基于深度学习的砂岩组分显微图像识别

识别砂岩中的石英、长石和岩屑对判断沉积环境具有重要意义,但传统的人工识别方法存在主观性强、对经验依赖程度高等问题。本文利用深度学习、卷积神经网络等技术构建了一种基于Faster R-CNN目标检测算法的砂岩显微组分图像识别方法,实现了正交偏光下对薄片图像中石英、长石、岩屑三种组分的智能识别,三种组分平均识别准确率为89.28%。为了验证模型的可靠性,实验对比了不同算法和特征提取网络,结果表明：Faster R-CNN目标检测算法的识别效果优于YOLO V3、YOLO V4、YOLO V5s,ResNet50特征提取网络的表现效果优于VGG16。采用ResNet50特征提取网络的Faster R-CNN目标检测模型优势显著,它可以更好满足岩石薄片的识别要求,为传统的人工方法提供智能化技术方案。     

基于深度学习的高分遥感影像典型地物检测方法应用实践

传统的基于高分辨率遥感影像的典型地物检测方法难以兼顾检测精度、处理速度和自动化程度,而深度学习方法在图像处理领域中的应用为解决上述问题提供了可能。选用RSOD-Dataset数据集,基于TensorFlow深度学习框架,采用Faster R-CNN、YOLOv3和SSD三种经典深度学习目标检测算法,对高分辨率遥感影像数据进行预处理并完成模型训练,实现了对高分辨率遥感影像中典型地物目标的自动化检测实践,并对三种深度学习算法进行了对比分析。实验结果表明:SSD算法进行典型地物检测的均值平均精度指标(mAP)达到86.62%,每秒帧数(FPS)达到60.26,均优于Faster R-CNN算法和YOLOv3算法;在对飞机、储油罐、立交桥、体育场等典型地物的检测过程中有效地提升了检测精度、处理速度和计算的自动化水平,具有较为明显的应用价值。     

基于TensorFlow手写数字识别模型设计与实现

介绍了图像识别和机器学习基本原理和流程,深入分析了softmax回归算法,设计了手写数字识别模型,在TensorFlow上使用softmax回归算法实现了手写数字图像的识别,实验表明,使用TensorFlow能够快速实现图像识别、语音识别、自然语言处理等相关的机器学习和深度学习算法,可靠性和准确性较高。     

深度学习在图像识别中的应用

深度学习通过建立深层神经网络来模拟人脑进行分析、学习和解释数据,被广泛用于图像识别领域.首先,简述了深度学习在图像识别中的研究现状;其次,介绍了卷积神经网络、深度置信网络、循环神经网络和生成对抗网络等几种常用于图像识别领域的深度学习网络模型;然后,从人脸识别、动作识别、跌倒检测等方面,论述了深度学习在图像识别领域的典型应用;最后,探讨了该领域的研究难点及发展前景.深度学习可以从不同的图像中自动提取相似的特征并进行分类,识别率高,鲁棒性强,推动了人工智能背景下图像识别的发展.无监督学习、对抗网络等将成为深度学习领域的热点.     

基于Faster R-CNN的钢板表面缺陷检测方法

对钢板表面常见缺陷和现有的基于深度学习的表面缺陷检测算法进行分析,选用Faster R-CNN(region-based convolutional neural network)模型对钢板表面缺陷进行检测.由于 Faster R-CNN中的RoI Pooling池化操作产生的像素偏差和空间位置偏差会影响检测精度,选用...     

基于改进Faster R-CNN的行人检测算法

针对行人检测中复杂环境,提出一种改进Faster R-CNN的行人检测算法,使用深度卷积网络从图片中提取适合检测目标的特征。基于Faster R-CNN算法,以Soft-NMS算法代替传统NMS算法,加强Faster R-CNN算法对重叠区域的识别能力。同时,算法通过"Hot Anchors"代替均匀采样的锚点避免大量额外计算,提高检测效率。最后,将21分类问题的Faster R-CNN框架,修改成适用于行人检测的2分类检测框架。实验结果表明:改进Faster R-CNN的行人检测算法在VOC 2007行人数据集,检测效率和准确率分别提升33%、2.6%。     

一种基于Faster R-CNN的车辆检测算法

针对传统的车辆检测算法无法自适应地完成在复杂场景变化下提取目标相应特征的现象,提出了一种基于深度学习的车辆检测算法,该算法结合了Faster R-CNN开源框架和Loc Net网络算法。首先,利用RPN算法获得图片中的候选区域,以减少检测过程中对每张图片的计算量;然后,进入Fast R-CNN网络,利用该深度网络中的卷积层和池化层,自适应地获得车辆目标的所有特征;最后,进入Loc Net网络,通过输入已经得到的图片候选区域,通过卷积层和池化层,不断计算候选区域边界的概率,达到不断优化候选区域边界,最后得到车辆目标的边界框。使用深度学习卷积神经网络,可以避免人工设计车辆目标特征适用性不广泛的缺点,提升车辆目标检测和定位的准确性。     

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....     

基于区域卷积网络的行驶车辆检测算法

为解决多种天气与多种场景下主干道路行驶车辆检测存在的实时性、泛化能力差、漏检、定位不准确等问题,研究了基于TensorFlow深度学习框架的区域卷积神经网络(Faster R-CNN)算法,通过引入VGG16神经网络模型,优化ROI Pooling Layer,并采用联合训练方法,得到改进的算法模型。采用UA_CAR数据集进行模型训练,实现行驶中的车辆检测,测试结果与优化前Faster R-CNN比较,MAP提高了7.3个百分点,准确率提高了7.4个百分点,检测用时0.085 s,提高了对多种环境与场景的适应性。     

基于Two-Stage的目标检测算法综述

近年来,深度学习领域出现了许多优秀的算法,特别是Two-Stage（两阶段）目标检测模型R-CNN(Region-CNN)的产生,基本取代了传统目标检测算法,极大地提高了检测模型的综合性能。本文详细介绍了目前流行的Two-Stage算法,并对它们的流程、特点、效率以及优缺点等方面进行了综述,最后对目标检测领域存在的问题以及未来研究方向提出了建议。     

航拍图像中绝缘子串的识别与分割方法研究

为实现航拍图像中绝缘子串的识别与分割,以Faster R-CNN和全卷积神经网络(fully convolutional networks,FCN)为框架构建了深度学习算法,并以算法为核心搭建了绝缘子串图像检测平台.算法首先使用Faster R-CNN模型,结合Resnet-101深度残差卷积神经网络,对所有感兴趣区域进行分类,再对Bounding Box回归和坐标进行修正,用于绝缘子串的识别,接着以FCN网络为基础,通过微调使原网络适应新的绝缘子串数据集,实现了在复杂背景下绝缘子串的语义分割.实验结果表明,文中给出的方法与已有方法相比,不仅能够在不同光照条件、不同拍摄角度以及复杂背景干扰下实现绝缘子串的识别与分割,且处理时间短、精度高和鲁棒性强.     

基于人工智能TensorFlow平台的建设与研究

结合人工智能与大数据等相关专业,对人工智能TensorFlow平台的建设进行探讨。介绍图像识别算法,以及深度学习框架TensorFlow的工作原理,使用TensorFlow构建卷积神经网络实现CIFAR-10数据集分类,提高图像识别的准确率。建设人工智能TensorFlow平台,以大数据、机器学习、深度学习等学科为基础,推进人工智能教学、科研实践、创新服务的开展。新工科背景下对人工智能方向人才培养模式进行分析,以人工智能实验平台为载体,注重多学科交叉融合,培养复合型创新人才。     

基于深度学习的军事目标识别算法综述

目标识别作为深度学习中最受欢迎的领域之一,已广泛应用于民用的各个方面,如人脸识别、行人重识别、车牌识别、车辆识别等;而在军事应用领域,由于军事目标数据集较少,但识别要求精度高实时性强,所以还在发展阶段。本文首先阐述了基于深度学习的军事目标识别发展现状;然后介绍了六种目前主流的基于深度学习的军事目标识别算法（包括Mask R-CNN、GAN与深度森林、DRFCN、E-MobileNet、SSD300、YOLO）及相关网络结构、改进方法与实际应用;最后对主流方法进行总结,并探讨了未来的发展趋势。     

舰船目标识别技术研究进展

 舰船目标的有效识别和监控对维护海洋权益、保障海上航行安全至关重要。根据舰船目标信息的获取形式，从辐射噪声信号、雷达回波信号、卫星遥感图像、合成孔径雷达图像、红外图像、可见光图像几个舰船目标的主要信息获取来源出发，阐述了舰船目标识别技术的研究进展，总结分析了目前基于不同信号源的舰船目标识别方法普遍存在的具有高度任务相关性、计算成本高与运行时间长等问题。结合深度学习技术在语音识别、图像识别等领域的发展，建议将基于深度学习技术的典型目标识别方法Faster R-CNN及YOLO引入舰船目标识别领域，以研究鲁棒性更好、准确率更高、实时性更强的舰船目标识别方法。     

基于Mask R-CNN的防波堤复杂护面块体检测和分割方法

针对斜坡式防波堤护面层块体个数统计效率和精确率低的问题,提出了基于Mask R-CNN深度学习网络的斜坡式防波堤扭王字块体的识别和分割方法。该方法利用Mask R-CNN深度学习网络学习实验室采集图像的特征信息,通过调整交并比(IOU)阈值得到评价指标最好的模型,并将该模型应用于现场防波堤图像护面块体的识别和分割。测试结果表明,IOU取0.5时,目标分割的平均精确率为91.83%,平均召回率为92.94%;将训练得到的网络用于识别无人机航拍现场的防波堤图像,扭王字块识别率可达90.7%,且拍摄角度和高度对识别精度影响不大。Mask R-CNN深度学习网络可实现密集、复杂护面块体的准确识别,具有良好的移植性和通用性。     

粗细粒度超像素行人目标分割算法

针对车载视觉行人目标分割由于复杂场景对行人目标的分割结果产生干扰而出现信息冗余以及错误分割的问题,提出一种粗细粒度超像素行人目标分割算法。该算法以Mask R-CNN作为粗粒度一次分割,将所得结果经Slic超像素细粒度二次分割,融合两次输出结果来提高现有图像目标的分割精度,为行人目标识别和跟踪提供有益先验感知信息。经仿真验证,该算法能够对复杂背景情况下的图像进行有效分割,MS COCO标准公开集测试结果与原有Mask R-CNN检测算法相比,mAP提高0.71%,为图像识别和计算机视觉系统完成精准的预处理,具有较强的工程应用价值。     

基于改进Mask R-CNN的露天矿边坡裂隙智能检测算法

为了预防因露天矿边坡表面恶化而产生节理、裂隙或断裂等破坏边坡完整性所引发的安全事故,同时解决传统图像处理算法以及经典的深度学习模型直接应用于露天矿边坡裂隙检测效果不甚理想的问题,提出了一种基于改进的Mask R-CNN的露天矿边坡裂隙智能检测算法,运用了Mask R-CNN在目标检测、语义分割以及目标定位方面的集成性特点,改进了其在掩膜分支的边缘不清晰以及误检等缺点,构建了一种针对露天矿边坡裂隙图像的检测分割框架。该方法在掩膜分割分支引入了空洞卷积神经网络以及分类分割迭代上采样操作,能够解决边坡裂隙分割边缘粗糙的问题,实验结果表明,与传统的裂隙分割算法相比,该算法具有更高的识别精度以及更好的分割效果。     

基于深度神经网络的手写数字识别模拟研究

当前图像识别大多采用基于特征提取的传统机器学习方法与卷积神经网络的方法,但传统图像识别技术需要手动提取图片特征,而卷积神经网络对硬件要求高,训练时间长等。针对以上问题,本文提出基于深度神经网络模型的手写体图像识别方法,让机器自动学习特征,并在此基础上,通过改进成本函数,加入dropout防止过拟合,来提高手写数字识别的识别率。仿真实验对比结果表明,基于深度神经网络模型的方法比当前传统算法的识别率提高了3.41%,有效解决了人工识别费力耗时问题,对手写数字的研究具有重要意义。     

基于混合深度学习的蔗糖原料蔗顶芽杂质探测技术

为有效地解决复杂情况下蔗糖原料蔗顶芽杂质的识别问题,本研究对复杂环境下高密集度的原料蔗顶芽杂质的特征进行分析,将特征金字塔网络(Feature Pyramid Network,FPN)和RoIAlign整合到Faster R-CNN和Cascade R-CNN的架构中,再将多种深度网络算法融入到统一的多层架构的深度网络...     

基于改进ShuffleNetV2网络的岩石图像识别

由于基于传统深度学习的岩石图像识别算法模型比较繁琐,而且应用于移动终端等需要一定的计算能力,因此很难实现对岩石类型的实时准确判别。为此,以ShuffleNetV2网络为基础,插入通道连接注意力机制ECA(Efficient Channel Attention)模块,使用Mish激活函数代替ReLU激活函数并引入轻量级网络部件中的深度可分离卷积。将该方法用于岩石图像识别,实验结果表明,改进后的算法结构简单,同时具有轻量化的特点,其识别精度达到94.74%,可在移动终端等有限资源环境下应用。