基于BP神经网络分类器的运动物体识别方法的研究

本文针对运动目标进行特征提取,在神经网络分类器中输入数据,对分类器采用不同的算法进行训练,以提高运动物体识别的准确率。据有关试验结果显示,与其它类型的分类器相比,基于BP神经网络分类器的运动物体识别方法的识别率相对较为准确。     

基于结构照明和BP神经网络的三维物体识别

提出一种具有旋转不变性的三维物体识别的新方法,该方法通过结构光照明的方法,使物体的高度分布以变形条纹的形式编码于二维强度图中,由于条纹图包含有物体的高度分布信息,因此对条纹的相关识别具有本征三维识别的特点.旋转不变性是通过BP神经网络实现的.计算机模拟结果表明,用二维强度像的基频分量做训练样本设计BP神经网络,选择训练样本和隐藏层神经元的数目,基于结构光编码的BP神经网络对三维物体具有良好的旋转不变识别效果.     

基于注意力机制的轻量级RGB-D图像语义分割网络

目的针对卷积神经网络在RGB-D(彩色-深度)图像中进行语义分割任务时模型参数量大且分割精度不高的问题,提出一种融合高效通道注意力机制的轻量级语义分割网络。方法文中网络基于RefineNet,利用深度可分离卷积(Depthwiseseparableconvolution)来轻量化网络模型,并在编码网络和解码网络中分别融合高效的通道注意力机制。首先RGB-D图像通过带有通道注意力机制的编码器网络,分别对RGB图像和深度图像进行特征提取;然后经过融合模块将2种特征进行多维度融合;最后融合特征经过轻量化的解码器网络得到分割结果,并与RefineNet等6种网络的分割结果进行对比分析。结果对提出的算法在语义分割网络常用公开数据集上进行了实验,实验结果显示文中网络模型参数为90.41 MB,且平均交并比(mIoU)比RefineNet网络提高了1.7%,达到了45.3%。结论实验结果表明,文中网络在参数量大幅减少的情况下还能提高了语义分割精度。     

一种基于VGGish神经网络的水声目标识别方法

水声目标智能识别是水声装备智能化的重要组成部分,深度学习则是实现水声目标智能识别的重要技术手段之一。当前水声目标智能识别经常面临数据集较小带来的训练样本量不足的情况,针对小数据集识别中存在的因过拟合导致模型泛化能力不足,以及输入的水声信号二维谱图样式不统一的问题,文章提出了一种基于VGGish神经网络模型的水声目标识别方法。该方法以VGGish网络作为特征提取器,并在VGGish网络前部加入了信号预处理模块,同时设计了一种基于传统机器学习算法的联合分类器,通过以上措施解决了过拟合问题和二维谱图样式不统一问题。实验结果显示,该方法应用在ShipsEar数据集上得到了94.397%的识别准确率,高于传统预训练-微调法得到的最高90.977%的准确率,并且在相同条件下该方法的模型训练耗时仅为传统预训练-微调方法的0.5%左右,有效提高了识别准确率和模型训练速度。     

基于深度神经网络的货架商品识别方法

目的为快速统计货架商品信息,提出一种基于深度神经网络的货架商品自动识别方法。方法摄像头采集的货架商品图像经过深度神经网络算法处理,得到了图像中商品的SKU和位置。针对货架商品识别这种密集检测场景,文中方法改进了通用深度神经网络目标检测算法,将算法分为检测和分类2个阶段且重新设计了部分网络结构。最后,将文中方法和传统货架商品识别方法以及通用深度神经网络目标检测方法进行了比较。结果实验证明该方法的检测阶段的模型平均正确率达到96.5%,分类阶段的分类准确率达到99.9%。整图测试的查准率为97.56%,查全率为99.26%。结论相较于以往使用传统的目标检测模型进行货架商品识别以及使用SIFT等人工算子提取特征并分类识别商品具体SKU,文中方法的商品检出率和分类准确率都有了大幅度的提升,具有很好的应用潜力。     

基于小波散射卷积神经网络的结构损伤识别

损伤识别是结构状态评估领域的关键问题之一,对确保结构安全性有重要意义。深度学习算法在基于振动的结构损伤识别方面带来了许多突破,但从海量数据中挖掘结构损伤关键信息仍是亟待解决的技术难题。该研究提出了基于一维卷积神经网络(one-dimensional-convolutional neural network, 1D-CNN)深度学习的结构多类型损伤识别模型,采用小波散射变换对1D-CNN架构第一层卷积滤波器进行替换,通过散射系数实现输入层原始数据降维与特征提取,结合CNN卷积层、激活层和池化层实现监测数据特征增强处理。在此基础上,结合1D-CNN全连接层与Softmax函数实现特征数据分类,从而实现结构多类型损伤定位与定量高效识别。通过钢桁架结构和斜拉桥两种数值模型对上述框架进行了验证。结果表明：与普通卷积神经网络模型相比,基于小波散射卷积神经网络的结构损伤识别精度显著提升,损伤分类准确率达95.0%以上。随着传感数据环境噪声比例的增加,小波散射卷积神经网络损伤分类准确率虽略有下降,但仍保持较高精准度,说明该方法具有较强的鲁棒性抗噪能力。     

基于环形特征的卷积神经网络轮毂识别

针对实际生产中不同种类轮毂的混流生产问题,提出了一种基于环形特征的卷积神经网络轮毂识别算法。将直角坐标下的环形轮毂映射到极坐标中,归一化为标准形式的矩形,提取轮毂图像的环形特征信息,减少冗余特征产生的影响;设计了一种改进的VGG网络架构,利用深度可分离卷积打破输出通道维度与卷积核大小的联系,在不损失网络性能的同时降低了计算量,能够在实际生产中轮毂识别任务在有限的算力情况下实时进行计算;从有效性和实时性两个方面对轮毂识别算法进行评估,且通过Inception V3、SVM、KNN等模型的对比实验,验证了该算法可以实时地对轮毂自适应分类。实验表明: 该方法对轮毂图像的处理精度达到99%以上,单幅图像平均处理时间降低至11.78ms。     

改进的基于人眼结构特征的虹膜识别方法

本文提出了一种改进的基于人眼结构特征的虹膜识别方法,基本思想是:首先,通过图像预处理,确定虹膜的位置和大小,将环形虹膜图像展开成矩形并进行归一化与图像增强;其次,利用局部灰度极小值的方法寻找有效虹膜区域内的特征点,依据纹理长度和方向信息去掉伪特征点,得到虹膜二进制编码;最后根据匹配准则进行识别.大量实验表明,该方法识别率高,识别时间短.     

基于卷积神经网络的PCB缺陷图像识别

PCB缺陷图像检测是确保PCB生产质量的重要环节,但传统的人工PCB缺陷检测具有劳动强度大、工作效率低等不足.为此,本文研究了一种基于卷积神经网络的PCB缺陷图像识别方法,建立了包括三种PCB缺陷和无缺陷图像的数据集,基于ResNet101网络模型搭建了PCB缺陷图像识别分类模型.引入迁移学习的方法,基于在大数据集上充...     

基于均值特征和改进深度神经网络的说话人识别算法

为提高神经网络在说话人识别应用中的识别性能,提出基于高斯增值矩阵特征和改进深度卷积神经网络的说话人识别算法.算法首先通过最大后验概率提取基于梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)特征的高斯均值矩阵,并对特征进行噪声适应性补偿,以增强信号的帧间关联和说话人特征信...     

全卷积循环神经网络的语音情感识别

语音情感识别是人机交互的热门研究领域之一。然而,由于缺乏对语音中时频相关信息的研究,导致情感信息挖掘深度不够。为了更好地挖掘语音中的时频相关信息,提出了一种全卷积循环神经网络模型,采用并行多输入的方式组合不同模型,同时从两个模块中提取不同功能的特征。利用全卷积神经网络（Fully Convolutional Network,FCN）学习语音谱图特征中的时频相关信息,同时,利用长短期记忆（Long Short-Term Memory,LSTM）神经网络来学习语音的帧级特征,以补充模型在FCN学习过程中缺失的时间相关信息,最后,将特征融合后使用分类器进行分类,在两个公开的情感数据集上的测试验证了所提算法的优越性。     

基于改进一维卷积神经网络的滚动轴承故障识别

滚动轴承的故障识别对于防止旋转机械系统故障恶化并保证其安全运行具有重要意义。针对现有智能诊断模型参数多、识别效率低的问题,提出一种基于改进一维卷积神经网络的滚动轴承故障识别(FRICNN–1D)方法。通过引入1×1卷积核增强一维卷积神经网络模型的非线性表达能力;并用全局平局池化层代替传统卷积神经(CNN)网络中的全连接层,以降低模型参数和计算量,且防止过拟合现象。试验结果表明,该方法可以准确识别滚动轴承不同故障状态,具有一定的工程实际应用潜力。     

基于背景抑制与改进多尺度LSD的声呐小目标检测算法

针对声呐小目标检测由于水下环境复杂、目标回波信号弱等因素造成虚警率和误检率较高的问题,文章提出基于背景抑制和改进直线分割检测(Line Segment Detection, LSD)的检测算法。首先对原始声呐数据截取序列片段,构建多周期累积历程图,凸显运动目标轨迹线特征;其次设计边缘滤波算子,有效滤除部分背景噪声,并结合投影变换进行线特征增强,不仅实现了断裂直线重连,还抑制了剩余噪声;然后基于图像金字塔改进了多尺度LSD直线分割检测算法,有效缓解了过检测问题,大幅增加了直线平均长度;最后为了合并冗余检测信息,利用运动轨迹时空一致性特征设计后处理模块,提高了检测定位精度。通过多组无人遥控潜水器(Remotely Operated Vehicle, ROV)、潜水员、空心球靶小目标序列的湖试、海试数据的定量与可视化结果定性分析,实验结果显示,文中算法与传统LSD相比,误检率和漏检率分别降低了11.2和3.9个百分点,定位误差下降了1.495个像素。结果表明,文中所提算法大幅提高了声呐小目标检测精度,为后续水下目标识别、跟踪等任务奠定重要基础。     

基于神经网络的在线计算机图像识别系统

以二值型自适应共振理论（ART－1）神经网络为识别核心设计了一个应用于生产流水线的计算机识别系统，它可以对生产线上的零件和产品的文字和符号进行实时识别，作自动记录。该系统具有学习和识别速度快、识别率高（＞96％），可以灵活改变识别对象，应用范围广等特点。     

基于随机卷积特征和集成超限学习机的快速SAR目标识别

深度卷积神经网络在目标检测与识别等方面表现出了优异性能,但将其用于SAR目标识别时,较少的训练样本和深度模型的优化设计是必须解决的两个问题。本文设计了一种结合二维随机卷积特征和集成超限学习机的SAR目标识别算法。首先,随机生成具有不同宽度的二维卷积核,对输入图像进行卷积与池化操作,提取随机卷积特征向量。其次,为提高分类器的泛化能力,并降低训练时间,基于集成学习思想对提取的卷积特征进行随机采样,然后采用超限学习机训练基分类器。最后,通过投票表决法对基分类器的分类结果进行集成。采用MSTAR数据集进行了SAR目标识别实验,实验结果表明,由于采用的超限学习机具有快速训练能力,训练时间降低了数十倍,在无需进行数据增强的情况下,分类精度与采用数据增强和多层卷积神经网络的深度学习算法相当。提出的算法具有实现简单、需要调整参数少等优点,采用集成学习思想提高了分类器的泛化能力。

     

Real object recognition using moment invariants

Moments and functions of moments have been extensively employed as invariant global features of images in pattern recognition. In this study, a flexible recognition system that can compute the good features for high classification of 3-D real objects is investigated. For object recognition, regardless of orientation, size and position, feature vectors are computed with the help of nonlinear moment invariant functions. Representations of objects using two-dimensional images that are taken from different angles of view are the main features leading us to our objective. After efficient feature extraction, the main focus of this study, the recognition performance of classifiers in conjunction with moment-based feature sets, is introduced     

基于Hausdorff距离的工件焊缝接头类型识别

提出了一种以Hausdorff距离为度量准则的工件焊缝接头类型识别方法.通过激光结构光视觉方法,CCD摄像机采集被焊工件焊缝接头的激光图像,并提取出激光条纹中心线.根据焊缝接头图像特点,提出6种焊缝接头条纹形状基准模型.以Hausdorff距离度量激光条纹图形与基准模型库之间的匹配程度,当条纹形状与基准模型的距离具有最小容差时,认为与相对应的焊缝接头类型相匹配.为实现算法加速,采用Hough变换和Hotelling变换来标准化图形,并利用图像特征对搜索空间进行了降维.实验结果验证了该识别方法的有效性.