基于检测图像的排水管道缺陷智能辅助分类方法

针对当前地下管网CCTV检测缺陷中存在自动化程度偏低及依赖专业人员技术水平的问题,综合采用图像处理和深度学习技术构建了辅助检测人员快速、准确地识别管道缺陷类型的智能方法。首先,收集十类典型缺陷图像,对其进行图像处理生成样本集;在此基础上,以深度卷积神经网络AlexNet和ResNet50为基础框架,使用预训练AlexNet和ResNet50网络迁移学习管道缺陷特征,通过敏感性分析优化了分类网络参数,然后,通过测试集验证了管道缺陷智能分类模型的准确性,并结合具体工程实例验证建立方法的有效性。结果表明：两类管道缺陷智能分类模型在测试集上分别达到92.00%和96.50%的准确率,实际工程实例准确率达到了85.41%和87.94%,且ResNet50的分类效果更优,具有较好工程适应性。图像处理和深度学习技术可提高排水管道缺陷分类的自动化与准确率,值得进一步进行推广。     

融于图像多特征的路面裂缝智能化识别

路面裂缝形状不规则复杂程度高。传统路面裂缝识别技术需要对路面图像进行复杂预处理工作进行识别,不能自动化对路面裂缝图像进行分类。为提高对路面裂缝识别精度和效率,本文将基于深度学习方法提出一种自动识别路面裂缝并能减少图像预处理工作量的方法。首先,将原始图像切割为小样本图像,根据图像多特征进行分类,各选取相同类型样本2000张图像构建数据集;其次,利用双线性内插法对裁剪后图像进行上采样,凸显图像特征便于神经网络学习;最后,使用深度学习神经网络对训练样本进行特征提取训练模型。实验结果表明：ResNet101模型评估指标均优于其他深度学习模型和机器学习模型,模型测试精度达0.898,kappa系数为0.815。     

基于深度卷积神经网络的自动垃圾分类

垃圾分类已经成为当前社会生活的新风尚.本论述针对当前垃圾分类工作环境差和容易分类出错的问题,研究基于深度学习的垃圾自动分类方法,并设计基于深度残差卷积神经网络ResNet50的垃圾识别方法.为避免垃圾图像数据集中训练数据量的不足,采用对使用ImageNet训练好的ResNet50模型进行迁移微调的方法来优化网络参数.在...     

基于深度学习的小样本墙壁缺陷目标检测及分类

近年来,无须人工干预的深度学习已成为缺陷图像检测与分类的一种主流方法。文章针对室内墙壁缺陷缺检测中数据集大多是小样本的问题,提出了相关的深度学习研究方法。首先,自制墙壁表面缺陷数据集（Wall surface defect dataset,WSDD）并对其进行数据标注,进而使用Faster RCNN和YOLOv5进行目标检测,两个模型的评价指标（Mean Average Precision,MAP）均高于0.517,表明本文采集的WSDD有效。然后,采用几种传统的数据增强方法（尺度调整、旋转和翻转）及图像拼接和图像融合的方法来扩充原始数据集的数量。最后,将增强前后的数据集分别用四种经典的深度卷积神经网络（ResNet34、ResNet50、DenseNet121、VGG16）模型进行测试,结果显示经过数据增强后,四种模型的识别精度明显高于增强前,分别为98.86%、99.47%、99.06%和90.25%,证明本文所采用的数据增强和深度学习方法缓解了数据集小样本的问题。     

图像分类卷积神经网络的进化设计

为解决图像分类中深度卷积神经网络(Convolutional neural networks,CNN)中较为复杂的人工网络设计与调参问题,提出基于ResNet模块的进化卷积、神经网络(Evolutionary convolutional neural network,ECNN)的自动设计方法,并将其运用到图像分类中.该方法基于ResNet模块与2D卷积层,采用进化算法(Evolutionary algorithm,EA)对网络结构及参数进行优化.在NLM官方发布的疟疾数据集下进行实验,不同比例的测试集划分可以达到95.6%的分类准确率,文中算法与AlexNet、VGG16、Xception等人工设计的深度学习分类算法进行了比较,实验结果表明,其准确率提升了约1%.在斯坦福大学发布的Stanford cars车辆图像数据集中进行了算法泛化验证,结果表明,文中算法在不同比例数据的测试中准确率均在94.5%以上,将该算法与深度学习分类算法VGG16进行比较,准确率效果相当,模型测试图像分类耗时仅为VGG16耗时的1/13,且训练参数量较少.两组对比测试实验数据表明,相比人工设计的深度学习算法,本文方法具有较好的图像分类性能与较快的图像分类速度.     

基于卷积神经网络的汉字结构多分类任务研究

图片形式的汉字结构分类问题由人工完成,存在主观分类误差、分类效率低、分类时间长,传统的数字图形图像学知识用于汉字结构分类时,无法做到使用一个模型区分多种复杂汉字结构.针对这些问题,搭建基于卷积神经网络ResNet进行迁移学习的汉字结构分类算法和搭建两层卷积层的卷积神经网络的汉字结构分类算法.在建立的数据集中训练集有19798张汉字图片,测试集使用143张结构风格与训练集相似的汉字图片完成9分类任务.最终通过比较得出一个准确率相对比较高的模型,方便以后更为广泛的工业级使用.     

融合多种深度学习模型的岩石铸体薄片孔隙自动分割方法

铸体薄片图像孔隙形态复杂多样,常规分割方法存在主观因素影响、效率低等问题,而深度学习方法效果取决于数据量、标注、训练周期等因素。针对这些问题,采用真实的增强型超分辨生成对抗网络（Real-ESRGAN）方法提高铸体薄片图像分辨率,应用图像旋转、比例变换等数据增强算法增加样本的多样性,利用阈值法结合颜色空间转换自动标注铸体薄片中大部分孔隙;在Unet网络编码器部分加入残差网络加深编码器网络深度（R-T-Unet）,增强孔隙特征分割能力;引入ImageNet数据集上的ResNet50和ResNet101模型,将其结构作为编码器主干特征分割网络,其模型权重作为预训练权重,提高训练速度。实验结果表明,改进的R-T-Unet 模型优于Unet模型,本方法更适合用于岩石铸体薄片孔隙分割。     

基于优化的残差网络的锈蚀钢筋图像分类

通过实验研究提出一种基于残差网络(ResNet)的锈蚀钢筋分类方法,为开发锈蚀钢筋现场准确定量评价方法提供新思路和技术参考.以1478根直径12mm和14mm,锈蚀率1.45%~56.10%的钢筋为研究对象,利用工业相机在实验室条件下拍摄图像,结合数据增强技术,共获得23648张样本图像,并根据锈蚀率确定11类标签.基于深度卷积神经网络搭建ResNet结构,并利用Adam算法进行迭代优化,通过对比不同数据集的实验结果评估分类准确率和训练轮数.为验证所提方法的适用性,将不同直径钢筋的样本图像组合成6种数据集进行训练与测试.研究表明,经过100次迭代训练,针对6种数据集的钢筋锈蚀程度分类准确率均在93.2%以上,最高达98.8%.该方法支持混合直径的锈蚀钢筋高精度分类,具有良好的实际应用性.     

基于数据增强的小样本图像分类方法

小样本图像分类训练样本过少,若直接用深度学习的方法对其处理会出现过拟合现象,且存在训练好的模型不能很好的泛化到测试任务上等问题.针对以上问题,提出一种基于数据增强的算法去缓解模型过拟合,并结合深度学习网络wide-ResNet28来提升模型的分类性能.此方法没有引用外部数据对当前任务进行数据扩充,而是借助基类数据的语义先验信息对新类数据的特征进行补充,在形成新的特征分布上进行数据增强.该方法在MiniImageNet和Cub 2个小样本数据集上进行实验,图像特征提取的精确度分别达到83.46%、91.61%,验证了该方法的有效性.     

基于迁移学习的人脸口罩穿戴识别研究及应用

人脸口罩穿戴识别技术可以有效监督及管控人们佩戴口罩.本文基于迁移学习理论,共享经典卷积神经网络部分参数,修改其最后几层连接层,使用8 967张图像样本集进行训练,得到了新模型;同时结合了人脸检测技术,针对检测后人脸子图像,采用图像分类方法实现了快速识别.通过迁移学习对深度网络模型开展迁移训练,解决了因为样本量少导致的准确率低等问题,新模型能够有效解决人脸口罩穿戴识别问题,使源领域知识得到了迁移.通过MATLAB编写迁移学习程序和应用仿真主程序,调用了摄像头硬件实现了真实场景应用仿真.实践证明,该研究具有较强的应用价值.     

基于卷积神经网络的烟雾检测

针对已提出的很多烟雾检测方法中都是基于手工制作的特征或者使用原始图片直接作为神经网络的输入,减少了深度学习的鲁棒性。为解决这些问题,提出一种基于卷积神经网络(convolutional neural network,CNN)的烟雾检测方法。使用图片归一化方式消除光照的影响,利用烟雾颜色检测烟雾候选区域,CNN自动提取烟雾候选区域的特征,进行烟雾识别,根据分类结果得到报警信号。针对烟雾产生初期烟雾区域相对较小的问题,利用扩大候选区域的策略提高烟雾检测的及时性。由于训练数据少或不平衡引起的过度拟合,使用数据增强技术从原始数据集生成更多训练样本解决该问题。实验结果表明,该方法能有效地检测烟雾,且具有更高的准确率和更好的鲁棒性。     

基于DCNN的管制员疲劳状态检测

空中交通管制员疲劳工作势必会严重威胁空中交通安全,通过对眼睛睁闭状态判定是现阶段对管制员疲劳检测的一种主要方式。为检测管制员疲劳状态,提出了一种基于迁移学习的DCNN眼睛状态识别模型。首先,利用深度级联神经网络的MTCNN算法检测出管制员面部区域,并实现对面部5个关键点标定和眼睛的定位;然后将检测到的眼睛图像传入到预训练的DCNN眼睛状态分类模型,识别眼睛的睁闭眼状态;最后结合PERCLOSE 80指标检测管制员疲劳状态。分别在ZJU、CEW和ATCE数据集上,对DCNN、VGG16、InceptionV3、ResNet50四种模型的准确率、损失率和F1分数指标进行对比实验。实验结果表明：在ZJU和CEW数据集上,DCNN眼睛状态分类模型检测准确率为97%,较VGG16、InceptionV3、ResNet50等模型进行眼部状态分类任务,DCNN模型的F1分数有3%至7%的提高。在ATCE数据集上DCNN模型检测准确率达到98.35%,F1分数达到98.06%,验证了DCNN模型的有效性与准确性。     

基于深度学习的东天山特长隧道围岩等级预测

位于中国西北部的东天山地区,拥有着复杂的地质条件,因此如何快速准确预测隧道掌子面前方的围岩质量的难度增大,准确客观反映岩体基本特性的围岩分类是隧道设计与施工的重要参考依据。旨在建立一种能客观准确评价东天山地区工程地质环境及预测围岩等级的方法,依托在建东天山隧道项目。首先,选取东天山特长隧道已开挖典型地质区段,以工程地质分区、高关联度物探技术参数指标及物探偏移图像为基础,组成机器学习训练样本;其次,采用Python语言基于TensorFlow深度学习框架编写深度学习网络算法训练样本,建立围岩类别预测模型;再次,采用新开挖段数据不断验证与优化模型;最后,将预测精度最高的模型推广应用于天山地区隧道围岩类别预测,结果表明联合隧道散射地震成像(tunnel seismic tomography, TST)偏移图像、地质分区与物探指标数据集训练出来的模型效果最好。     

基于深度卷积神经网络与中心损失的人脸识别

传统人脸识别方法手工设计特征过程复杂、识别率较低,对于开集人脸识别通用深度学习分类模型特征判别能力较弱。针对这两方面的不足,提出了一种以分类损失与中心损失相结合作为模型训练监督信号的深度卷积神经网络。首先,利用构建的应用场景数据集优调从公共数据集获得初始化参数的深度人脸识别模型,解决训练数据过小和数据分布差异问题,同时提高模型训练速度;然后,以传统损失函数和新的中心损失作为迁移学习过程中的监督信号,使得类内聚合、类间分散,提高模型输出人脸特征的判别能力;最后,对人脸特征进行主成分分析,进一步去除冗余特征,降低特征复杂度,提高人脸识别准确率。实验结果表明,与传统人脸识别算法相比该算法可以自动进行特征提取,并且相对于通用深度学习分类模型该算法通过度量学习使特征表示更具判别力。在自建测试集和LFW、YouTube Faces标准测试集上都取得了较高的识别率。     

基于特征分块的赤足足迹人身识别算法

为了提高赤足足迹人身识别算法的准确率，本文提出了一种基于深度学习的足迹识别算法。由于足底各区域压力的不同导致了赤足足迹各部分包含的信息量存在一定的差异性，为了获取更稳定、区分度更高的特征，采用ResNet50作为基础网络，在特征层进行分块处理。本文基于2000人的赤足足迹库进行训练，利用500人1000幅测试图在3000人的赤足测试库上进行测试。所提出算法的首位识别准确率达到了98.50%，优于常规的ResNet50网络。实验证明，本文提出的基于特征分块的足迹识别算法在赤足足迹识别中获得了很好的识别效果。     

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。     

基于步行时足底压力信息的前交叉韧带断裂辅助诊断方法

为了辨识动态足底压力信息与前交叉韧带断裂的关系, 将步行时的足底压力数据转换成图像, 采用深度学习中的卷积神经网络模型, 在给定足量输入图像与分类结果的情况下, 不断更新神经网络的参数, 建立图像与前交叉韧带断裂的关系。将足底压力测试系统(FootScan^®)采集的数据分为训练集和测试集两个部分。训练集用于调整模型的参数, 帮助模型更好地分析并找到足底压力信息与前交叉韧带断裂的关系; 测试集用于模拟诊断, 对比真实情况, 评估准确性, 并评估其作为临床辅助诊断方法的性能。结果表明, 提出的投票法模型的诊断正确率超过90%, 并且从得到足底压力数据到产生诊断结果, 总耗时仅3秒左右。由此得出, 所提出的基于步行时足底压力信息的深度学习模型, 可以在很短时间内辅助诊断前交叉韧带断裂, 为临床辅助诊断及康复提供参考。