煤矸石识别方法研究现状与展望

从煤矸石识别特征出发,对煤矸石识别方法的研究现状进行了总结,列举了密度识别法、硬度识别法等以密度、硬度等为识别特征的煤矸石识别方法,以及射线识别法、图像识别法等以灰度、纹理为识别特征的煤矸石识别方法的代表性研究成果,并对比了各种识别方法的特点。对煤矸石识别方法的研究方向和途径进行了展望,提出应全面分析、理解煤矸石的特征差异,研究符合煤矿绿色发展要求的煤矸石识别方法、快速高效的煤矸石图像识别方法、融合和创新现有方法的新型煤矸石高效识别方法。     

一种改进的tiny YOLO v3煤矸石快速识别模型

传统的煤矸石分选方法效率低下、安全隐患较大、应用范围受限,现有的基于机器视觉的煤矸石图像识别方法在模型识别速度与精度上难以平衡,未综合考虑输入图像尺寸不一、重要通道权重较低及卷积参数量大对模型精度的影响。针对上述问题,在tiny YOLO v3模型的基础上,提出了一种改进的tiny YOLO v3煤矸石快速识别模型。首先,在tiny YOLO v3模型引入多卷积核组合池化的特征金字塔池化（SPP）网络,确保输入特征图可被处理为固定尺寸再输出;其次,引入RGB通道权重可调节的压缩激励（SE）模块,用于增强前几层特征图各通道之间的联系,强调感兴趣通道的特征值和不同目标特征之间的差异性,确保关键信息的捕捉和网络灵敏度;最后,引入包含0权值点的空洞卷积替代tiny YOLO v3模型中部分卷积层,在不增加模型参数的前提下,可捕获多尺度上下文信息进而扩大感受野,提高模型计算速度。将该模型分别与tiny YOLO v3模型、Faster RCNN模型、YOLO v5系列模型进行对比,结果表明：(1)与tiny YOLO v3相比,改进的tiny YOLO v3煤矸石快速识别模型的识别准确性和快速性...     

煤矸石图像分类方法

针对人工排矸法、机械湿选法、γ射线分选法等传统煤矸石分选方法无法兼顾快速高效性、安全无害性、简单操作性的问题,提出了基于机器视觉的煤矸石图像分类方法。对煤矸石图像进行增强、平滑去噪等预处理,采用基于距离变换的分水岭算法实现煤矸石图像分割提取。针对煤矸石分割图像,选取煤矸石图像的HOG特征及灰度共生矩阵,分别以支持向量机、随机森林、K近邻算法作为分类器进行基于特征提取的煤矸石分类识别;分别建立浅层卷积神经网络和基于ImageNet数据集预训练的VGG16网络,进行基于卷积神经网络的煤矸石分类识别。研究结果表明,基于VGG16网络的煤矸石图像分类方法准确率最高为99.7%,高于基于特征提取方法的91.9%和基于浅层卷积神经网络方法的92.5%。     

一种基于深度图像的静态手势神经网络识别方法

静态手势识别是以手势驱动的人机交互系统的核心技术。针对静态手势识别问题,提出了一种基于深度图像进行静态手势识别的方法。为了消除静态手势识别过程中的平移、旋转和缩放不变性,提取手势轮廓的Hu不变矩,并以Hu不变矩作为特征构建静态手势深度感知神经网络模型,以此实现对静态手势进行分类识别。在VisualStudio的开发环境下实现了对该方法的验证,取得了良好的效果,并与传统的模板匹配法与基于卷积神经网络的深度学习方法作比较,静态手势识别准确率总体可达95%,识别效率高,能满足实时性要求。     

一种人脸图像的匹配识别方法

为进行人脸图像的识别，需要提取面部图像的特征点，通过提取鼻尖、眼角、鼻角、嘴角等特征点，并且以鼻尖作为基准点，分别与两只眼睛的左右眼角以及左右两个鼻角和两个嘴角等构成11维特征向量，作为标准人脸特征向量存入数据库。在分析某人脸图像时，按上述方法提取特征点构成11维特征向量，并与数据库中的特征向量进行对照匹配，当数据接近或匹配时，则认为是同一个人。实验证明，该系统的识别率达到设计要求。     

一种基于轻量级深度网络的目标识别方法

针对资源受限条件下目标识别任务,提出了一种基于轻量化深度网络的目标识别方法。通过优化卷积操作、模型参数压缩、增强特征表达深度等网络结构的优化方法,设计并实现了针对嵌入式平台应用的轻量化网络模型结构,使得深度网络模型在保证精度的条件下,实现了模型参数和运行所需资源的大幅缩减。实验表明,提出的轻量化深度模型较ILSVRC-15冠军提出的基础模型ResNet,能够实现在ImageNet-67数据集上,网络模型压缩为基础模型10.2%的条件下仍保持93.5%的目标识别准确率。     

一种基于深度学习的青铜器铭文识别方法

考古出土的青铜器铭文是非常宝贵的文字材料,准确、快速地了解其释义和字形演变源流对考古学、历史学和语言学研究均有重要意义.青铜器铭文的辨识需要综合文字的形、音、义进行研究,其中第一步也是最重要的一步就是分析文字的形体特征.本文提出一种基于两阶段特征映射的神经网络模型来提取每个文字的形体特征,最后对比目前已知的文字研究成果,如《古文字类编》、《说文解字》,得出识别的结果.通过定性和定量的实验分析,我们发现本文提出的方法可达到较高的识别精度.特别地,在前10个预测类别中（Top-10）准确率达到了94.2%,大幅缩小了考古研究者的搜索推测空间,提高了青铜铭文识别的效率和准确性.     

一种基于卷积神经网络深度学习的人体行为识别方法

为提高基于智能终端的人体行为识别的准确率,提出一种基于卷积神经网络深度学习人体行为识别方法。该方法将原始数据进行简单处理,直接作为输入数据输入到卷积神经网络中,由卷积神经网络进行局部特征分析,得到特征输出项,直接输入到Softmax分类器中,可识别走路、跑步、上下楼梯、站立等5种动作。 对比实验结果表明,其对不同的实验者的识别率达到84.8%,证明了该方法的有效性。     

一种基于降噪自编码器的人脸表情识别方法

针对传统人脸表情识别算法鲁棒性差,易受到人脸身份信息干扰的问题,本文在基于降噪自编码器的基础上,提出一种人脸表情识别算法。首先,从图片中检测出人脸部分,并进行尺度归一化处理;再构造堆栈式降噪自编码神经网络模型进行预训练;最后为了避免由训练样本不足容易造成的过拟合问题,在深度网络模型的全连接层采用了Dropout技术。实验结果在数据集CK 、JAFFE和Yale上均取得了较高的准确率,说明了该方法具有较强的鲁棒性和抗身份信息干扰的能力。     

一种组合的脱机数字识别方法

提出了一种利用组合知识识别数字的方法。首先归一化的数字大小,自动阈值分割,细化处理,然后引入一般矩以及极半径不变矩并对它们加以修正,统计其值并依据各数字的长度及结构信息,提出基于一般2,3阶矩的平均,各二阶不变矩,以及长度等5个主要参量的数字识别方法,试验结果显示,该方法在识别率以及运算速度方面都比较令人满意。     

一种基于深度学习的表情识别方法

针对人脸表情识别鲁棒性差,容易受身份信息干扰的问题,提出一种具有局部并行结构的深度神经网络识别算法。首先使用稀疏自编码算法训练得到不同尺度的卷积核,然后提取卷积核特征并作池化处理,使特征具有一定的平移不变性,最后采用与表情相关的7个并行的4层网络得到最终的分类结果。实验结果表明,在标准的人脸表情识别库上进行独立测试时,本文提出的局部并行深度神经网络的表情识别方法对测试集的人不出现在训练集中的情况有较好表现,相比其他算法更具有实用性。     

一种实时精确的数字识别方法

提出了一种实时的,具有旋转、尺度不变性的数字识别方法,它分为两个过程。第一,提取数字的Zernike矩及其若干拓扑结构特征量,并因此而形成一个多维特征向量;第二,在第一步提取的特征向量的基础上,使用改进的最近邻分类器完成目标识别。依据该文提出的方法所实现的数字识别系统,在其训练过程中,仅仅使用一种尺寸、4个方向的真实数字字符图像。在识别阶段,使用5种不同尺寸、8种以上不同旋转状态的真实数字图像进行测试,识别正确率可达到96%。测试表明该方法达到实时性的要求。该文提出的方法已成功地应用于运煤火车车箱上印刷体数字序号的识别系统中,取得了良好的效果。     

一种优化的角色识别方法

角色识别是以角色为中心的流程研究的重要问题.为实现一种具有较高客观度的角色识别方法,首先以一种自下而上的角色识别方法基础上获得一组角色识别的较优解.然后使用遗传算法对其进行优化,使其更符合一系列从全局观点出发提出的衡量角色识别优劣的尺度.优化后的结果更符合工作流参与者在实际情况下的角色承担状况,具有较高的客观性;优化过程把遗传算法和角色识别方法有机地结合起来,实现了一种较为新颖的角色识别方法.     

一种融合全局及显著性区域特征的室内场景识别方法

针对常规场景识别方法在室内环境中性能显著下降的问题,提出一种融合全局及显著性区域特征的移动机器人室内场景识别方法.利用改进的Bo W(bag-of-words)模型进行室内场景判别的同时,结合视觉注意方法提取出场景图像的最大及次大显著区域,送入改进的BDBN(bilinear deep belief network)模型来自动学习图像特征,进行类别判断.利用分段判别策略对于两个模型的结果进行融合,并输出最终场景判别结果.将本方法应用于实际机器人平台及包含67个类别的MIT室内场景数据库,实验结果表明,相较于常规Bo W模型,本方法可以有效提高识别准确率10%以上.此外,本方法在MIT数据库中达到平均44.3%的准确率,优于相关文献算法.     

一种基于菲涅耳区和深度学习的WiFi手势识别方法

针对当前的WiFi手势识别技术对手势估计不准确、受噪声影响较大和特征提取不充分等问题,文章提出了一种基于菲涅耳区和深度学习的识别方法.该方法主要分为3个阶段：模型搭建、数据预处理和手势分类.模型搭建阶段通过菲涅耳区定量了手势运动与信号波动模式之间的精确关联,进而确保了对手势的精准估计;数据预处理阶段通过天线之间的商模型、离散傅里叶变换、Hampel滤波器和离散小波变换进行平滑滤波处理,保证了振幅和相位信息的质量;手势分类阶段利用建立的深度神经网络模型,从所有链路的子载波信息中自动提取并筛选出时空域特征,最后用Softmax函数实现手势识别.实验证明,该方法能够达到96%的识别准确率,在不同的实验环境下具有较高的鲁棒性.     

一种基于多区域不变矩的步态识别方法

步态识别是一种新的生物识别技术,它通过人行走的姿势来实现对人身份的鉴别。本文提出了一种基于多区域不变矩的步态识别方法,将视频序列中检测出的步态侧影分为五个子区域,提取每个子区域的不变矩特征并计算步态序列中不变矩的变化特征,从而构成描述步态序列的特征向量。最后的实验表明,提出的方法具有较好的识别性能,是一种有效的步态识别方法。     

一种有效的SAR图像目标识别方法

SAR图像目标识别是SAR图像应用中非常重要的环节,但由于SAR图像中相干斑噪声的存在,使得传统方法不能很好地对SAR图像进行分类识别。结合不变矩特征提取和支持向量机分类方法的优势,提出了一种有效的SAR图像目标识别方法,采用该方法对含有飞机和坦克目标的SAR图像进行了目标识别实验,取得了较好的识别效果。     

基于深度学习的水下移动目标快速识别方法研究

由于传统的水下移动目标快速识别方法不能精准且快速地识别水下移动目标,提出一种基于深度学习的水下移动目标快速识别方法.采用深度学习中的神经网络进行知识模型训练,在此基础上,根据点扩散函数构建水下光学环境模型,并通过标定图学习获取光学参数获取,同时为降低变化畸形,使用优化后Hu氏不变矩在去除干扰基础上获取图像特征,并凭借反...