一种基于深度卷积神经网络的车辆颜色识别方法

车辆颜色是车辆中显著而稳定的特征之一,在智能交通系统中具有重要的作用。针对人工设计的特征提取方法难以有效表达复杂环境下车辆颜色特征的问题,本文在AlexNet网络结构基础上,通过调整网络结构、优化网络参数,形成了基于卷积神经网络的车辆颜色识别网络模型。该方法不需要预处理过程,能够自适应地学习车辆颜色特征表示。对常见的车辆颜色进行训练测试的实验结果表明,本文提出的方法应用到车辆颜色识别问题上具有较好的优势。     

基于SqueezeNet和YOLOv2的交通违法证据评价

针对交通监控反向抓拍交通违法图像预判率高的问题,提出了一种基于迁移学习的多尺度交通违法证据评价方法.构建了以SqueezeNet为特征提取层、YOLOv2为目标检测层融合高分辨率细粒度特征的检测网络.通过卷积神经网络算法训练该模型学习抓拍车辆图像特征,识别图像中唯一交通违法车辆,再次训练识别驾驶员所在中心区域.在保证特...     

多尺度并行融合的轻量级卷积神经网络设计

针对传统深度卷积神经网络分类精度不佳,参数量巨大,难以在内存受限的设备上进行部署的问题,本文提出了一种多尺度并行融合的轻量级卷积神经网络架构PL-Net。首先,将上层输出特征图分别送入两种不同尺度的深度可分离卷积层;然后对并行输出特征信息进行交叉融合,并加入残差学习,设计了一种并行轻量型模块PL-Module;同时,为了更好地提取特征信息,利用尺度降维卷积模块SR-Module来替换传统池化层;最后将上述两个模块相互堆叠构建轻量级网络。在CIFAR10、Caltech256和101_food数据集上进行训练与测试,结果表明:与同等规模的传统CNN、MobileNet-V2网络及SqueezeNet网络相比,PL-Net在减少网络参数的同时,提升了网络的分类精度,适合在内存受限的设备上进行部署。     

基于注意力特征融合的SqueezeNet细粒度图像分类模型

针对现有细粒度图像分类算法普遍存在的模型结构复杂、参数多、分类准确率较低等问题,提出一种注意力特征融合的SqueezeNet细粒度图像分类模型.通过对现有细粒度图像分类算法和轻量级卷积神经网络的分析,首先使用3个典型的预训练轻量级卷积神经网络,对其微调后在公开的细粒度图像数据集上进行验证,经比较后选择了模型性能最佳的SqueezeNet作为图像的特征提取器;然后将两个具有注意力机制的卷积模块嵌入至SqueezeNet网络的每个Fire模块;接着提取出改进后的SqueezeNet的中间层特征进行双线性融合形成新的注意力特征图,与网络的全局特征再融合后分类;最后通过实验对比和可视化分析,网络嵌入Convolution Block Attention Module(CBAM)模块的分类准确率在鸟类、汽车、飞机数据集上依次提高了8.96%、4.89%和5.85%,嵌入Squeeze-and-Excitation(SE)模块的分类准确率依次提高了9.81%、4.52%和2.30%,且新模型在参数量、运行效率等方面比现有算法更具优势.     

基于模糊神经网络的车辆类型自动检测

高速公路车辆类型自动检测是智能交通系统中的一个重要组成部分。本文提出了一种用于高速公路车辆类型检测的T-S型模糊神经网络(T-SFNN)模型。通过几何模型,从激光传感器所采集的数据中提取车型特征向量。在此基础上,设计出模糊神经网络车辆类型识别检测器并对神经网络进行有效地训练与测试。仿真结果表明,该方法的收敛速度快,车辆类型识别的精度较高,具有稳定的输出性。     

面向番茄病害识别的改进型SqueezeNet轻量级模型

针对番茄病害识别中深度神经网络参数过多、识别精度较低的问题,从网络轻量化和提取特征精准化的角度出发,对SqueezeNet结构进行改进.为精简fire模块,对其中Expand层的卷积核大小、网络层数以及通道数进行调整.同时,将模型与ECA模块结合,利用局部跨通道交互的方式获得各通道的注意力值,强化网络对关键特征的学习能...     

基于卷积神经网络的车辆型号识别研究

为了解决交通系统中车辆型号识别率还不够高的情况,通过可视化手段优化了特征提取的步骤,同时设计了车辆识别的分类器模型和一系列训练策略。运用选择性搜索方法对样本进行分析,由此得出候选区域,之后利用融合算法和边框回归算法得出真实车辆所在区域的候选窗口。在车辆候选窗口被标出后,利用卷积神经网络对候选窗口的特征进行提取,送入到神经网络中进行分类,最终得出车辆的具体型号。通过实验表明,提出的基于卷积神经网络的图像识别算法与传统的卷积神经网络以及SVM比较,在车辆识别上都有更好的识别率。     

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。     

基于深度学习的快速植物图像识别

植物分类在形态、颜色和纹理上具有高度的相似性和密集的细节信息,传统的机器学习方法无法满足这些大样本的特征提取训练,识别种类与精度受到限制。深度学习可以有效地解决植物图像识别在种类数量、准确度和速度上的难点。本文提出了基于优化的P-AlexNet模型的植物识别算法,基于卷积神经网络(CNN)中的AlexNet网络模型进行优化处理,提高模型的泛化能力、细节特征的表征能力以及识别精度。利用迁移学习热启动更新植物识别种类,利用GPU并行计算加速模型训练和图片识别速度。针对206类植物图片,训练得到验证集精度达到86.7%的模型。以此模型为基础,开发了一款智能植物图像识别平台,包含了Web网站以及Android和IOS的App应用。Web端实验测试结果表明,检测时间平均为1.282s,具有较高的准确性和泛化性以及快速的识别速度。     

面向路面附着估计的路面图像识别

为提升智能辅助驾驶系统对路面附着系数估计的准确性与实时性，研究了一种基于视觉信息的路面识别深度学习算法，实现路面附着系数的预估计。设计压缩卷积机制以降低网络运算参数，采用特征图全局平均替换全连接层以提升网络的拟合性能，并构建路面识别深度卷积神经网络DW-VGG。利用自建路面图像数据集对网络进行训练，测试结果表明，基于提出的多层知识蒸馏技术的DW-VGG网络识别精度较高，分类性能评估指标F₁得分为96.57%，并有效降低了网络的运算和内存成本，识别单张图像只需32.06 ms，预测模型只有5.63 M。     

VansNet轻量化卷积神经网络

近年来,研究人员们在卷积神经网络的基础上保证效率的条件下提出了轻量化卷积神经网络,其中SqueezeNet轻量化卷积神经网络在保证精度的前提下,压缩了参数,提高了整体效率。本文针对SqueezeNet网络中由于压缩参数,存在准确率不理想的问题,提出了引入残差网络,增加跳层结构和网络宽度的改进方法 VansNet,相较于AlexNet、ResNet和SqueezeNet三种卷积神经网络其计算量最小且参数量很小。实验结果表明,改进后的VansNet轻量化结构在略增加参数的前提下提高了图像分类的准确率和效率。     

基于CNN的车牌识别系统

针对现有的车牌识别系统在遇到复杂条件,例如暗光、遮挡、多车牌、能见度低等情况时,难以有效地定位并识别车牌,提出了一种基于卷积神经网络的车牌自动识别系统.在车牌定位阶段综合应用3种定位方式对车牌进行初步定位检测,然后使用CNN模型对检测到的候选车牌进行判断;在车牌字符识别阶段,将分割出的字符输入到设计好的卷积神经网络模型中进行训练,得到的输出结果即为识别的车牌字符.在5906张车牌图像和非车牌图像以及36261张字符图片上的实验结果表明:提出的车牌识别系统对车牌和字符的识别率分别达到了94%和96.4%,明显优于传统的车牌识别方法,具有极高的实用性,可以满足绝大多数场景的使用需求.     

基于剪枝AlexNet的普米语孤立词识别

普米语是1种日渐消亡的无文字的少数民族语言,人们为了让其获得更好的发展与传承,开展了许多基于深度学习的普米语语音识别研究工作.然而,人们为追求更高的识别精度,通常不断的增加模型复杂度,造成了神经网络学习速度慢、训练成本高等问题.为了加快普米语孤立词识别中网络的学习速度、降低网络的训练成本,对卷积神经网络的AlexNet模型采用迭代剪枝算法以逐层剪枝的方式进行修剪,然后从生成的稀疏网络中寻找最佳剪枝网络用于普米语语谱图识别.实验表明,AlexNet剪枝网络在普米语孤立词识别中,能够有效的降低网络计算量、加速模型训练.该网络具有比原网络更快的收敛速度,达到与原网络类似的较高识别精度.     

基于轻量级卷积神经网络的肝部病理组织切片分类

肝部病理组织切片传统的分类方法都是通过提取图像特征来进行识别和预测,由于图像特征不明显,且需要人工提取,受外在因素影响大,识别率较低,因此提出利用深度学习的卷积神经网络来进行识别分类。对轻量级模型进行改进,将样本图像直接作为输入数据,通过卷积神经网络训练验证即可得到实验结果,省去繁琐的特征提取环节。结果表明,改进后的轻量级神经网络验证准确率高达99.57%,明显高于当前的传统方法,且训练时间减少了十余个小时,方便快捷。     

基于轻量级AlexNet网络的秦简文字识别算法

以样本少且欠均衡的高信噪比秦简文字图像为研究对象,提出一种基于改进的轻量级AlexNet网络模型的秦简文字识别算法。首先,构建秦简单文字图像数据集,对其进行增强降噪、图像归一化等预处理操作;其次,调整AlexNet网络模型结构,构建4层卷积层与池化层的顺序连接,并在前2层卷积层分别融入InceptionA与InceptionC结构,以分解卷积的形式对秦简文字进行局部特征提取,选取ReLU函数作为模型的激活函数,并在全连接层融入Dropout层进一步防止模型出现过拟合现象;最后,调用Softmax分类器完成秦简文字图像识别。研究结果表明：该网络模型在轻量化与识别准确率的表现上具有明显的优势,平均识别耗时为635 ms,识别准确率达到了99.89%,识别效果良好,可为秦简文字识别理论研究提供参考。     

基于改进LeNet-5的车牌识别算法

传统的车牌识别算法包括模板匹配、特征统计等方法,但是这些算法依赖于人工提取图像特征,识别准确率低。卷积神经网络LeNet-5算法能够自动提取车牌图像的特征,提高车牌识别准确率。但是目前基于LeNet-5网络结构的车牌识别算法存在识别不完整,运算时间长等缺点。提出基于改进的LeNet-5网络的车牌识别算法,该算法将输入车牌字符图像归一化为32×16大小,并通过删除传统LeNet-5网络中的C5层、修改输出层中神经元个数等,将车牌字符按照汉字和数字/字母的形式识别输出。通过采集大量车牌数据进行训练验证,结果表明:与前人改进的LeNet-5网络结构相比,本文算法在识别率和时间效率上均得到了提高。     

基于轻量化GoogLeNet模型的轨道扣件缺陷状态识别

我国是交通大国，并正在向交通强国迈进。轨道维护至关重要，其中扣件的健康状态对于列车的运行安全不容忽视。然而，由于经典卷积神经网络模型的复杂度较高，尤其在识别速度方面无法满足轨道扣件状态识别任务对实时性的要求。鉴于此，设计了一种轻量化GoogLeNet网络模型，在保障模型精度的同时提升模型的推理速度。实验结果表明，轻量化GoogLeNet网络模型的分类精度为92.7%,FPS达到了254.2。相比于VGG16、VGG19和原始的GoogLeNet模型，其识别精度分别提高了21.7、19.5和8.6个百分点，单张图片的推理速度分别减少了3.637 ms、4.824 7 ms和2.943 2 ms。     

基于图像自适应增强的轻量级雾天车牌检测和识别算法

针对雾天图像降质带来的车牌识别难题,提出一种采用图像自适应增强的轻量级车牌检测和识别算法。以目标检测网络YOLOv5s和车牌识别网络LPRNet为基础,设计一个改进的图像自适应增强模块级联于YOLOv5s之前,并引入混合注意力(SA)机制改进LPRNet。图像自适应增强模块由带参数的图像去雾和纹理增强模块以及自适应参数预测模块组成。自适应参数预测模块是轻量级卷积神经网络,与YOLOv5s联合训练,为不同程度的带雾图像自动提供合适的去雾和纹理增强参数以获得更准确的车牌检测结果。利用车牌位置的真实标签和实际检测结果,采用混合注意力机制和迁移学习策略得到最终的SA-LPRNet模型,缓解识别模型对检测结果的敏感性以获得更高的车牌识别准确率。在合成的雾天车牌数据集上的实验结果表明：本文算法对雾天车牌检测的mAP@0.5-0.95指标达到70.6%,车牌识别准确率达到93.5%,优于对比算法,且识别速度满足实时性要求。     

模糊神经网络在车辆识别中的应用

为提高智能交通系统中汽车车型自动识别的正确率,采用了多传感器移动车辆识别系统的数据融合算法,即用模糊神经网络建立数据融合决策模型,用BP算法对网络进行学习和训练,提高系统的精度和智能化.仿真实验结果表明了算法的有效性.     

基于迁移学习和AlexNet的驾驶员行为状态识别方法

为了解决传统基于神经网络算法的驾驶员行为状态识别系统精度过于依赖大量训练样本的问题,本文提出将迁移学习理论和AlexNet引入到驾驶员行为状态的识别研究中。首先对驾驶员行为特征及状态进行深入分析,对驾驶员7种驾驶状态进行了定义,构建了驾驶员状态信息采集系统;然后对基于卷积神经网络的驾驶员状态识别方法研究,建立了驾驶员状态数据集,构建了基于AlexNet卷积神经网络的状态监测系统,通过迁移学习完成了卷积神经网络识别模型。最后通过实验验证了本文提出的驾驶员状态识别算法对7种驾驶员状态识别的有效性。实验表明：该系统准确率达到97.8%,且在实验设备中运行速度达到70帧/分钟,满足较高的准确率要求与实时性要求。