基于深度学习的变压器图像识别系统

针对变压器型号多、图像复杂,以及传统基于机器学习的人工设计特征的方法不能对大规模变压器图像准确分类等问题提出了基于深度学习的变压器图像识别系统直接对原始图像进行"端对端"的学习。为实现变压器图像的准确分类,提出了改进VGG-16卷积神经网络的变压器图像识别模型。在VGG-16模型的基础上,重新构建了全连接层,针对原有的SoftMax分类器,采用3标签的SoftMax分类器进行替换,以实现网络结构优化,并通过迁移学习共享V GG-16模型卷积层和降采样层的权值参数。通过构建变压器图像的训练集和测试集对改进模型进行了训练,并进行性能测试。结果表明,与深度神经网络、卷积神经网络模型相比,改进VGG-16模型具有更好的效果,识别误差达到了9.17%,并实现了对3种变压器的准确区分。     

双通道单图像超分辨率卷积神经网络

基于残差与稠密结构的卷积神经网络的单张图像的超分辨率(SISR)方法显著地提升了重建的性能,然而残差网络侧重于特征的复用,而稠密连接可以实现对新特征的探索,为了结合两者的优势,本文设计了一种双通道图像超分辨率深度卷积神经网络,将特征映射在第三维度上分割成两条路径,一条以残差的形式进行连接,另一条以稠密的方式进行跳跃连接。同时,在网络末端引入解卷积层来放大特征映射,显著加速了计算,并且直接从低分辨率图像到高分辨率图像之间进行端到端的映射。评估结果表明,本文方案取得了比当前绝大多数网络模型更高的峰值信噪比(PSNR)。     

改进卷积玻尔兹曼机的图像特征深度提取

针对卷积深度和信念网络存在计算复杂度高和训练缓慢的问题,提出卷积深度玻尔兹曼机用于图像特征提取.针对卷积受限玻尔兹曼机进行改进,提出最大化图像中间区域概率的训练目标函数,并引入性能较好的交叉熵稀疏惩罚因子和dropout训练方法.设计卷积深度玻尔兹曼机结构,提出均值聚合机制,将聚合层内点的值定义为block中各点激活概率均值,对层间关联进行简化,将聚合层内各面直接叠加以供高层CRBM提取特征.通过在MNIST手写数字识别集上的实验结果证明,采用新模型提取的图像特征分类准确率提高0.5%、训练时间减少50%,且达到了目前MNIST数据集的最佳水平.     

基于多尺度CNN特征的国画图像分类算法

为了捕获国画图像的局部表现手法而实现风格分类,提出一种基于多尺度卷积神经网络(Convolutional Neural Network, CNN)特征的国画图像分类算法。该算法先对AlexNet网络模型进行改进,得到精简AlexNet网络模型以降低网络深度与参数规模。然后采用非对称空间分块方法对训练样本进行数据扩充,训练具有特征提取能力的CNN网络模型,以提取国画图像的多尺度CNN特征。最后,采用前向搜索选择方法对多尺度CNN特征进行选择降维,再结合支持向量机(Support Vector Machine, SVM)分类器实现国画图像自动分类。对比实验结果表明,多尺度CNN特征较之全局CNN特征分类精度提高了2.12%,且所提算法在分类精度方面均高于其他图像分类方法。     

一种改进的生成对抗网络在朱金木雕图像修复中的应用

针对朱金木雕图像纹理丰富难以用简单超分辨率方法修复的问题，提出了一种改进的生成对抗网络方法。依据深度残差模型、子像素卷积模型及截断的预训练视觉几何组19 (Visual Geometry Group 19, VGG 19)模型，把输入的低分辨率图像转化为高分辨率图像，并利用原始图像的特征图计算内容损失；应用判别网络判别图像的真实性并计算对抗损失，不断反馈这两种损失来更新模型；通过迁移学习将预训练得到的参数迁移到朱金木雕数据集上，经过少量训练后得到新模型。实验结果表明：使用改进的生成对抗网络得到的峰值信噪比（FPSNR）与结构相似性（FSSIM）指标均值分别为22.546 9和0.675 9，使用其他方法得到FPSNR与FSSIM指标的均值分别为9.835 5和0.100 4。使用改进的生成对抗网络获得图片纹理更丰富，在指标和图像效果上更优。     

基于改进卷积神经网络的藻类分类与识别方法

通过观测水体中海藻的种类和数量对水质的影响,达到预防藻类污染和检测水质好坏的 目的.基于改进卷积神经网络与深度学习 目标检测模型相结合的方法对藻类图像的大小、形态等特征进行提取与训练,实现藻类图像的识别分类.实验结果表明,运用改进的卷积神经网络和目标检测模型使得藻类识别的平均准确率达到95％以上,有效避免了过拟合的现象.该方法用于水质检测可以有效地解决由于人工识别分类带来的误差,减少人力输出,提高效率.     

用于遥感图像变化检测的深度监督网络

为了解决大多数全卷积网络出现的特征提取单一、遥感图像变化检测（CD）能力差的问题，借助Unet++网络构建用于遥感图像CD的深度监督网络（DSNet）.设计多尺度残差模块替换传统卷积层，通过融合孪生网络双分支上的空间与光谱特性，获取遥感图像在不同层次间的语义信息，有效解决了特征提取单一的问题.在模型解码端设计横向输出层，实现节点从低级向高级特征聚合的深度监督过程.将具备信息差异化的不同特征融合结果传输至基于归一化的注意力模块(NAM)中.在不引入额外参数的前提下增强了变化区域的信息权重.实验结果表明，所提模型在遥感图像CD任务中的召回率和精度分别为90.39%和92.04%，模型的参数量和计算量为6.38 M和60 G.与不同网络模型的对比表明，该方法具有检测精度高、速度快和轻量化等优点.     

基于深度学习的洗衣机异常音检测

基于卷积神经网络框架,提出一种洗衣机异音识别模型,根据卷积神经网络显著特征提取能力和平移不变性,学习洗衣机的异音特征,实现生产线洗衣机的异音自动智能识别。给出完整的过程解决训练数据集的建立、数据样本不平衡等问题。提出一种用于数据增强的网络模型——音频深度卷积生成对抗网络解决训练样本的稀缺性问题。该模型对传统的深度卷积生成对抗网络进行改进,以更好地适应工业音频的生成。利用该模型能够对原始数据进行扩展,生成洗衣机异音增强数据集,在该数据集的基础上进行卷积神经网络训练,经测试准确率达到0.999。利用添加背景噪声信号的数据集测试洗衣机异音识别模型的泛化能力,正确识别率达到0.902,表明该网络在识别洗衣机异音方面具有良好的鲁棒性。     

基于多时长特征融合的人体行为识别方法

对于视频中的人体行为识别问题,提出了多时长特征融合模块以提取多种具有不同时长的行为信息,多时长特征融合模块由多个具有不同时间维度的3D卷积核计算并联组成,并结合密集连接模块设计了一种基于多时长信息特征融合的密集连接卷积神经网络。该网络对从视频中提取的序列图像进行特征学习,有效地提取了动态行为特征,并对其进行分类。同时,提出了一种3D卷积神经网络预训练策略,实现了从2D到3D卷积神经网络的迁移学习。实验结果表明:该方法能够对视频中的人体行为进行有效地识别,在UCF101与HMDB51数据集上分类准确率分别达到87.1%与58.3%。     

基于深度学习的水面漂浮物智能检测方法

漂浮物作为河道表观污染的重要源头,加强漂浮物检测是改善水环境生态质量的重要途径,也是积极落实“河长制”政策的技术手段。由于水面漂浮物具有场景复杂度高、形状不规则以及多尺度形态变化等特点,采用传统的图像识别方法快速有效地检测目标具有较大的挑战性。因此,本文提出了一种基于深度学习的实时且稳健的水面漂浮物智能检测方法。首先,基于稀疏分解思想对低质量漂浮物图像进行降噪和增强处理,初步降低复杂水面环境对漂浮物图像质量的影响。其次,将轻量化MobileNetV2网络取代SSD算法中的VGG16网络作为骨干网络,在预测层中将深度可分离卷积取代标准卷积,并采用动态特征金字塔网络提高多尺度漂浮物的检测精度,弥补SSD网络中强制不同层学习相同特征的不足。然后,将统一量化卷积神经网络（Quantized-CNN）框架应用于量化SSD检测器的检测误差,进一步加速卷积层计算和压缩全连接层的参数,降低SSD算法的计算复杂度和内存成本。本文在构建的水面漂浮物数据集上进行的实验结果表明：与现有的图像识别算法相比,改进后的SSD检测算法的平均精度（AP）和F1达到95.86%和94.74%,在硬件GPU下的检测速度达到64.23f/s,检测算法的参数计算量减少到7.5亿,模型内存成本压缩到6.27MB。改进SSD算法实现了水面漂浮物检测的高精度和高效率。