基于深度学习的连铸坯表面缺陷检测

采用提取图像的纹理、几何特征并利用支持向量机(support vector machine, SVM)进行检测和识别的方法,对宝山钢铁现有的连铸坯表面裂纹、凹陷、夹杂物、气孔、划痕等缺陷进行分析,缺陷检测准确率为83%.提出一种基于卷积神经网络(convolutional neural network,CNN)的方法进行缺陷检测.该方法对裂纹缺陷的检测准确率为93%,对其他缺陷(由于凹陷、夹杂物、气孔、划痕等缺陷数据较少,这些缺陷归为一类)的检测准确率为88%.实验结果表明,采用深度学习的方法能够有效检测、识别出具有缺陷的连铸坯,检测准确率较高.     

基于深度学习的X射线焊缝缺陷识别

为了提高缺陷识别效率,提出利用基于深度学习网络进行焊缝缺陷识别。在分析X射线焊缝缺陷图像特征的基础上,构建一种基于模拟视觉感知原理的深度学习网络结构,并对卷积神经网络的卷积模板大小及层数进行了分析,对卷积神经网络隐藏层中2种不同的激活函数进行了实验验证,针对性地提出优化方法。该深度学习神经网络可以避免对焊缝缺陷图像特征的提取,直接判断疑似缺陷图像是否为缺陷。对580张图像进行了实验,结果表明,本文所提方法对SDR图像的识别准确率超过98%,优于传统方法。且所设计系统具有自动学习X射线焊缝缺陷图像中复杂的深度特征的特点,实用性较强。     

基于CNN-LG模型的窃电行为检测方法研究

针对当前电网单一学习器窃电检测方法准确率低、实时性差且无特征提取的问 题,提出一种基于卷积神经网络轻梯度提升机（CNN-LG）模型的窃电行为检测方法. 通过卷积 神经网络（CNN）提取用户用电数据电力特征,将提取特征输入以决策树为基学习器的轻梯度 提升机（LG）分类器对数据进行训练,据此建立基于卷积神经网络轻梯度提升机模型的窃电行 为检测方法 . 采用基于卷积神经网络轻梯度提升机模型对国家电网和爱尔兰智能能源径 （ISET）数据集分别进行窃电行为检测 . 实验结果表明,本文提出方法可快速准确实现电网中 各类窃电行为检测,相比于现有检测方法具有更高准确度、更优泛化性能和实时性.     

基于卷积神经网络的网络入侵检测系统模型

针对传统入侵检测算法普遍存在的检测准确率偏低、误报率高和对未知安全威胁检测的不足等问题,利用卷积神经网络的数据特征提取自主发现和提取的技术特征以及高准确率,提出一种基于卷积神经网络算法的网络入侵检测系统模型,公开数据集测试结果显示该模型较传统的入侵检测方法有较高的准确率和较低的漏报率。     

基于快速选区卷积神经网络模型的工业产品表面缺陷检测

针对传统带钢表面缺陷检测算法检测效率低、准确率差的情况,提出一种基于快速选区卷积神经网络模型的多尺度带钢表面缺陷检测算法;首先利用残差网络思想对该模型网络特征提取层进行改进;其次,利用多尺度推荐区域网络设置合理大小的卷积滑动窗口,提取出更加准确的推荐区域;最后,利用软判决非极大值抑制机制替代传统的非极大值抑制机制,解决缺陷特征相近时检测框丢失的情况,并在SD_data数据集上进行实验验证。结果表明,所提出的算法对多尺度带钢表面缺陷的检测准确率明显提高,漏检率显著降低。     

基于Faster-RCNN算法的轻量化改进及其在沙滩废弃物检测中的应用

由于背景环境复杂,检测物体易受部分遮挡、天气以及光线变化等因素的影响,传统目标检测方法存在提取特征难、检测准确率低、检测耗时长等缺陷.为了改善传统目标检测方法存在的缺陷,实现快速准确的目标检测,提出了一种基于快速区域卷积神经网络(faster regions with convolutional neural netw...     

一种服务机器人选择性认知方法

针对现阶段服务机器人面向日常家居环境的认知能力较低,缺乏以相关服务任务作为先验知识、进行深度认知的能力问题,基于视觉认知和语义分析相结合的思路,利用智能空间平台分布式感知系统,结合深度神经网络下图像处理与语义分析等相关手段,提出了一种服务机器人选择性语义认知方法.设计了一种智能空间下选择性注意策略,选择显著性高、服务任务相关联的区域作为兴趣区域;提出了一种改进的区域卷积神经网络,将所选择兴趣区域作为先验知识来引导卷积神经网络;构建了语义分析模型,利用物品检测输出进行深度语义认知.实验结果表明,该方法可以提取服务任务相关的空间显著性信息,引导区域卷积神经网络进行物品检测,物品检测过程过滤了无关物品,与传统区域卷积神经网络相比,检测速度较快、准确率高,最终结合语义分析的方法提高了服务机器人日常家居环境下的认知能力.     

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。     

多尺度卷积与双注意力机制融合的入侵检测方法

为提高互联网入侵检测方法的准确率,提出一种卷积神经网络与注意力机制结合的入侵检测方法。利用Borderline-SMOTE过采样算法和Min Max归一化对数据进行预处理,有效缓解入侵数据量差异较大问题,提升非平衡数据检测性能;使用卷积神经网络Inception结构多尺度对数据进行特征提取,并配合注意力机制进行维度更新,提高模型处理海量数据时特征表达的准确性。研究结果表明：入侵检测方法的平均准确率为99.57%;相较于SVM方法、CNN方法、RNN方法、BLS-GMM方法,准确率分别提升了4.48%、1.35%、1.62%和0.04%,召回率分别提高了4.48%、1.36%、1.62%和0.14%。     

基于多流卷积和数据增强的声场景分类方法

针对单特征输入时,现有声场景分类方法分类准确率不高且泛化能力不强的问题,提出了一种基于多流卷积和数据增强的声场景分类方法．首先,介绍了卷积神经网络和混合数据增强的基本原理;其次,基于网络并行输入理论,设计了一种多流卷积神经网络模型以期实现多流特征融合,其由特征提取模块和特征融合模块组成;然后,为进一步提升模型的准确率并降低模型过拟合的概率,提出了一种多维混合数据增强方法以实现特征数据的平滑处理;最后,采用9种特征组合方案,基于Urbansound8K,ESC50和ESC10数据集分别开展了声场景分类实验．实验结果表明：模型的准确率分别为88.29%,77.75%和96.25%,验证了当使用该方法进行声场景分类研究时,模型具有较高的准确率和较强的泛化能力．     

基于卷积神经网络的快速人脸检测算法

针对如何快速、准确地检出人脸的问题,提出了一种使用特征融合的卷积神经网络.首先快速提取图像的梯度方向直方图(HOG),然后使用能快速对多种物体进行检测的卷积神经网络YOLO提取图像特征,最后将YOLO提取出的特征与HOG进行融合,并将融合后的特征作为特征图.在训练过程中,引入了多任务学习和复杂样本处理,使本文提出的卷积神经网络能够进行目标定位与分类,并提高训练效果.在通用的人脸检测数据集FDDB进行的实验分析,证实了本文提出的算法可大幅提高快速检测人脸的准确率.     

一种基于浅层卷积神经网络的隐写分析方法

为提高隐写分析的检测准确率,提出了一种基于浅层卷积神经网络的图像隐写分析方法。与深度卷积神经网络相比,浅层卷积神经网络通过减少卷积层和禁用池化层,来加快神经网络收敛速度和减少隐写特征丢失,同时采用增加卷积核数、使用批正则化以及使用单层全连接层的方式,提高隐写分析网络的泛化性能。实验结果表明,针对S-UNIWARD隐写算法,在嵌入率为0.4 bpp和0.1 bpp时,检测准确率分别能达到96%和81.7%,同时在载体库源及嵌入率失配情况下,该方法仍能保持较好的检测性能。     

基于多级深度特征与随机游走的显著性检测

为了解决图像显著性检测中传统方法特征学习不全面、复杂场景下显著区域凸出不明显的问题,提出了一种基于多级深度特征和随机游走的显著性检测算法。首先,利用全卷积神经网络,结合深层和浅层卷积特征信息对图像进行多级卷积深度特征提取;然后,对图像进行超像素分割,将提取的深度卷积特征分配给相应的超像素,构建特征矩阵;最后,通过正则化随机游走排序模型生成最终的显著图。在ECSSD和DUT-OMRON数据库上的实验结果表明,与6种具有代表性的显著性检测算法相比,文中算法的准确性和F值具有一定的优势。     

基于多尺度一维卷积神经网络的弯管冲蚀损伤智能检测方法

针对高压管汇损伤需要提高检测效率和准确率的问题,提出一种基于多尺度一维卷积神经网络(multi-scale one-dimensional convolutional neural network, MS-1DCNN)的弯管冲蚀损伤智能检测新方法,即用多尺度卷积层代替传统的单一尺度卷积层。在MS-1DCNN模型中,把通过模拟实验所得弯管冲蚀损伤原始时域信号作为多尺度一维卷积神经网络的输入,这样能解决传统方法依赖人工提取特征和专家知识的问题;然后,通过多尺度卷积层和池化层的交替连接对输入信号进行特征提取;最后,经由输出层输出弯管冲蚀损伤分类结果。模型试验结果表明：基于MS-1DCNN弯管冲蚀损伤检测方法可以有效检测出弯管冲蚀损伤,且平均检测准确率达到99.18%。研究可为高压管汇冲蚀损伤智能检测提供一种新思路。     

基于改进深度置信网络的木板表面缺陷检测模型

为了提高木板表面缺陷检测精度,采用连续型深度置信网络(DBN)建立木板表面缺陷检测模型。首先,对待检测的木板图片进行关键特征提取,并建立DBN检测模型。然后,将木板图片特征输入DBN的多个受限玻尔兹曼机(RBM)层进行深度训练,从而利用DBN的深度优势来获得木板表面缺陷检测结果。最后,引入人工蜂群(ABC)算法对DBN的权重参数进行优化从而缩短训练时间。实例测试实验结果表明：选择学习速率为0.075时,ABC-DBN算法在划痕、刮痕、裂缝、崩缺4类样本集中的均方根误差(RMSE)均值性能更优。采用卷积神经网络(CNN)、快速区域卷积神经网络(Faster R-CNN)、自适应增强卷积神经网络(AdaBoost-CNN)和ABC-DBN算法分别进行检测准确率对比实验。结果显示,ABC-DBN算法检测准确率RMSE为5.067×10^-2,是最优结果,Adaboost-CNN算法次之,CNN算法最差。     

基于多尺寸特征图卷积方法的玉米雄穗检测

为了解决传统雄穗检测方法因玉米品种不同以及田间环境不同导致的检测误差较大、鲁棒性较差的问题,利用深度卷积神经网络提取特征,并对多尺寸特征图卷积的方法检测玉米雄穗。采用深度卷积神经网络inception作为基础网络来训练提取玉米雄穗特征,同时增加额外的卷积层对图像进行卷积提取特征,最后分别对基础网络中的两层卷积层以及额外的卷积层卷积得到的不同尺度特征图进行分类和位置回归。整体网络结构是多尺度端到端框架,效率高,方便检测不同尺度的雄穗。实验结果表明,此方法提高了雄穗检测的速度和准确率。     

基于参数优化残差网络的皮革缺陷分类

针对皮革缺陷分类存在误判、成本较高及目前关于皮革缺陷的研究主要是针对皮革做缺陷检测,未进行缺陷分类的问题,采用一种参数优化的残差网络来实现皮革缺陷的自动分类。首先通过多层卷积、池化操作进行特征提取,并引入残差模块解决深层网络的梯度消失问题;然后依据所提取特征进行缺陷分类;最后根据皮革数据集优化关键网络参数,使用数据增强方法对数据集进行扩充,有效避免了网络模型因样本不足易产生过拟合的问题。实验结果表明该方法可对皮革缺陷进行有效分类,分类精度达到92.34%。     

拆分降尺度卷积神经网络入侵检测方法

针对卷积神经网络(convolutional neural network, CNN)模型待训参数量过大、多层网络导致特征和梯度消失等问题,提出一种基于拆分层和Inception-ResNet的卷积神经网络模型用于入侵检测。首先将网络流量数据转化为具有空间相关性的图像以适用于卷积神经网络的输入;然后使用Inception-ResNet卷积层增加网络深度,减少模型训练参数数量以及消除梯度消失问题,拆分层在降低图像尺度时基本保持图像原有分类特征;最后采用NSL-KDD数据集对改进模型进行训练和测试。测试结果表明：改进模型相对于Inception-ResNet模型具有更高的检测准确率和少数类样本召回率以及更好的训练时间性能。     

基于深度学习的交通拥堵检测

针对交通拥堵检测,提出一种利用深度学习中卷积神经网络(convolutional neural network, CNN)对交通拥堵图像进行检测的方法。首先,使用基于TensorFlow框架设计了含有三层卷积层的神经网络分类模型。其次,利用道路拥堵与非拥堵图片对分类模型进行训练,并进行评估。最后,利用训练完成的模型进行道路拥堵检测,与多种深度学习分类模型分类方法进行对比实验,表明该卷积神经网络模型能够更有效地进行拥堵检测,检测准确率达到了98.1%。     

基于门控双卷积神经网络的机动车发动机故障检测

采集并构建一个包含正常和故障机动车发动机的声信号数据集，提出基于门控双卷积神经网络的机动车发动机故障检测方法.在门控卷积神经网络基础上设计门控双卷积神经网络.对比不同方法的实验结果可知：支持向量机(support vector machine,简称SVM)方法的检测准确率最低，该文方法的检测准确率最高；对声信号进行加噪和调音时，该文方法表现出好的鲁棒性.