基于卷积神经网络的典型农作物叶病害识别算法

目前,典型的一些农作物叶病害诊断主要依靠人工,但该方式耗时费力。针对大豆、棉花、水稻、小麦和玉米5类典型农作物的常见叶病害诊断问题,提出了一种基于卷积神经网络的典型农作物叶病害识别方法。从Plantvillage数据库以及其他网站收集典型农作物的叶病害图像,并对这些图像进行预处理,构建了含12 836张的数据集。参照AlexNet框架,构建8层卷积神经网络,采用迁移学习训练网络,最后通过测试集验证网络的识别准确率和损失值。分析不同的卷积神经网络的性能,实验结果表明：本算法对典型农作物的叶病害有良好的识别效果;迁移学习模式下,学习率为0.001时本算法在训练集的识别准确率约为99.47%,在测试集的识别准确率约为96.18%。     

基于YOLOV4的工件表面质量在线检测方法研究

目的 提升自动化产线上工件表面微小缺陷的检测精度和检测速度。方法 首先,在预处理阶段提出采用CutMix的数据增强方法,增加训练样本的多样性,提高模型的鲁棒性和泛化能力,避免训练模型产生过拟合;使用K–means++聚类算法生成边界候选框,以适应不同尺寸的缺陷,并较早地筛选出更精细的特征。其次,借助CSP Darknet53网络及SPP模块提取输入原始图像的特征,通过训练获得针对工件表面质量的在线检测模型,提升YOLOV4缺陷位置检测及识别的精度。结果 实验结果表明,文中所提出的基于YOLOV4的工件表面质量在线监测方法的预测精度达到97.5%,检测速度达到32.8帧/s,均优于同类的深度学习算法。以贵州某航空工业产品的自动化产线作为实验平台验证了所提方法的可行性和有效性。结论 该方法具备结构简单清晰、自适应性强等优点,检测精度和速度均满足工业场景需求,可以将其用于产品表面质量的在线检测。     

深度卷积神经网络在滑动轴承转子轴心轨迹识别中的应用

针对传统旋转机械智能识别方法需要人为提取特征及诊断精度低的问题,基于深度学习的强大学习能力,提出一种深度卷积神经网络故障诊断模型(Deep Convolutional Neural Network Fault Diagnosis Model,DCNN-FDM)用于轴心轨迹识别。该模型包括输入模块、特征提取模块及分类模块三部分。原始图像输入模型后,经过输入模块的二值化处理及最近邻插值,统一变为尺寸大小为32×32的单通道图像;经特征提取模块中两组交替的卷积层和池化层作用,得到图形特征;最后,这些特征经全连接层的扁平化处理而张成一维向量,输入到softmax分类器中进行分类。利用奇异值差分谱方法,对实测轴心轨迹进行提纯,得到4类轴心轨迹样本集用于DCNN-FDM的训练与预测。结果表明:所提模型较传统的浅层学习模型的识别效果好,可实现转子故障的精确诊断,识别率达到97.09%。最后通过全连接层的主成分可视化分析,验证了模型具备自适应特征学习能力。     

面向印刷质量控制的元学习盲图像质量评价方法

目的 为了更好地检测印刷图文复制效果,提高生产效率,提出一种针对图像复杂失真和内容变化的元学习盲图像质量评价模型.方法 首先在元训练部分,通过ResNet50网络获取多个失真数据集的共有失真先验知识;然后在元测试部分,融合ResNet50的多层次特征,实现对图像局部失真和全局失真的完整描述;最后通过特征降维、融合获得多层次特征的权值,建立图像质量评价网络模型.结果 模型在真实失真数据集LIVEC上SRCC达到0.87以及在合成失真数据集LIVE上SRCC达到0.97,且模型的预测性能和泛化性能都要优于其他算法.结论 所提出的元学习盲图像评价方法能够准确预测不同类型图像质量分数,可为印刷图像质量评价和印刷生产控制提供一定指导.     

非均衡训练集过采样的印刷套准识别方法

目的 针对印刷标志图像训练数据集非均衡性导致印刷标志图像中少类数据套准状态识别准确率低的问题,提出改进的SMOTE训练集过采样方法,以提高少类数据的识别准确率。方法 提取印刷标志图像灰度行程矩阵的纹理特征,组成多维的模型输入特征数据。基于少类样本的邻域信息,得到少类样本的过采样参数。对少类样本采取不同的过采样策略,实现训练集样本的均衡。使用均衡的训练集建立支持向量机模型,实现对印刷套准状态的识别。结果 实验结果表明,文中方法在不同非均衡印刷数据集上,获得的平均分类准确率几何平均数Gmean为0.8507,召回率Re为0.7192,ROC曲线下面积A为0.8549。结论 文中方法在不同非均衡印刷套准数据集上的分类性能要优于实验中的SMOTE,IS和SVM等方法。     

渐进式多粒度ResNet车型识别网络

针对车辆因姿态、视角等成像差异造成车型难以识别问题，提出一种基于渐进式多粒度ResNet车型识别网络。首先，以ResNet网络作为主干网络，提出渐进式多粒度局部卷积模块，对不同粒度级别的车辆图像进行局部卷积操作，使网络重构时能够关注到不同粒度级别的车辆局部特征；其次，对多粒度局部特征图利用随机通道丢弃模块进行随机通道丢弃，抑制网络对车辆显著性区域特征的注意力，提高非显著性特征的关注度；最后，提出一种渐进式多粒度训练模块，在每个训练步骤中增加分类损失，引导网络提取更具辨别力和多样性的车辆多尺度特征。实验结果表明，在Stanford cars数据集、Compcars网络数据集和真实场景下的车型数据集VMRURS上，所提网络的识别准确率分别达到了95.7%、98.8%和97.4%，和对比网络相比，所提网络不仅具有较高的识别准确率，而且具有更好的鲁棒性。     

改进的Inceptionv3果蔬识别算法

目的为了提高果蔬农产品识别的准确性,使果蔬农产品分类实现自动化。方法利用深度卷积神经网路强大的特征学习和特征表达能力,来自动学习果蔬种类特征,提出基于位置的柔性注意力算法,对Inceptionv3神经网络进行改进,并结合参数迁移学习方法建立果蔬识别模型;针对果蔬种类繁多,且国内外缺乏完善的果蔬图像数据库这一现状,构建果蔬图像数据集;在此数据集上将文中所提出的果蔬识别算法与其他果蔬识别算法进行对比。结果试验结果表明,在学习率为0.1、迭代次数为5000时,文中提出算法的准确率高达97.89%。结论相较于现有果蔬识别算法,所提出的果蔬识别算法的识别性能最优,鲁棒性最强。     

小样本药用玻璃瓶缺陷生成方法及应用

目的 为了克服药包玻璃瓶缺陷样本不足带来的缺陷检测模型精度不准的问题,提出改进StyleGAN2-ADA的缺陷样本生成方法,提升模型鲁棒性。方法 首先,基于StyleGAN2-ADA算法,在无缺陷图像集上训练网络模型并作为骨干。其次,在骨干网络上添加缺陷感知残差块,生成缺陷掩码,在少量的缺陷图像数据集上训练网络模型操纵掩码区域的特征,模拟缺陷图像生成过程,合成缺陷图像。最后,采用YOLOv7检测网络验证该样本生成方法的效果。结果 实验结果表明,该方法在大量正常图像和少量缺陷图像基础上生成逼真且多样性的缺陷图像,应用该缺陷样本合成方法丰富数据集后,西林瓶缺陷检测平均准确率（mAP）达到97.3%,较原始数据集合和StyleGAN2-ADA算法分别提高了33.1%和4.1%。结论 该图像生成方法可以在少量缺陷样本下生成高质量的缺陷图像,优化不均衡数据集,增强模型训练的稳定性,提高药用玻璃包装产品的质量和合格率。     

融合坐标感知与混合提取的视网膜病变分级算法

针对糖尿病视网膜病变中存在样本分布不平衡和病灶区域特征识别困难等问题,提出一种融合坐标感知与混合提取的视网膜病变分级算法。该算法首先对视网膜输入图像进行裁剪、高斯滤波等预处理操作,以增强图像病变前景与噪声背景之间的差异度;然后由Res2Net-50和Densenet-121骨干网络组成的混合双模型将增强后的图像进行特征逐层提取,实现多尺度特征纹理的充分捕捉;再在混合双模型连接处融入多层坐标感知模块和注意力特征融合模块,达到剔除聚焦病灶特征干扰的目的,实现不同病灶语义间的权重重塑;最后利用组合损失函数缓解样本分布不均匀问题,进一步监督模型的训练与测试。该文算法在IDRID和APTOS 2019数据集上进行实验,二次加权系数分别为88.76%和90.29%;准确率分别为81.55%和84.42%,为视网膜病变分级智能辅助诊断提供了新窗口。     

堆叠自编码器在样本不充足下的轴承故障诊断方法

深度学习作为一种实用的大数据处理工具,在机械智能故障诊断领域也受到广泛关注,许多研究者已经成功地将深度学习模型应用于故障诊断领域。但这些研究往往忽略了两个重要的问题:(1)当原始训练数据集不足时,模型训练过程不理想;(2)网络模型的学习内容不明确。为了克服上述不足,提出一种新的数据增强的堆叠自编码器(DESAE)框架,该框架由数据增强模块和故障分类模块组成。在数据增强模块中,采用SAE生成模拟信号,对不充足的训练数据进行增强。在故障分类模块中,利用增强的数据集训练另一个SAE模型并进行故障样本类型识别。同时,利用轴承数据集验证该方法的有效性。此外,为了更便于理解DESAE工作过程,对其各层学习特性进行可视化分析。     

基于特征融合与降维的印刷套准识别方法

目的针对单一方面特征难以准确表达印刷标志套准状态的问题,研究印刷标志图像多维特征提取、融合和降维的印刷套准识别方法。方法提取印刷标志图像的灰度共生矩阵、Tamura纹理特征、灰度差分统计特征和灰度梯度共生矩阵表达其纹理,并采用主成分分析法对融合后的多维特征进行降维处理,得到主特征。将印刷标志图像的主特征数据分成训练集和测试集。支持向量机模型通过对训练集的学习确定模型参数,然后在测试集上验证模型的性能。结果文中建议方法在测试集上的识别准确率为99%,训练集对支持向量机模型的训练时间为1.9327 s,模型在测试集上的识别时间为0.0307 s,模型的总体时间(训练时间和识别时间之和)为1.9634s。结论文中建议方法优于采用单一方面特征的识别准确率;同时在不影响识别准确率的情况下,优于未PCA降维方法的模型训练时间、识别时间和总体时间。     

基于改进YOLOv4算法的轮毂表面缺陷检测

汽车轮毂加工过程中产生的表面缺陷严重影响整车的美观性及服役性能,针对人工检测效率低、漏检率高的问题,提出一种基于改进YOLOv4算法的轮毂表面缺陷检测方法。构建了轮毂缺陷数据集,其包含6种表面缺陷,由2346张4928×3264pixel的图像组成;采用K-means方法进行先验框聚类,并针对YOLOv4算法在纤维、粘铝等小尺度缺陷上检测精度不足问题,在原网络Neck部分引入细化U型网络模块(TUM)和注意力机制,用于增强有效特征并抑制无效特征,强化多尺度特征提取与融合,改善特征处理过程中可能存在的小目标信息丢失问题;基于该数据集,训练并测试不同算法的缺陷检测性能并验证改进模块的有效性。结果表明,该方法大幅提升了粘铝等小尺寸缺陷的检测能力,缺陷检测平均精度达到85.8%,与多种算法相比较检测精度最高。     

基于 ResU-Net 的三维断层识别方法及应用

断层刻画了地层的边界位置,地震成像数据中反射层的不连续性可作为断层解释的主要依据。深度神经网络的强非线性性质可作为地震数据中断层不连续特征表达的有力工具,断层识别问题可视作一个像素级别的二分类问题,并使用深度学习方法对此问题进行建模求解。据此可给出一种端到端的基于深度学习网络的三维断层自动识别方法。首先利用地震子波与反射系数卷积合成多组三维地震数据,建立用于深度网络学习断层特征的样本数据,随后搭建网络进行训练,网络训练完成后应用于实际地震数据。鉴于残差模块可很好地提升网络泛化性能,所提出的将残差网络中的残差块结构引入U-Net中的方法,可用于提升通过合成数据样本训练得到的网络模型在训练数据之外,即实际地震数据上的断层识别性能。所建立网络用于断层解释时,输入为叠后三维地震数据,输出为相同维度的三维数据体,其中每一输出值代表输入三维地震数据相同位置处断层的概率。实际算例对比测试表明,此方法可对三维地震数据中的断层进行有效识别,在合成数据集上训练精度相差不大的前提下,引入残差模块的ResU-Net在实际地震数据上的断层识别泛化性能得到提升。     

基于改进YOLOv5的条烟识别研究

目的 针对当下烟草物流中心条烟分拣机及人工分拣时会产生错烟等问题。从兼顾实时性、识别精度出发,基于YOLOv5s算法提出一种收敛速度更快、准确率更高的条烟识别模型。方法 首先在YOLOv5s网络架构中融入CA注意力模块来更好地提取特征,提高模型获取目标位置的准确度;其次将原网络中的最近邻插值上采样算子改为轻量级通用上采样算子CARAFE,获得更大的感受野;然后在骨干网络中嵌入Ghost模块,对网络进行轻量化处理;最后在烟草物流中心搭建条烟图像采集系统,建立条烟图像数据集。结果 相较于YOLOv5s,本文提出的优化算法计算量减少了45.8%,mAP@0.5值达到了99.3%,在条烟纠错系统上识别率约为99.9%。结论 本文提出的优化算法能够高精度满足高速条烟分拣识别需求。     

基于改进YOLOv5模型的PCB缺陷图像检测

本文针对印制电路板(Printed Circuit Board, PCB)的缺陷检测问题,研究一种基于改进YOLOv5的PCB缺陷检测模型,构建常见PCB缺陷图像和背景图像的训练数据集,以及缺陷图像和无缺陷图像的测试数据集。为提高YOLOv5模型全局特征捕获能力,在CSP模块的ResNet中,融入Transformer的多头注意力机制,构建改进后的YOLOv5网络结构。结果表明：改进后的模型更适合PCB缺陷的检测,对非缺陷图像的检测精度提高了11.40%。     

基于多残差网络的遥感图像语义分割方法

高分辨率遥感图像含有许多较为复杂的地物信息,对其进行的语义分割存在分割精度低、分割边界模糊等问题.本文提出一种新型的多尺度语义分割网络模型,旨在提高遥感图像语义分割精度.该模型为编码—解码(Encoder-Decoder)网络结构,编码器利用残差网络对图像特征进行提取;解码器利用反卷积进行上采样;残差连接将提取到的高级语义特征与残差连接层提取到的多尺度特征进行融合;同时使用Dice损失函数代替传统的交叉熵损失函数,以处理多类语义分割任务中的类别数量不平衡和难分样本问题.实验可得:与其它经典分割模型相比,本文算法对遥感图像具有较高的分割精度,所提出的方法在"CCF卫星影像的AI分类与识别竞赛"的数据集上均交并比(Mean Intersection over Union, MIoU)值达到了0.823 5,召回率Recall达到0.891 4.     

迁移学习和卷积神经网络电力设备图像识别方法

一线生产单位一般不具备建立大量电力设备图像数据集的条件,因此在使用深度学习模型协助完成对电力设备图像的识别过程中受到限制。通过对电力设备进行三维建模和多角度渲染,获得大量模拟电力设备图像,解决深度学习模型卷积神经网络在学习过程中数据集不足的问题。同时,通过迁移学习的方式将经过模拟电力设备图像训练的卷积神经网络应用于对真实电力设备图像的学习中,提高学习效率和精度,最终取得93.5%的识别准确率。该方法为一线生产单位将卷积神经网络应用于电力设备图像识别分类任务提供一种解决办法。     

多核支持向量机多示例学习的行人再识别

行人再识别中的难点在于在不同摄像机中同一行人的图像差异较大,单一特征难以稳定地描述图像,而采用多种特征融合时无法准确分配权重。针对这一缺陷,本文提出了多核支持向量机多示例学习的行人再识别算法。首先提取行人在A、B摄像机下二张图片的分块HSV颜色特征和分块SIFT局部特征并构建词袋,将二者作为示例样本封装成包;其次对多核支持向量机模型进行了优化,采用高斯核和多项式核线性融合对包进行训练,并用多示例学习获得最优权重;最后本文算法在VIPe R标准数据集上进行了测试,识别准确率通过计算十次实验的平均准确度来获得,并用CMC曲线进行表示,同时也对样本的匹配结果进行排序。实验结果表明本文算法与多个优秀的算法相比,鲁棒性和识别准确度都获得了提高。     

基于深度学习的易拉罐缺陷检测技术

目的 现有的易拉罐缺陷检测系统在高速生产线中存在错检率和漏检率高,检测精度相对较低等问题,为了提高易拉罐缺陷识别的准确性,使易拉罐生产线实现进一步自动化、智能化,基于深度学习技术和迁移学习技术,提出一种适用于易拉罐制造的在线检测的算法。方法 利用深度卷积网络提取易拉罐缺陷特征,通过优化卷积核,减短易拉罐缺陷检测的时间。针对国内外数据集缺乏食品包装制造的缺陷图像,构建易拉罐缺陷数据集,结合预训练网络,通过调整VGG16提升对易拉罐缺陷的识别准确率。结果 对易拉罐数据集在卷积神经网络、迁移学习和调整后的预训练网络进行了易拉罐缺陷检测的性能对比,验证了基于深度学习的易拉罐缺陷检测技术在学习率为0.0005,训练10个迭代后可达到较好的识别效果,最终二分类缺陷识别率为99.7%,算法耗时119 ms。结论 相较于现有的易拉罐检测算法,文中提出的基于深度学习的易拉罐检测算法的识别性能更优,智能化程度更高。同时,该研究有助于制罐企业利用深度学习等AI技术促进智能化生产,减少人力成本,符合国家制造业产业升级的策略,具有一定的实际意义。     

基于浅层卷积神经网络的面部表情识别

面部表情识别在人机交互等领域中发挥着重要作用,采用深度学习方法提高了模型精度,但过深的网络加大了计算成本,造成识别滞后和性能低下的问题.本文提出了一种浅层卷积神经网络模型,它受到Xception网络的启发,结合了残差模块和深度可分离卷积,同时引入了功能模块与网络进行融合.微调后的网络结构简单、模型较小,在FER2013数据集上获得了66.12％的准确率,优于多个对比网络.最后,本文搭建了一个可视化系统来验证所提模型在自然场景下的性能,验证结果与实验结论一致.