基于卷积神经网络的光学遥感图像检索

提出了一种基于深度卷积神经网络的光学遥感图像检索方法。首先,通过多层卷积神经网络对遥感图像进行卷积和池化处理,得到每幅图像的特征图,抽取高层特征构建图像特征库;在此过程中使用特征图完成网络模型参数和Softmax分类器的训练。然后,借助Softmax分类器在图像检索阶段对查询图像引入类别反馈,提高图像检索准确度,并根据查询图像特征和图像特征库中特征向量之间的距离,按相似程度由大到小进行排序,得到最终的检索结果。在高分辨率遥感图像数据库中进行了实验,结果显示:针对水体、植被、建筑、农田、裸地等5类图像的平均检索准确度约98.4%,增加飞机、舰船后7类遥感图像的平均检索准确度约95.9%;类别信息的引入有效提高了遥感图像的检索速度和准确度,检索时间减少了约17.6%;与颜色、纹理、词袋模型的对比实验表明,利用深度卷积神经网络抽取的高层信息能够更好地描述图像内容。实验表明该方法能够有效提高光学遥感图像的检索速度和准确度。     

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。     

面向高光谱显微图像血细胞分类的空-谱可分离卷积神经网络

深度学习已经在高光谱血细胞图像分类中获得广泛应用.然而,传统深度学习模型需要大量标记数据作为样本,忽略了高光谱图像"图谱合一"的性质,不能充分挖掘高光谱图像内蕴信息,且存在参数多、复杂度高问题.针对上述问题,提出了空-谱可分离卷积神经网络(S3CNN),在降低模型复杂度的同时有效提升高光谱血细胞图像分类性能.根据高光谱...     

基于迁移学习的VGG-16网络芯片图像分类

针对芯片图像分类过程中图像数量过少、需要大量人工标注以及效率低的问题,提出一种基于迁移学习的VGG-16网络芯片图像分类方法。该方法通过VGG-16网络直接从原始像素中自动学习图像特征,有效减少人工标注的成本,同时对比了VGG-16网络模型和基于迁移学习的VGG-16网络模型的准确率及其混淆矩阵。实验结果表明,所提出的基于迁移学习的VGG-16网络模型对芯片图像分类效果要优于原VGG-16网络模型。     

基于深度卷积神经网络的车标分类

基于深度学习框架Caffe和具有强大计算能力的GPU,运用深度神经网络AlexNet和GoogleNet,对具有不同背景的汽车图像进行网络训练,以达到车辆自动识别的目的。分别对4类车标进行网络训练与测试,实验结果表明,在图像识别分类方面,与传统识别方法相比,深度卷积神经网络更具优势。     

循环神经网络多标签航空图像分类

由于航空图像背景复杂,包含的物体类别多样,航空图像分类任务仍然面临困难。针对传统航空图像多标签分类算法准确率低、泛化性差的问题,本文提出了一种基于循环神经网络多标签航空图像分类方法。首先,采用超像素分割获取图像的低层特征,通过注意力机制生成注意力特征图;接着,采用交叉验证的方式获取最佳的图像尺度,将多尺度注意力特征图嵌入卷积神经网络中对图像进行特征提取;最后,采用改进的双向长短期记忆网络挖掘标签之间的相关性,改进的双向长短期记忆网络增加了输入门到输出门之间的连接,使输入状态可以更好地控制每一内存单元输出的信息,并且将遗忘门和输入门合并成单一的更新门,使得改进的双向长短期记忆网络可以学到更长时期的历史信息。结果显示,在图像变换尺度为1,1.3,2时,模型在UCM多标签数据集上的精确率和召回率分别达到了85.33%和87.05%,F1值达到了0.862。本文方法相比于原始VGGNet16模型,精确率提高了7.25%,召回率提高了8.94%。实验表明,该方法可以有效提高航空图像多标签分类任务的准确率。     

基于极深超分辨率卷积神经网络的单一图像超分辨率研究（英文）

单一图像超分辨率（Sing image super-resolution,SISR）是一个具有挑战性的问题,从根本上说,低分辨率图像可以对应于一组高分辨率图像,但是其困难在于大多数不可预期。深度学习为单一图像超分辨率研究提供了有效途径,通过构造极深超分辨卷积神经网络（Very deep super-resolution conventional neural network,VDSRCNN）,可以将低分辨率图像优化为高分辨率图像。本研究主要实现了两个目标：图像超分辨率（Image super-resolution,ISR）和应用极深超分辨率卷积神经网络使图像更清晰。首先,在分析ISR的基础上,对不同的训练参数进行改良,以测试VDSRCNN的性能;其次,通过在训练集中加入运动模糊图像来优化VDSRCNN的结构参数;最后,利用图像质量指数评价了传统方法和VDSRCNN方法的图像差异。结果表明,本文提出的方法可以有效改良VDSRCNN的结构,更好地从低分辨率图像生成高分辨率图像。     

基于卷积神经网络的时频图像识别研究

变速器作为汽车动力传递系统中的关键部件,其振动和噪声直接影响着汽车的性能。由发动机输入到变速器的转速很多情况下是变化的,这使得这种工况下的变速器故障诊断更加复杂。针对这个问题,提出了基于卷积神经网络（convolutional neural network,CNN）的变速器变转速工况下的故障分类识别方法:在变转速下,采集了变速箱多种故障状态下的振动信号,对各类信号进行时频变换得到时频矩阵,并利用CNN实现多类故障的分类。并研究了CNN结合不同时频方法时的识别性能,结果表明,连续小波变换(continuous wavelet transform,CWT)与CNN结合的方法对变转速下的时频图识别性能最好。     

基于卷积神经网络的装备故障诊断系统研究

为解决某装备在强电磁干扰和灰尘、潮湿等恶劣环境下的数据采集、故障诊断与排除难题,设计了基于无线传感网络的分布式传感器数据采集与故障诊断系统技术方案,构建了以军用级SM5X500无线数传模块为核心的无线传感网络.故障诊断软件采用了卷积神经网络与虚拟仪器相结合的故障诊断设计方案,在决策层层面上利用信息融合技术进行诊断结果融合,获得可信度更高的故障诊断输出结果.为工程装备的现场检测诊断提供了一种新的技术手段,通过采集的5种液压系统故障数据进行验证,结果显示该算法程序具有较好的灵活性、鲁棒性,故障诊断准确率较高,平均准确率可达97.31％.     

基于卷积神经网络的微电机装配故障诊断研究

针对微电机装配质量控制水平低、产线故障发现不及时且难以做出最佳决策等问题,提出一种基于卷积神经网络(CNN)的微电机装配故障诊断方法.该方法将实时采集的微电机装配过程质量特性数据绘制出控制图,采用数值转化为图像的数据预处理方法实现CNN对控制图异常模式的识别,最后通过控制图异常模式向故障映射的方法完成故障诊断.基于该方...     

基于颜色特征的图像分类技术在油品分析中的应用

目的解决与标准色板(图像)进行对比分级的问题;方法基于matlab神经网络的图像分类技术;结果能够较好地解决铜片腐蚀试验中的分级问题;结论在误差允许的范围内,能够有效地解决油品分析中的图像对比评级问题.     

基于深度卷积神经网络的刀具磨损量自动提取方法

刀具状态检测可以有效降低加工过程中刀具的不确定性,提高数控加工质量和效率,降低加工成本。在小批量制造模式下的复杂零件制造过程中,零件的几何形状和加工参数不断变化,刀具所受外力也在不断改变,进而导致刀具磨损速率持续变化。传统的固定切削时间更换刀具的方法只能采取更加保守的切削时间更换刀具,给加工过程增加了很多的不确定性,并造成严重的刀具浪费。本文针对以上问题提出了一种刀具磨损在线测量方法,通过电子显微镜在线拍摄刀具照片,经小波滤波降噪处理后的图片由卷积神经网络进行处理,并自动计算出刀具磨损量。该方法可以有效地提取出刀具磨损量,测量误差不超过0.02mm。     

基于改进BP网络的指纹分类

利用遗传算法具有的全局随机搜索能力,设计了一个改进的BP学习算法进行网络训练,即先用遗传学习算法进行全局训练,再用BP算法进行精确训练.利用Visual c++编程测试,结果表明,该系统具有分类速度快、效率高的优点,具有一定的实用性.     

基于U-Net神经网络眼底图像的视盘分割研究

眼底图像中的视盘在青光眼筛查和诊断中起着重要作用。因此,从眼底图像中对视盘进行准确、快速地定位与分割具有重要意义。在过去,研究者们已经进行了对视盘的深入研究,但如何提高定位准确率和分割精度仍是视盘分割的一大难题。对此本文提出一种采用深度学习结构U-Net的视网膜视盘自动分割的方法,该方法结合机器学习,通过深度网络提取输入图像的视盘特征,从而得出相应的分割结果图。相对于传统的视盘分割方法,本文的U-Net神经网络能够有效学习有利于分割视盘的特征,从而提高分割的精确度,而且分割耗时更短。     

基于改进神经网络的图像融合技术

传统图像融合技术存在融合后图像边缘清晰度低的问题,为此,引入改进神经网络,提出一种图像融合技术的设计方法.通过分析改进神经网络的理论概述,提出基于改进神经网络构建脉冲融合数学模型的方式,对图像融合中的行为进行数学描述与约束.同时,根据每个神经元在网络中的不同状态,制定图像融合行为实施规则,对其附近区域内的神经元信息进行...     

基于卷积神经网络的制孔出口毛刺预测方法

受深度学习理论的启发,对使用卷积神经网络预测航空装配制孔质量进行研究。以工艺参数(制孔转速、进给、每转进给)与主轴电流信号为网络输入,以制孔出口毛刺高度为预测目标,在实验基础上,分析了激活函数、目标优化算法、卷积核个数、卷积层层数、卷积窗口大小和学习率等对制孔出口毛刺卷积神经网络预测模型的影响,并通过启发式算法确定了最优的网络设置。研究结果表明,制孔出口毛刺预测平均相对误差为9.34%,实验集测试预测相对误差在15%以内,优于传统理论建模30%左右的预测相对误差。     

基于增强迁移卷积神经网络的机械智能故障诊断

现有的基于深度迁移学习的智能诊断方法通常对源域和目标域特征对齐来减少两者分布差异,没有考虑源域类别决策边界对目标域特征匹配的影响,针对此不足,提出了一种增强迁移卷积神经网络(Enhanced transfer convolutional neural network,ETCNN)来改进机械设备在变工况下的诊断精度和泛化...