基于深度卷积神经网络的γ光子图像分类识别研究

通过对正电子探测成像技术获得的γ光子图像进行分类识别,有利于后续有针对性地快速获取图像所包含的有效信息。在MatConvNet上利用迁移学习的方法搭建深度卷积神经网络,通过对其参数的调整进一步提高网络分类识别的性能。为了验证网络性能,设计了10组不同形状的管材模型,利用仿真得到的扫描时间为1s的γ光子图像样本集对网络进行训练后,将其应用于扫描时间为0.1 s的γ光子图像样本进行分类识别,发现分类准确率在图像质量偏差、扫描时间为0.1 s的γ光子图像样本上仍然达到了94.72%。可见所搭建的深度卷积神经网络对γ光子图像具有很好的分类识别性能。     

视频侦查中人像智能分析应用及算法优化

人像智能分析指的是对视频或录像中的人像进行结构化和可视化分析,对目标人物进行性别、年龄、发型等特征的智能识别,这项技术在视频侦查中有极高的应用价值。人像识别早期的算法是通过人工提取特征,通过学习低级视觉特征来针对不同属性进行分类学习,这种基于传统方法的模型表现常常不尽如人意。在计算机视觉领域,通过海量图像数据学习的神经网络比传统方法有更丰富的信息量和特征可以被提取。文章尝试通过深度学习技术训练神经网络模型对行人进行检测和识别,对于衣着不同的行人进行智能识别,具有更好的鲁棒性,提升了视频人像识别的准确率,拓展了人工智能技术在身份识别领域的应用。     

自适应连续集稀疏分解声音识别算法

为实现公共环境复杂背景中异常声信号识别以辅助公共场所安全监控,提出基于连续完备集的自适应MP稀疏分解声音识别算法,算法通过相关参数改进实现自适应PSO算法,然后借助PSO算法的连续空间搜索优势对MP稀疏分解进行连续集优化,从而提高稀疏分解获得的最优原子的匹配度,最后提取重构声信号的时频参数特征以SVM算法实现异常声音事件的快速准确识别。实验结果表明,与已有算法相比,所提识别算法显著降低了计算量,并取得了最优的声音识别率和识别鲁棒性。     

非线性悬架系统的最小二乘参数识别方法

针对汽车非线性悬架参数识别问题,根据最小二乘法原理,分别提出了基于离散化模型的参数识别方法和基于系统输入输出数据的参数识别方法。首先,从理论上介绍了两种识别方法的理论基础及其与最小二乘法之间的内在联系。其次,分别应用两种方法对汽车非线性悬架系统的线性及非线性参数进行识别,并通过仿真验证了两种基于最小二乘法的非线性系统参数识别方法的有效性。最后,进一步介绍了对于更一般的非线性系统,两种方法的适用范围,为非线性悬架系统及同类非线性系统的设计与分析提供了理论基础。     

YOLOv2在煤岩智能识别与定位中的应用研究

综采工作面煤层走向复杂，采用“一刀切”的开采方法会加速滚轮截齿的磨损，同时开采效率也大幅降低，对煤岩的精准识别是解决此类问题、实现智能开采的关键。将基于回归方程的深度学习目标检测算法YOLOv2与线性成像模型相结合并通过该算法对井下采集煤岩图像进行了智能识别与定位，同时与Faster R-CNN，SSD对煤岩图像的识别结果进行了对比。结果显示YOLOv2对煤岩的识别精度达到了78%，检测速度达到了63 frame/s，与Faster R-CNN，SSD相比精度高出7.7%，4.7%，而检测速度高出763%，40%；在矿井测量坐标系中YOLOv2标定的煤层边界框角点的计算坐标与实测坐标相比相对误差在3.0%～4.5%之间，相对误差较小，不会对采煤效率产生影响。研究结果表明，YOLOv2可以对煤岩进行准确快速的识别。