基于图像增强与深度学习的安全带目标检测

为通过交通视频自动化检测驾驶员是否佩戴安全带，设计一种基于YOLO v3和Faster R-CNN的安全带单类别目标检测方法。基于YOLO v3网络训练车窗检测模型与车窗-驾驶员检测模型，得到驾驶员的精确位置；利用直方图均衡化、高斯滤波等方法对驾驶员图片进行图像增强操作，提高安全带区域的对比度；基于Faster R-CNN网络设计安全带单类别目标检测模型，将传统的分类问题转变为单类别目标检测问题。实验结果表明，模型检测准确率可达96.0%。相对于其它方法，适应性更强，鲁棒性更高，准确率相应提高。     

结合YOLO检测和语义分割的驾驶员安全带检测

为了通过交通监控自动检测驾驶员是否佩戴安全带,提出一种结合目标检测与语义分割的驾驶员安全带检测算法.首先通过设计轻量化目标检测算法完成驾驶员区域快速定位;然后利用经过剪枝加速的语义分割模型对驾驶员区域进行分割,得出安全带连通域;最后通过判断安全带连通域面积检测驾驶员是否佩戴安全带.在驾驶员区域定位和安全带检测2个数据集上进行训练和测试,实验结果表明,驾驶员区域定位算法在精准度为99.96%时速度为73帧/s,安全带检测算法在准确率为94.87%时速度为305帧/s;该算法在兼顾速度的同时具有较好的精准度.     

基于极限学习机的焊点质量检测

焊点加工直接影响电子产品的可靠性,焊点的检测对产品质量的提高尤为重要。应用主成分分析与极限学习机对焊点质量进行检测。首先通过中值滤波和分水岭算法对焊点图像进行预处理,得到焊点轮廓及区域划分情况并用主成分分析法进行降维;然后采用200个隐含层网络节点、sigmoid响应函数的极限学习机算法对预处理结果进行分类。测试结果表明,极限学习机算法能够对焊点精确分类,与支持向量机、邻近算法、卷积神经网络相比,取得更高的检测准确率,检测时间更短。     

基于自适应差分进化极限学习机的车牌识别算法

针对目前车牌识别算法中存在的模型训练慢、字符识别准确率低等问题,研究了一种基于自适应差分进化极限学习机的车牌识别算法。综合利用边缘检测和颜色定位的优点来检测车牌区域,然后用改进后的垂直投影法对车牌区域进行分割,最后将自适应差分进化极限学习机用于字符识别。研究结果表明,所提出算法具有训练速度快、字符识别率高等优点,可以应用于复杂的交通场景。     

基于正则极限学习机的鞋面缺陷图像识别方法研究

针对制鞋企业大多采用人工检测鞋面缺陷效率低、成本高的问题,本文提出一种基于正则极限学习机的鞋面缺陷图像识别方法.本方法首先采用工业相机采集鞋面缺陷图像,并提取其特征值;然后基于正则极限学习机算法对所提取特征值进行数据处理;最后对特征值进行训练识别.检测结果表明,正则极限学习机算法在复杂检测环境下具有高识别精度,识别成功...     

基于极限学习机与改进K-means算法的入侵检测方法

入侵检测系统对于保障网络安全至关重要。针对传统的单一检测算法很难对不同种类的攻击都有很好检测效果的问题,提出一种结合极限学习机与改进K means算法的入侵检测方法。基于算法级联的方式,利用新型线性修正单元（PReLU）激活函数对极限学习机算法进行优化,采用设置距离阈值的方式,实现K means算法自动选择初始聚类中心与聚类簇数目的双重优化,设计了一种混合式入侵检测方法。采用NSL KDD数据集对所提出的入侵检测方法进行仿真实验,实验结果表明,与传统的BP神经网络、支持向量机与极限学习机算法相比,该方法有效地提高了检测效果,同时降低了误报率。     

极限学习机综述

极限学习机是一种单隐层前向网络的训练算法,主要特点是训练速度极快,而且可以达到很高的泛化性能。回顾了极限学习机的发展历程,分析了极限学习机的数学模型,详细介绍了极限学习机的各种改进算法,并列举了极限学习机在识别、预测和医学诊断领域的应用。最后总结预测了极限学习机的改进方向。     

极限学习机类不平衡数据学习算法研究

尽管极限学习机因具有快速、简单、易实现及普适的逼近能力等特点被广泛应用于分类、回归及特征学习问题,但是,极限学习机同其他标准分类方法一样将最大化各类总分类性能作为算法的优化目标,因此,在实际应用中遇到数据样本分布不平衡时,算法对大类样本具有性能偏向性。针对极限学习机类不平衡学习问题的研究起步晚,算法少的问题,在介绍了极限学习机类不平衡数据学习研究现状,极限学习机类不平衡数据学习的典型算法-加权极限学习机及其改进算法的基础上,提出一种不需要对原始不平衡样本进行处理的Adaboost提升的加权极限学习机,通过在15个UCI不平衡数据集进行分析实验,实验结果表明提出的算法具有更好的分类性能。     

优化极限学习机算法及其在力信息解耦中的应用

高性能解耦算法有助于提高多维力传感器的检测精度。针对传统非线性解耦算法存在精度较低等缺点,对极限学习机算法进行了优化和改进,并将其应用于多维力信息解耦。在基于粒子群和遗传算法两种改进极限学习机算法(PSO-ELM、GA-ELM)的基础上,提出了一种基于天牛须算法的改进极限学习机(BAS-ELM),天牛须算法针对极限学习机隐含层节点参数的每一维进行逐步的优化,使得整体损失函数最小。为验证算法性能,本文以六维力/力矩传感器为实验对象,将各类改进算法应用到力/力矩传感器的非线性解耦中,通过解耦实验可知,与其他算法相比,BAS-ELM解耦精度更高、收敛时间更短,对于非线性解耦具有更强的适应性。     

基于极限学习机的供水管网故障智能诊断方法

为进一步提高传统极限学习机的泛化能力,提出了一种基于人工蜂群算法优化的极限学习机模型.该模型将人工蜂群算法的全局寻优能力和极限学习机的快速学习能力相结合,有效克服了传统极限学习机的过拟合现象.在确定水压变化比值作为故障特征参数的基础上,将优化后的极限学习机模型应用于供水管网的泄漏故障诊断实验,实验结果表明,经人工蜂群算法优化的极限学习机模型在故障诊断速度和精度方面均优于其他3种模型.