基于深度学习的车联网图像识别系统设计

由于传统系统在车联网图像识别应用中的漏识率较高,基于深度学习设计车联网图像识别系统。硬件方面,设计了高清摄像机和发光二极管（Light Emitting Diode,LED）补光灯,获取道路车辆图像信息;软件方面,根据图像对比结果将车辆图像分成两类,对亮度较低的一类进行增强处理,利用深度学习网络模型对图像特征进行深度挖掘,并对提取的图像特征进行降维处理,根据图像特征与车联网数据库中的车辆图像进行对比,计算出图像相似度,识别到图像属性信息,从而实现基于深度学习的车联网图像识别系统设计。实验结果表明,设计系统对于车联网图像识别的漏识率低于传统系统,能够为图像识别提供精准的依据。     

基于深度学习的布匹瑕疵数据可视化系统

在布匹瑕疵检测领域中,传统的瑕疵检测手段主要是采用人工检测的方式,其弊端很多,如检出率低等。为解决人工检测的各类问题,设计了基于深度学习的布匹瑕疵数据可视化系统,视觉算法部分采用改进后YOLOv5模型作为瑕疵检测模型对布匹的20种瑕疵进行检测,能够达到准确率95.7%,检测速度为33 ms,并且结合工业机械臂使用高清摄像头来进行图像以及视频的采集,在经过深度学习输出的相关数据经过后端并在前端平台上进行展示,从而实现自动化的检测及智能分析平台。     

基于深度残差网络与迁移学习的毒蕈图像识别

我国毒蕈种类繁多且分布广泛,经常有人因无法鉴别毒蕈和可食用菌而误食毒蕈,导致身体健康甚至生命安全受到严重威胁。为了减少毒蕈中毒事件的发生,本文以中国常见毒蕈为研究对象,提出基于深度残差网络与迁移学习的毒蕈图像识别方法。首先通过互联网途径获取常见种类的毒蕈和非毒蕈的图像,经筛选后得到18种毒蕈和5种非毒蕈共14669张图像,使用数据增强扩充数据量,建立中国常见毒蕈图像数据集。然后以ResNet-152为预训练网络模型,采用基于模型的迁移学习方法,构建出毒蕈图像识别的模型结构,以Adam算法为模型优化方法,最后通过k折交叉验证进行模型训练。试验结果表明,毒蕈图像识别模型Top-1和Top-5准确率分别为92.17%和97.35%,对于常见毒蕈图像具有较高的识别率,可以有效的帮助人们避免误食毒蕈,为毒蕈识别研究提供新的方法。     

基于深度学习的农作物病虫害图像识别方法

农业病虫害是影响农作物产量和质量的主要因素。如何快速准确地发现和识别农作物病虫害,一直是农业生产的难题。传统的病虫害检测方法主要依靠人工目测,存在着准确率低、效率低等问题。随着计算机视觉和深度学习技术的不断发展,基于图像分析的农作物病虫害识别技术逐渐成为研究的热点。对此,研究基于深度学习的农作物病虫害图像识别方法,以期提高病虫害图像分类的准确率和效率。     

基于大数据平台的交通数据可视化设计与实现

本文实现是以某市交通事故分析为核心,面向某市交管局指挥中心大屏环境,对交通事故相关综合数据进行处理分析和维护任务,具备优异的数据可视化显示效果,支持大屏、多屏等展示场景,为交通整改、政府决策等提供全面服务,使交管部门工作从规模庞大的交通事故数据^[1]中快速直接地检索到重要且需要的数据,最后通过数据可视化^[2]和数据分析处理相结合,提升交通事故剖析能力。     

基于深度学习的农作物病虫害图像识别APP系统设计

为准确有效识别出农作物病虫害类别及位置,构建一款农作物病虫害图像识别App系统,为广大农户、研究人员及管理者提供智能信息服务.该系统基于Android平台开发,在所收集的大量病虫害数据集上,开展了Darknet、YOLO等深度网络模型训练和测试,并使用批量正则化、维度聚类和课程设计学习等技术优化模型,实现了181种作物...     

基于深度学习的图像识别技术的研究

随着科技的蓬勃发展,人工智能逐渐应用于图像处理领域。传统图像处理与识别以人为提取特征为手段,但大量特征提取给图像识别造成了一定困扰,由此引进了深度学习图像识别技术。相比于传统方法,深度学习能够提供基于学习的特征表示,在自动特征提取和分割识别准确率方面具有良好表现。基于此,针对深度学习的图像识别技术进行综述,并总结了讨论内容。     

嵌入式设备实现弱光车牌图像识别

在智能交通环境中,车牌识别是其重要的工作内容,弱光车牌图像识别在嵌入式设备上的实现具有重大挑战.论文结合图像增强算法和图像识别算法,将训练好的算法模型在树莓派开发板上应用实现弱光车牌图像的识别.该模型将U-Net卷积网络作为图像增强处理部分的核心网络,利用LPRNet算法进行车牌图像识别.与HSV、BP和LeNet-5...     

基于深度学习的车牌定位和识别方法

针对现有的基于车牌字符分割的车牌识别方法,在光照,阴暗等特定自然场景下存在无法定位且车牌字符无法正确分割,直接影响车牌字符识别效果的问题,提出一种基于深度学习的车牌定位和识别方法.首先采用深度学习FasterR-CNN算法进行车牌定位,利用k-means++算法来选择最佳车牌区域尺寸,解决现有车牌定位方法在某些自然场景下无法正确定位车牌的问题;然后在AlexNet网络模型的基础上进行改进和重新构建,提出一种增强的卷积神经网络模型AlexNet-L,该模型是一种针对车牌字符识别的端对端网络模型,可提高车牌识别准确率,避免现有的基于车牌字符分割的车牌识别方法中因无法正确分割车牌字符对车牌字符识别的影响.实验结果表明,该方法可以更有效地提高车牌定位和车牌字符识别的准确度和效率.     

基于学习率自增强的图像识别深度学习算法

在深度学习模型中,为了进一步提高网络的收敛速度和识别精度,提出一种学习率自增强的图像识别算法.当距离极值点比较远时,以大于1的常数进行学习率自增强,加快网络向极值点附近逼近的速度.随着模型接近收敛,根据代价函数的变化情况调整学习率,学习率的变化和代价函数的变化情况成反比.在MNIST数据集和CIFAR-10数据集上进行实验.实验结果表明,结合该算法的深度学习模型在进行图像识别时,能有效地提高识别的准确率和收敛速度,并具有较好的表现能力.     

基于深度学习的含堆叠字符的车牌识别算法

车牌识别是构建智慧城市交通系统的重要技术,当前车牌识别系统对于单行车牌已经达到了较好的识别和应用效果,但无法满足对包含堆叠字符的车牌的识别需求。针对该问题,提出了一种基于深度学习且不依赖于字符分割的方法以识别含堆叠字符的车牌。首先对倾斜、扭曲的车牌进行投影矫正;然后使用MobileNet-SSD算法检测定位车牌中的单排字符和堆叠字符;之后将堆叠字符送入基于CTC损失的堆叠字符识别网络,进行非字符分割的端到端识别。实验结果表明,该算法不仅对含堆叠字符的车牌具有较高的识别精度,同时对倾斜、扭曲等复杂环境下的车牌具有鲁棒性,极大提高了车牌识别系统的通用性。     

基于深度学习的肺部肿瘤图像识别方法

鉴于浅层卷积神经网络难以获取图像深层特征、易过度拟合导致分类效率和精度低的问题,因此,设计一种肺部肿瘤图像的深度学习识别模型。在运用样本扩充和迁移学习的基础上,并对AlexNet卷积神经网络进行改善和提升,在每层网络数据输入之前对数据进行归一预处理,同时使用线性整流函数(ReLU),实现对肺部肿瘤表达性特征地快速获取,输出端经由三层全连接层和softmax算法进行分类。实验结果表明,此方法在网络收敛速率和分类精度方面取得更优性能,比基于AlexNet卷积神经网络分类精度提高5.66%以上,且具备良好的健壮性。     

小样本困境下的深度学习图像识别综述

图像识别是图像研究领域的核心问题,解决图像识别问题对人脸识别、自动驾驶、机器人等各领域研究都有重要意义.目前广泛使用的基于深度神经网络的机器学习方法,已经在鸟类分类、人脸识别、日常物品分类等图像识别数据集上达到了超过人类的水平,同时越来越多的工业界应用开始考虑基于深度神经网络的方法,以完成一系列图像识别业务.但是深度学...     

深度学习在车牌定位中的研究

为提高场景不断变化下车牌定位的准确性,文中提出应用深度学习定位的方法。基于最小生成树原理将图像转化成图论中的图,结合相似度进行选择搜索获取车牌候选区域。利用车牌长宽比条件对候选区域进行筛选,以减少数据的不平衡性。通过带平滑项的交叉熵损失函数以及Bootstrapping技术训练深度网络,并用该模型从候选区域中识别出车牌区域。实验表明,该方法在候选区域提取、网络训练阶段以及定位准确率方面均优于其他算法,测试集中准确率为97.6%。     

基于深度学习的微信小程序图像识别系统

为提高用户在移动端的图像识别体验,设计基于深度学习的微信小程序图像识别系统。该系统的总体架构包括微信小程序前端和后台服务器两部分。在微信小程序端,用户可通过相机拍摄或加载本地图片进行图像采集。在服务器端,经过图像预处理和基于深度学习的目标识别,识别结果再通过应用程序编程接口（Application Programming Interface,API）传输回微信小程序进行展示。选择CIFAR-100数据集,设计并训练卷积神经网络用于目标识别,最终的测试结果证明了该系统的有效性。     

基于深度学习的卫星图像识别分类方法

卫星遥感技术是一种非常重要的地球空间监测技术.卫星遥感图像经过处理后具有数据量大和数据类型复杂多样的特点,传统方法进行识别分类耗费大量人力物力.为了降低工作量,并为后续处理提供便利,本文将深度学习算法应用于卫星图像的识别分类中,设计了一种基于VGGNet的识别分类方法,利用除雾算法对训练数据进行数据增强处理,并添加岭回归正则化层,利用标签之间的相关性进行预测,使得方法达到90%以上的F2 score,并在实验部分进行了对比验证.最后利用此方法搭建了一个基于Django的在线识别分类展示系统.     

基于Web技术的传染病数据可视化平台的设计与实现

以国家法定甲、乙、丙三类传染病为例,前端基于Vue、ECharts、Three等框架技术,后端基于Spark、Springboot等技术,采用B/S架构设计并实现传染病数据可视化分析平台。该平台利用ECharts框架的地图、旭日图、树图、饼图、雷达图、柱状图等多元数据图表实现传染病的数字数据以及非数字数据的可视化,同时使用Three框架实现病原体3D模型的交互展示。利用该平台用户可以快速地获取到传染病的相关信息,通过数据可视化分析对传染病的暴发和趋势做出一定的预测,从而更好地辅助预防和把控传染病。