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.     

基于TensorFlow的车牌字符识别方法

全连接神经网络将车牌字符图像以一维矩阵的形式进行矩阵运算,忽略了图像自身的特性,且一旦图像像素过多,神经网络的参数规模会急剧增加,常规的神经网络很难训练.基于TensorFlow深度学习框架搭建一种卷积神经网络训练模型,在自制的大小为40×32像素点车牌字符灰度图像数据集基础上,使用搭建的神经网络模型训练得到较好的训练效果,利用多次卷积和池化层提取特征,与全连接神经网络相比极大减少节点数量,提高识别的精准度.通过不同识别算法的准确率对比可见,卷积神经网络对中文、英文和数字的识别更加准确,模型的鲁棒性和泛化能力有很大提高.     

基于深度卷积自编码网络的小样本光伏热斑识别与定位

针对传统卷积神经网络训练需要大量数据、而热斑效应图像样本量较少的现状,构建一种深度卷积自编码网络模型用于小样本光伏热斑识别与定位。首先对原始光伏红外图像做预处理得到小样本数据集,然后构建一种以卷积神经网络为基础、结合自编码器的深度卷积自编码网络模型。该模型能自动学习并提取小样本图像中的有效特征,提高识别准确率。实验结果表明,针对小样本光伏热斑图像数据集,深度卷积自编码网络模型比传统卷积神经网络在测试集上的识别准确率高出了7.98%,且具有更强的泛化能力和鲁棒性。     

深度连续卷积神经网络模型构建与性能分析

为了提升卷积神经网络特征提取能力,设计了一种基于连续卷积的深度卷积神经网络模型.该模型采用小尺度的卷积核来更细致地提取局部特征,并借助连续的两个卷积层增加模型的非线性表达能力,结合Dropout技术降低神经元之间的相互依赖,利用抑制网络过拟合对模型进行优化.人脸表情、手写数字字符和彩色图像的目标识别实验表明,在图像较为复杂时,该模型在识别的准确性和泛化性能上比手工特征提取方法及一般的2、3层卷积结构具有明显的优势.     

SR-CNN融合决策的眼部状态识别方法

为了研究人眼状态识别对人眼定位的依赖性和实际使用中分类模型泛化能力不佳的问题,本文提出了一种基于选择性区域的卷积神经网络的融合决策的眼部状态识别方法。该方法用SR方法预处理wild人脸数据集,扩大了训练集的规模并引入了对眼部的先验知识,在此基础上训练卷积神经网络的分类模型进行眼部状态识别的评估。对比实验结果可知,基于SR-CNN融合决策的眼部状态识别方法测试的准确度能达到95%左右,显著降低了测试错误率,提高了模型的泛化能力和准确性。     

应用卷积神经网络的遥感图像云层自主检测

为实现遥感卫星对遥感图像的自主云层判别能力,提升目标自主识别的效率,避免云层覆盖面积较大的遥感图像丢失关键的目标信息而给后续算法处理带来不必要的计算资源浪费,提出一种基于卷积神经网络的云层自主检测方法,实现遥感图像云层的自主检测,达到了较高的检测精度.首先,根据遥感图像的特性建立卷积神经网络.然后,使用大量人工标识的遥感图像完成云层检测网络训练,使其达到预期检测精度.最后,在卫星在轨运行阶段,将所拍摄的遥感图像根据尺寸划分为若干个子图,并通过训练完成的卷积神经网络对子图是否被云层覆盖进行分类预测.综合所有子图的预测结果给出整幅遥感图像的云层覆盖占比.结果表明:以Landsat卫星遥感图像为测试对象,该方法可以实现有云层覆盖检测正确率为95.3%,无云层覆盖检测精度为97.8%,误判率为2.58%,漏判率为0.90%,综合精度为97.9%;由于使用了卷积神经网络和并行计算技术,该方法基本满足实时性需求,提高了算法的自主性与鲁棒性,为基于遥感图像的在轨实时应用奠定了基础.     

ECA-SKNet：玉米单倍体种子的卷积神经网络识别模型

采用3 000张玉米种子图像进行基于卷积神经网络的玉米单倍体种子识别，包含1 230张单倍体玉米种子图像和1 770张二倍体玉米种子图像。为对比不同卷积神经网络模型在单倍体玉米种子识别的效果，使用VGG、ResNet、DenseNet和SKNet等经典模型，并对SKNet模型进行改进，将其降维升维全连接层设计为一维卷积以降低模型参数数量，改进后的SKNet称为ECA＿SKNet。对5种模型使用相同优化器和训练周期进行实验，结果表明：实验模型均能对单倍体玉米种子达到较好的识别效果，最低准确率能达88.5%,ECA＿SKNet模型准确率达93.04%。可见，卷积神经网络在玉米单倍体种子识别中能够发挥重要作用，为作物种子识别提供新思路。     

基于卷积神经网络的生活垃圾图像分类模型设计

利用基于深度学习的VGG-16卷积神经网络模型,对涵盖4个大类243个小类生活垃圾的77656张图像进行分类检测识别.为了保证模型检测的准确性,先引入Retinex算法对图像进行增强处理,然后对分类交叉熵损失函数进行改进,加入L1正则化和L2正则化,构建新的损失函数.实验结果显示,使用原VGG-16网络模型对垃圾图像进行分类,准确率为94.43％,损失值为0.53;引入Retinex算法对图像进行增强处理后,准确率为95.56％,损失值为0.36;在损失函数中加入L1或者L2正则化后,分类准确率较原网络模型有较小幅度的提升;采用改进后的交叉熵损失函数之后,准确率达97.67％,损失值仅为0.18.     

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。     

基于全卷积神经网络的国内常见交通警告标志识别

交通警告标志是用于警告驾驶员和行人注意危险地点的标志,为了降低由于忽略交通警告标志而引发的交通事故发生率,提出了一种基于全卷积神经网络的交通警告标志检测方法。首先,为了增强模型的泛化能力,对图像进行了数据增强处理;其次,通过卷积层与残差连接层交替连接来对图片数据进行颜色、形状等特征提取;最后,通过特征金字塔网络结构进行跨尺度预测,在不同尺度上预测物体位置坐标和类别概率。实验结果表明,该方法利用全卷积神经网络的深度学习能力,实现了对交通警告标志的快速、准确识别。