基于近红外光的猪胴体脂肪/瘦肉厚度无损测量研究

猪胴体脂肪/肌肉厚度测量是瘦肉率测定的基础。通过研究分析不同近红外波长、不同测量距离下脂肪/瘦肉组织的反射特性,获得了脂肪/瘦肉识别的近红外波长范围以及反射率判定值。提出了单波长、非接触脂肪/瘦肉厚度无损测量方法,结合反射率和光栅尺检测位移计算脂肪/瘦肉厚度。设计构建了相应的检测系统,并通过对五花肉样品的测量实验对系统进行了验证。研究为一体化、小型化、手持式瘦肉率无损测定装置的设计开发提供了一种新的方法。     

基于深度学习的青椒识别研究

为解决青椒智能识别问题,以在自然环境中采集的苏椒1614图像为识别对象,采用深度学习方法,选择YOLO-v3,Faster R-CNN和CenterNet 3种神经网络进行深度学习模型训练,并比较分析不同深度学习模型的识别结果。试验结果表明,Faster R-CNN为青椒识别的最优模型,其精度、召回率和F1值分别达到92.4%,79%和85.2%,证明深度学习方法能够有效提取图像特征。研究为青椒的智能化识别与采摘提供依据。     

基于深度网络的图像处理的研究

机器学习的研究一直是模式识别领域里研究的热点,而深度学习则是兴起的一种机器学习方法。现有的一些机器学习方法 (如SVM、核回归等)大都都是使用浅层结构,很难有效的表示复杂函数,并且对复杂函数的表现能力和泛化能力不足,深度学习通过学习一种深层非线性网络,实现对复杂函数的逼近。本论文主要针对现有的深度网络进行结合改进,并且通过实验证明其可行性。     

基于深度学习的通信系统设计与研究

随着人工智能的发展,深度学习算法被应用到各个领域。本文介绍一种深度学习在通信系统中的新应用,将通信系统解释为autoencoder神经网络,并看作是一个端到端的信号重建系统。在这个过程中,共同优化发射器和接收器,从而获得全局最优的效果。     

基于深度学习的智能焊接技术研究

随着我国信息技术的普及,工业生产领域迎来了黄金发展时期,智能焊接技术在其中的应用频率处于上升趋势,但是仍然存在一些固有问题限制其发展,比如生产环境恶劣、系统标度大、双目系统特征匹配精度低等。在此背景下,基于深度学习的智能焊接技术应运而生。基于深度学习的智能焊接技术由三部分内容构成,分别是焊缝跟踪技术、双目立体视觉匹配技术以及目标识别技术,文章对此进行了详细论述,以提高工业生产效率与质量。     

基于深度学习算法的智能分类研究

信用评分已经成为信用风险管理中的关键因素。本文研究了信用评分模型在信用违约互换(Credit Default Swaps,CDS)数据集上的表现。分析比较了深度学习算法与其他一些流行的信用评分模型的分类性能。测试结果发现,深度置信网络(Deep Belief Networks,DBN)的性能最好。     

基于可见光—红外光图像融合的苹果缺陷检测算法

针对传统苹果缺陷检测方法存在的劳动强度大、生产率低及误判率高的缺点,提出了基于图像融合的苹果缺陷检测算法,该算法利用可见光和红外图像的高、低频小波系数采用不同的融合方法,以获得更加突出的特征图像。仿真结果表明,该方法在划碰伤、果梗/花萼、完好果的苹果果实检测方面平均识别率可达96%,且在划碰伤方面识别率可达92%,而在果梗、花萼及完好果的检测方面识别率可高达100%,完全满足苹果在线检测分级的需要。     

基于文本信息处理的深度网络推荐技术研究

网络信息时代,在使用系统的时候,首先应该要避免信息过载所导致的问题.然而这一问题目前已经在网络信息技术中起到了重要的作用.根据传统的模式进行推算,目前互联网想要构建模式,首先应该设计其模型训练,另外其数据不能过于单一,而信息量也不够充足,所以导致目前所出现的推荐效果并不是很好.所以文章中有很多辅助信息能够添加到模型中而获得额外的数据输入,对于文章所推荐的方式,有些用户往往忽视所具备的多样性,主要是由于用户的喜好会随着项目的改变而发生变化.     

基于深度学习的织物印花分割算法研究

针对织物图像特征提取和检测问题,研究了一种基于卷积神经网络U-net模型的织物印花分割算法,并根据织物印花的特点对原有模型进行改进,从而更精确地实现对织物印花图像的分割.实验选取100张原始织物印花图像,并利用人工标注的方法标注出分割好的图像,作为训练的标签,将训练图像和标签通过翻转、裁剪等数据增强算法得到1000张图...     

基于深度学习技术的安防交互指挥系统研究

随着社会的发展和国家经济的不断进步,良好的治安环境成为保证人们安居乐业的重要手段,借助于计算机科学技术,积极应对社会治安发展形势,打造完整的立体化的社会治安防范体系,是实现动态化、信息化社会治安手段的主要途径,文章运用人工智能与深度学习技术,讨论安防交互指挥系统的实现与应用,使系统成为立体化、动态化的指挥体系,为国家的安定和平出一份力.     

基于深度学习的粮食安全信息融合技术研究

作为世界上最大的粮食生产及消费大国，我国粮食在产后的储存安全方面显得尤为重要。针对多种储粮信息的安全状况分析，采用数据融合技术是获得全面、准确结果的有效方式。数据融合通过对粮食多源信息的综合分析，以获取安全评估的一致性解释和描述。深度学习则是提取数据深层特征的有力工具，因此基于深度学习的多源数据融合方法能够充分发挥数据关联与潜在价值，更加稳定的做出准确判断和决策。本文首先根据相关文献综述数据融合的产生与发展；并对传统数据融合方法应用以及现代数据融合研究成果进行分类对比，分析深度学习在数据融合中的优势，进而提出深度学习在粮食信息融合处理中的可行性；最后结合粮情处理现状，提出一种基于深度学习的粮情二级融合框架，采用温度、湿度、水分、虫害四种储粮信息的融合，对其在储粮安全评估中的应用做出研究和展望。     

基于WindPRO软件的风电场产能估算

当我们借助WindPRO风资源评估软件进行风电场前期规划和后期产能评估时,尾流模型和湍流模型的选取是影响风机产能计算结果的决定性因素。现以已建成风场的实际发电信息为基础,采用不同计算模型进行对比、分析,选择一种更加适合计算地形相对平坦,规模巨大的模型。为以后的风资源评估工作提供更多经验,确保评估的准确性。     

基于GIS核密度估算的厦门楼盘空间可视化研究

随着房地产业的高速发展,商品房价格不断攀升,房地产市场成为社会各界热议的话题。文章基于厦门天地图的2002年到2018年商品房楼盘专题数据空间可视化,分析楼盘建设的空间分布变化情况,通过GIS的核密度估计(KDE)方法将厦门市近几年来的楼盘空间分布密度直观地呈现,利用空间数据分析和挖掘,分析近年来厦门房地产的发展趋势以及对周边区域的影响情况。研究结果表明:厦门岛内的楼盘开发主要集中在以仙岳路和厦禾路两侧,延伸到区政府周围。岛外各区楼盘的开发情况主要是在区政府周围并沿主要干道向外扩散分布。总体上,厦门市的楼盘密度与交通密度、学校、医院、商场的吸附作用聚集分布。     

基于LabVIEW的锂电池实时监测系统及SOC估算研究

基于单片机和LabVIEW平台开发出了一套锂电池的在线实时监测系统,能实现锂电池参数的监测和SOC的估算。选择LM算法,通过编写MATLAB程序建立了以BP神经网络技术为主要应用蓝本的面向锂电池的SOC预测模型,并针对开发出的新模型系统利用已有的样本数据进行不断学习,最终使SOC预测值逐渐逼近实测值。目前本系统可以成功实现对于锂电池运行状态的实施监测与显示,并利用配套的存储设备对相关状态参数进行实时存储。总体而言,本估算模型具有估算精度高、可靠性高、便于实施等突出优点。     

基于ABC法的产品包装的成本估算

在研究了前人关于使用ABC法估算成本的基础上,提出了使用ABC法估算产品包装的成本。通过对M企业S产品包装生产线上作业流程的调研与分析,将每道工序作为产生成本的动因,得到不同类型的成本,归结到资源中心,将调研获得的数据用于计算,得到各种类型成本的比例,发现成本的消耗与浪费所在。然后通过对作业流程的规范,提高生产效率,减少作业时间,降低人工成本,从而控制产品包装的总成本。最后对ABC法在作业成本管理与企业生产的应用进行了展望。     

基于深度相机的障碍物识别

为实现机器视觉系统的障碍物信息进行探测和识别,文章提出利用深度相机识别障碍物的方法:以障碍物和平面的距离变化梯度不同为主要判别方式,搭配孔洞填充,中值滤波,漫水填充,数学形态学运算,帧间运算等噪声抑制算法,实现对障碍物的探测。根据周围环境信息提取具有一定形状特征的典型目标物。实验结果表明,此方法能有效分别障碍物和平面。     

基于深度学习的SEM纤维图像分割方法研究

基于深度学习技术,对扫描电子显微镜(Scanning Electron Microscope,SEM)下拍摄的纤维图像分割方法进行研究。首先制作样本并用Mask R-CNN模型进行训练得到纤维分割网络模型,然后将待检测的纤维图像输入训练好的分割网络,经卷积与下采样后,对纤维图像进行预测,根据推荐窗口提取每根纤维的边界,最后对纤维边界进行后续处理得到分割结果。经试验,采用Mask R-CNN网络对SEM纤维图像进行分割结果可靠。     

基于深度数据的三维人脸识别

为了进一步提高三维人脸识别效率,在Fisherface和局部二值模式(LBP)的基础上,提出了基于深度数据的三维人脸识别方法:先提取人脸的深度数据,再将深度数据与LBP相结合提取人脸特征,然后采用Fisherface方法进行识别.实验结果表明,相对于单一的特征识别方法,基于LBP_深度数据和Fisherface特征融合的方法更能提高三维人脸识别效率.     

基于深度学习的粘连米粒实例分割算法研究

基于机器视觉的农作物外观质量检测近些年越来越受到人们的关注。在抽样检测台上由于米粒可能相互触碰、粘连,采集的图像若不进行分割预处理会造成后续大米外观品质评测的失误。由此,本文提出了一种基于Mask R-CNN改进的实例分割网络RiceInstNet,用于粘连米粒的图像分割。主干网络由两个改进的VoVNetV2网络并行组成,在大规模减少网络参数的同时加强对粘连米粒图像的特征提取,另外在掩膜分支上增加了一个学习物体边界的子网络,利用边界特征丰富掩膜特征并促进掩膜预测得更加精细。实验结果表明,该网络可以实现对粘连米粒的实例分割,与Mask R-CNN网络相比,改进后的网络模型RiceInstNet的平均精度和召回率分别由87.2%、89.7%提升到90.4%、93.7%,同时本网络模型更轻量,非常适合集成到移动终端或嵌入式设备中。     

基于深度学习的牛肉大理石纹智能分级研究

目的开发客观、准确、无损的基于深度学习的牛肉大理石纹智能化分级技术。方法将深度学习的图像识别方法应用于牛肉大理石纹的特征提取和分类上,并进行相应的调试和学习。结果通过计算机调试和学习,评级正确率分别达到84.2%(一级)、89.4%(二级)、81.9%(三级)、84.1%(四级)、82.6%(五级)。各级牛肉的识别率均在80%以上,识别时间都在1 s以内,达到了预期目标。结论将深度学习的图像识别方法应用于牛肉大理石纹的特征提取和分类上,评级准确率非常高,且随着图片数据库样本数的不断增多,其识别的准确度将不断提高,可进行大量推广使用。