卷积神经网络与ELM的图像分类算法研究

卷积神经网络的全连接层作为一个经典的分类器,是根据传统的梯度下降法来实现训练的,泛化能力有限.针对这一问题,提出了一种将卷积神经网络和极限学习机相结合的混合模型应用于图像分类领域.卷积神经网络用于从输入图像中提取特征,特征映射最终会被编码成一维向量送入极限学习机中进行分类.给出了混合模型的详细设计,包括参数设计、结构分...     

多信息代价计算融合显著梯度的立体匹配

立体匹配是视觉导航、三维重建的信息基础.为了降低光照失真对匹配代价计算的影响,消除引导滤波平滑图像时产生的光晕,提出了一种多信息代价计算融合显著梯度的立体匹配算法.设计了融合颜色特征、梯度信息及梯度角度的匹配代价计算算法,对左右视图进行匹配代价计算;然后进行显著性处理,计算显著图的梯度信息,得到图像的局部平均梯度;遍历...     

采用圆投影和序贯相似检测的图像匹配技术

针对现有的高精度匹配方法复杂度较大,现有的圆投影匹配方法在实际应用中计算量高、速度慢的缺点,提出了一种新的图像匹配算法.该算法基于序贯相似检测原理,采用由粗到精的匹配策略,应用步长自适应的跳跃式搜索方法,在不影响匹配精度的前提下,跳跃了大量匹配点,减小了在非匹配点处的计算量.实验结果表明,与已有的基于不变矩的匹配算法、圆投影匹配算法相比,该算法具有较高的匹配精度,且匹配速度快.     

基于 Retinex 理论的低光图像增强算法

为了解决低光照图像存在的对比度低、噪声大等问题,提出一种基于 Retinex 理论的卷积神经网络增强模型(Retinex-RANet)。 它包括分解网络、降噪网络和亮度调整网络 3 部分:在分解网络中融入残差模块(RB)和跳跃连接,通过跳跃连接将第一个卷积层提取的特征与每一个 RB 提取的特征融合,以确保图像特征的完整提取,从而得到更准确的反射分量和光照分量;降噪网络以 U-Net 网络为基础,同时加入了空洞卷积和注意力机制,空洞卷积能提取更多的图像相关信息,注意力机制可以更好地去除反射分量中噪声,还原细节;亮度调整网络由卷积层和Sigmoid 层组成,用来提高光照分量的对比度;最后将降噪网络去噪后的反射分量和亮度调整网络增强后的光照分量融合,得到最终的增强结果。 实验结果显示:Retinex-RANet 在主观视觉上不仅提高了低光图像的亮度,还提高了色彩深度和对比度,在客观评价指标上,相较于 R2RNet,PSNR 值上升了 4. 4%,SSIM 值上升了 6. 1%。 结果表明:Retinex-RANet 具有更好的低光图像增强效果     

基于邻域粒化混合决策系统克隆选择约简算法

针对混合决策系统的属性约简问题,提出了基于邻域粗集模型的小生境克隆选择属性约简算法.采用邻域关系度量不可分辨关系,通过邻域信息粒子逼近论域空间,可以直接处理数值型属性.克隆选择约简算法的提出解决了求解全部约简的NP完全问题.论述了亲和度函数的选择,引入了小生境技术,避免了抗体的早熟收敛及算法中的参数对具体优化目标的敏感性和单一收敛性,给出了算法的具体实现.对经典数据集和UC I中4组数据约简的仿真结果证明了算法的有效性和可行性.     

裂缝小目标缺陷的轻量化检测方法

及时且准确捕获井壁出现的微小裂缝,对于井筒安全意义重大.轻量化检测模型是推动井壁裂缝自动检测的关键,打破现有方法聚焦于提取深层语义信息的局限,重视浅层特征表征的几何结构信息的应用,针对井壁裂缝提出轻量化检测模型E-YOLOv5s.首先融合普通卷积、深度可分离卷积和ECA注意力机制设计轻量化卷积模块ECAConv,再引入跳跃链接构建特征综合提取单元E-C3,得到骨干网络ECSP-Darknet53,它负责显著降低网络参数,同时增强对裂缝深层特征的提取能力.然后设计特征融合模块ECACSP,利用多组ECAConv和ECACSP模块组建细颈部特征融合模块E-Neck,旨在充分融合裂缝小目标的几何信息和表征裂缝开裂程度的语义信息,同时加快网络推理速度.实验表明,E-YOLOv5s在自制井壁数据集上的检测精度相较YOLOv5s提升了4.0%,同时模型参数量和GFLOPs分别降低了44.9%、43.7%.E-YOLOv5s有助于推动井壁裂缝自动检测的应用.     

矿用通风机故障诊断系统设计

针对矿用通风机常见故障展开研究,分析了转子不对中、不平衡、油膜涡动、喘振等故障的产生机理及故障表征,设计了基于粗糙神经网络的故障诊断系统。首先针对通风机故障类型特点进行故障数据采集,包括振动信号和温度信号。然后,预处理后的样本数据采用粗糙集的方法进行属性约简,删除冗余属性。最后,样本数据被分成训练样本和测试样本,分别用来训练和测试神经网络分类机。实验表明,该系统运行可靠、诊断率高,提高了通风机系统的安全性,拓展了粗糙集的应用范围。     

融合有限差分及梯度的Bayer-CFA插值方法

为了实现对边缘像素点的高精度插值,融合有限差分、图像梯度、图像相关性提出了一种先插值再修正的Bayer彩色滤波阵列(color filter array,CFA)插值方法Bayer-CFA。首先,把CFA图像中的已知像素点作为离散的网格节点,利用像素点间的空间相关性构造插值函数。然后,结合色彩相关性设计插值G像素的水平、垂直方向的插值算子,并用梯度信息建立两个方向的权重因子,实现G平面插值;再根据G像素点左右的已知R像素点的对称性及色彩相关性构建插值函数,应用色差公式完成R平面插值,并用与R平面插值相同的方法完成B平面插值。最后,对每个插值结果,在以其为中心的3×3邻域内进行梯度修正,采用梯度信息构造8个方向的权重因子,用像素点的空间位置决定加权系数,以消除不规则边缘及纹理引起的插值误差。仿真结果表明:相较于EET算法,Bayer-CFA的彩色图像峰值信噪比提高了0.57 dB,S-CIELAB空间的色差降低了0.23;Bayer-CFA在使用梯度修正后能减少伪彩色,沿边缘方向的插值有效削弱了锯齿现象,能保留图像的边缘纹理细节。     

深立井井壁图像的卷积神经网络去噪方法

为了实现井壁缺陷的自动检测,提出去除井壁图像噪声的卷积神经网络(CNN)模型(ELU-CNN)。该模型为深28层的全卷积网络模型,由5个特征提取模块(FEM)和跳跃连接组成;跳跃连接将第一卷积层的输出特征与每一个FEM的输出特征串联融合,保证图像特征的充分提取;使用残差学习来缓解梯度消失并提高收敛速度,保证训练后的去噪模型学习到的非线性映射是图像噪声;选用ELU作为激活函数,它具有软饱和性且输出均值接近于零,能增强模型对输入噪声的鲁棒性并加速模型收敛。在标准测试集BSD68、set12及实际井壁图像上,验证ELU-CNN模型的去噪性能并和先进方法作比较,实验结果表明:与FFDNet模型相比,ELU-CNN模型的平均峰值信噪比,在含噪声浓度σ为(15,25,35,50,75)的BSD68、set12测试集上分别提高了(0.17,0.11,0.08,0.05,0.03) dB、(0.18,0.16,0.08,0.06,0.07) dB。在去除井壁图像盲噪声时,ELU-CNN模型能更好地保留缺陷的纹理信息。