为100%,定位最大误差为1.10mm,最小误差为0.92mm,满足堵板机器人螺栓自主定位的精度要求。     

棉花异性纤维在线检测系统研究与实现

棉花异性纤维危害大,人工挑拣时效率低下。为了通过机器将其实时的分拣出来,研究并设计了一种异性纤维在线检测系统;其中包括棉流图像的采集、预处理,以及异纤识别等过程。通过两个高速线阵CCD扫描摄像机获取原棉图像,预处理时,针对图像中光照分布不均导致的亮度分布不一致问题,提出了基于行的照度不均修正技术;异纤识别方面,提出了基于四方向绝对差分的边缘提取;并通过阈值分割的方法得到异纤边缘。图像识别前,将图像按照执行机构排列进行均匀分割,使得算法输出指令可以直接对应到相应的执行机构。现场测试表明,该系统能够有效检测出异纤,速度快、精度高、可靠性好,实现了生产自动化。     

基于人工神经网络的汉语数字语音识别系统

利用改进的有序聚类算法得到解决时间规整问题的新算法,在此基础上建立了基于人工神经网络的普通话数字语音识别系统。对基于人工神经网络的算法和基于动态时间伸缩的算法作比较识别实验,结果表明,基于人工神经网络的语音识别算法的识别性能优于传统的动态时间伸缩算法。     

基于模糊神经网络的工程车辆换挡试验系统开发

介绍了一种基于模糊神经网络（fuzzy neural networks,FNN）的工程机械自动换挡控制试验系统的开发研制工作,该控制系统是模糊系统与神经网络的结合体,除了保留常规模糊控制器的语言信息处理功能以外,同时具有神经控制系统的监督学习、自动知识获取功能,这使得控制系统对工况环境具有更好的适应性,台架测试表明：该系统对某一习惯性最佳操作具有重视能力,进而达到控制系统对工程机械变速箱挡位合理选择之目的。     

基于卷积神经网络的桥梁裂缝检测与识别

针对当前中国检测桥梁裂缝依赖人工目测,危险系数极大的落后现状,研究了一种基于数字化和智能化的检测方法,以提高桥梁安全诊断效率,降低危险系数。结合机器视觉和卷积神经网络技术,利用Raspberry Pi处理器采集和预处理图像,分析裂缝图像的特点,选取效果检测和识别裂缝效果最佳处理算法,改进裂缝分类的卷积神经网络模型(CNN),最终提出一种新的智能裂缝检测方案。实验结果显示:该方案能够找到超出桥梁裂缝最大限值的所有裂缝,并可以有效识别裂缝类型,识别率达90%以上,能够为桥梁裂缝检测提供参考数据。     

基于显微图像模式识别的粉丝品质检测研究

粉丝由植物淀粉加工而成. 鉴别粉丝中淀粉的种类及成分比例对食品的营养与安全具有重要而现实的意义. 目前商检中主要依靠感官评价,可靠性差. 为此提出以图像处理、模式识别、人工神经网络为基础的粉丝计算机自动分类和检测新方法. 以粉丝组织的显微图像为基础,运用灰度共生矩阵和分形理论提取显微图像的特征,并将提取出来的特征用做神经网络淀粉品质分类的输入,建立了粉丝中淀粉品质的自动检测系统. 实验结果表明,该方法可行,结果较好.     

工艺设计实例推理的神经索引模型的研究

提出了一种基于神经网络的工艺实例推理索引模型，与现存大多数实例推理系统不同，该方法用神经网络实现实例的动态分类和索引，实例层次分类的３层结构和基于特征的聚类模板概念，为实现基于符号处理的实例推理求解模式向基于向神经计算模式识别求解模式映射提供了条件。     

基于深度学习的树种图像自动识别

【目的】为了探究深度学习方法用于林业树种图像智能识别的可行性,提出一种基于深度学习方法的自动识别树种新方法。在TensorFlow框架下,对卷积神经网络(CNN)模型进行改进,对7类树种图像进行自动识别研究。【方法】首先,在图像库建立时,为增加特征选择多样性,选择树木的树皮和树叶图像,保留自然背景;另外,考虑到同一树种在不同树龄条件下树皮图像存在差异,因此加入不同树龄的树皮图像,并用胸径指标来表示树龄大小。其次,对每类树种图像随机挑选100张作为测试集,剩余数据集全部作为训练集。通过反复试验比较不同CNN结构设置、卷积层数量、全连接层层数、学习率等对结果的影响。采用Adam算法代替传统的随机梯度下降(SGD)算法,对模型进行优化,用指数衰减法对学习率进行调节,在交叉熵函数中加入L2正则项对权重进行惩罚,并采用Dropout策略和ReLU激励函数,以避免训练过程中过拟合现象。最后,确定适合试验要求的13层CNN结构,同时比较深度学习方法和传统人工特征识别方法的差异,与已有的树种图像识别方法做对比。【结果】提出的13层树种图像识别模型,对训练集和测试集取得了理想的识别效果,识别率分别为96.78%、91.89%,在未参与训练的验证集上取得了96%的平均准确率。相对于已有的人工特征识别方法,所提出的方法识别效率和准确度更高。【结论】基于改进的卷积神经网络树种识别模型识别效果明显高于传统方法,说明所提出的方法能够应用于树种识别,可为林业树种图像自动识别提供一条新思路。     

基于LVQ神经网络的医学图像识别研究

以医学肝脏CT图为研究对象,设计了一种基于LVQ神经网络的医学图像识别方法。基本思想是首先确定图像ROI区域,并作灰度映射变换。接着提取其颜色、纹理和形状特征构成表征医学图像的特征矢量,最后将特征归一化后利用LVQ神经网络进行识别。通过与其他典型神经网络识别方法的实验比较,结果表明,设计的方法能取得更为理想的识别效果。