基于深度学习的癌细胞检测系统

针对目前人工智能技术的理论研究日渐成熟,随着人工智能技术应用于生活、学习、工作等方面的普及,利用人工智能技术应用于医疗诊断与医疗服务是未来医疗技术发展的必然趋势,提出一种基于深度学习的癌细胞目标检测系统,实现人工智能+医疗应用于癌症诊断的核心环节。癌细胞目标检测的任务是检测出细胞图像里面细胞的类别并对其进行定位,YOLOv5是基于深度学习的端到端实时目标检测方法,首先利用基于PyTorch的YOLOv5模型轻量而性能高、更加灵活和便利等优点,然后提出一种基于特征金字塔和YOLOv5相结合的改进的YOLOv5模型,最后实现癌细胞图像目标检测。实验结果表明,该系统检测效果误差小,速度快,鲁棒性高。     

基于改进YOLOv5的路面缺陷检测算法研究

针对传统的路面缺陷检测算法,路面缺陷特征提取单一,且依赖于人工提取,导致检测效率低下的问题,提出了一种基于改进YOLOv5的路面缺陷检测算法。针对原算法对路面缺陷的位置信息提取不充分,引入CBAM注意力机制并对空间注意力中的7*7卷积层替换为3个串行5*5卷积后使用1*1卷积融合3个不同感受野下的特征信息,增强提取缺陷位置信息的能力。在训练阶段,增加正样本的数量,缓解模型训练时的正负样本不均衡。为证明该算法的有效性,在公共数据集GRDDC2020上进行验证,实验表明,改进后的YOLOv5算法F1-score相比于原YOLOv5算法提高2.1%,达到57.7%。     

基于深度卷积神经网络的食品包装缺陷检测算法研究

在薯片流水线生产中,如果直接使用YOLOv5网络进行包装缺陷目标检测,精度不够高、训练时间偏长,于是提出了一种基于SENet-YOLOv5的食品包装缺陷目标检测方法。首先,从数据增强这一角度出发,改用了基于Canny边缘检测算法对数据进行处理。然后,在原先DarkNet-53主干网络中融合SENet网络,把重要的特征进行强化来提升准确率。其次,将3处传统卷积层替换为深度可分离卷积层,减少参数量和计算量,最后训练候选区域数据,从而精确地实现定位与分类缺陷。仿真训练结果得出：SENet-YOLOv5模型的检测精度与速度皆得到了提升,对薯片食品包装缺陷的检测准确率为94.6%,检测的平均精度均值(mAP)达到了94.8%,相较干YOLOv5算法提高了7.9个百分点,识别速度大幅度提升。表明所提SENet-YOLOv5缺陷检测方法可应用于薯愿包装检测以提高企业的工作效率。     

基于深度学习的红外小目标检测算法综述北大核心CSCD

红外检测技术具有受环境负面影响小、抗外界干扰能力强等优势,在众多领域皆有极为重要的应用价值。然而,由于红外小目标存在缺少明显的可用信息、边界模糊等问题,对其检测的难度较大,因而成为目标检测领域的研究热点与难点。本文通过分析困扰红外小目标检测研究发展的难题所在,首先就目前针对其检测的传统算法原理进行简要说明。其次,详细阐述了基于深度学习的多类型红外小目标检测算法,并对相关算法的分类、评估指标、相关数据集等多方面内容进行了介绍,随之以实例说明对当前算法改进的有效方式。最后,归纳总结现有检测算法的优缺点,探讨了红外小目标检测研究领域的未来发展趋势,即向高精度、高实时性、强鲁棒性、低复杂度的算法方面深入研究。     

基于深度学习的太阳能电池板缺陷检测模型设计

太阳能电池板是光伏发电的核心部件,表面质量关系着其使用寿命和发电效率。针对目前太阳能电池板缺陷检测方法存在着检测效率低、周期长、检测缺陷单一等问题,文章设计了一种基于深度学习的太阳能电池板缺陷检测模型SSNBDL,其基本思想是,在Segnet网络框架基础上,使用空洞卷积替代其中的池化层,使得在增大感受野的同时还保留了图像的边缘信息,基于该模型对太阳能电池板缺陷进行检测,明显提高了检测的准确率。     

基于AW-Net的轮毂射线图像分割算法北大核心CSCD

针对传统方法下的汽车轮毂内部缺陷检测效率低、精度达不到工业标准的问题,本文提出了一种基于改进U-Net神经网络的轮毂X射线图像缺陷分割方法AW-Net。该方法通过三级跳跃连接的方式级联两个U型网络对图像特征进行深度提取。同时在跳跃连接的过程中融合注意力机制以解决小目标的变化情况容易被漏检的问题,并通过实验验证结合使用多种激活函数来实现更精准的轮毂X射线图像语义分割,增加网络的拟合能力,提高网络的鲁棒性。实验结果表明:改进后的算法在本文构建数据集的汽车轮毂内部缺陷的误判率为2.73%,漏判率为0,识别率达到93%以上,其分割精度高于传统图像分割网络全卷积网络(fully convolutional network, FCN)和U-Net,且本方法边缘分割更加平坦,满足现代轮毂内部缺陷无损检测的需要。     

基于YOLOv5的太阳能电池片EL图像缺陷检测算法

EL图像可用于精准检测太阳电池及光伏组件的内在缺陷,太阳能电池片EL图像缺陷会受到复杂背景的干扰使其变得难以识别。为此,提出一种改进的YOLOv5深度学习模型,用于提高缺陷检测的可靠性和准确性。该模型采用CutMix数据增强对EL图像的处理,在Backbone中使用改进混合域注意力替换原有网络的内容安全策略(Content Security Policy,CSP)部分,提高模型的特征提取能力。同时,引入特征融合(Feature Fusion Module,FFM)模块有效融合不同维度的特征,达到背景抑制的效果。基于PVEL-AD公开数据集的实验结果表明,相较于原来的YOLOv5s模型,改进后的模型参数量从7.02×10⁶下降到6.79×10⁶,且m AP50准确率从71.11%提升到87.74%。     

基于改进YOLOv5的磁瓦表面缺陷检测方法研究

磁瓦的表面缺陷检测是生产环节的重要部分。针对传统的磁瓦表面目标缺陷检测存在精度低下、速度缓慢、小目标检测难度大等问题,首先采用YOLOv5s作为基础的网络,用改进后的CombinedE ffi cientNetV2网络来代替原YOLOv5中的CSPDarknet网络,让网络更加轻量化的同时检测速度有所提高。其次,将Ciou损失函数替换成性能更好的Focal-Eiou损失函数,提高对磁瓦表面的缺陷提取校正能力。最后,在网络中结合改进后的双Shu ffl eAttention注意力机制,并将激活函数替换成GeLU,让网络能关注到重要位置。通过多次训练网络,与FastRCNN、YOLOv3、SSD、原YOLOv5算法进行对比,P和mAP有不同程度的提升。结果表明,相较于原YOLOv5,改进后的算法mAP提高了3.9%,P提高了4%,FPS达到了41.3帧/s,能满足磁瓦生产线中的缺陷检测需求。     

基于深度学习的混凝土表面缺陷检测方法

运用深度学习对物体表面缺陷进行检测已经成为了一种越来越受关注的自动化检测方法。针对混凝土表面缺陷,我们设计了一种两段式的学习网络。第一部分是从原始图像的各层特征图中逐像素的学习特征以完成对图像的像素分割,并进行上采样还原至原图像大小。第二部分是对图像中是否存在缺陷做出判断。实验结果表明,该方法分割准确率高,鲁棒性强,适合于混凝土表面缺陷检测。     

基于FE-Unet的机场道面裂缝检测

机场道面裂缝具有形态复杂多变、走向不连续、数据噪音多等特征,现有算法模型均未达到令人满意的结果。为了改善裂缝检测效果,本文提出了一种新的深度学习模型,命名为“FE-Unet”。该模型采用改进的残差连接方式,在解决多层网络下梯度的回传问题的同时起到细化特征以及整合通道的信息作用,提升了各阶段特征的区分度;此外,模型中的通道注意力模块(channel attention block, CAB)可以更好地提取判别特征,增强预测的一致性;最后,利用焦点损失(focal loss, FL)使模型专注于难分类的细小裂缝。实验中,以实际7 778张机场道面裂缝图像来训练模型,并在1 701张图像上进行验证。在与经典的全卷积神经网络(fully convolutional network, FCN)、DeepLab v3和Unet对比实验中,FE-Unet对裂缝、灌缝和板缝的检测性能均优于其他模型。其中,FE-Unet对裂缝检测的精度、召回率、F1值分别达到了80.31%、82.72%和81.49%。     

基于深度学习的乳液泵缺陷检测算法

为了实现对工业产品乳液泵的缺陷检测,本文采集泵顶、泵上端、泵下端、尾管4个角度的样本图像,并基于深度学习中迁移学习和卷积神经网络的原理分别构建各角度的分类模型以检测缺陷样本。首先,使用Mini-ImageNet数据集预训练网络模型。然后,调整模型结构并加载预训练网络的参数,并将乳液泵各角度的训练集和验证集经过图像预处理算法后输入至卷积神经网络中训练,根据训练过程中验证集准确率的变化调整网络超参数,得到最终网络模型。最后,将预处理后的乳液泵测试样本输入至训练好的模型中,检测最终模型的缺陷识别效果。最终4个角度检测准确率均在93%以上,单样本检测用时为2.52s,优于传统方法。本文算法可用于设计乳液泵缺陷检测系统,该系统能与工业结构相结合筛选出有缺陷的泵体,也可拓展到工业其他物件的缺陷检测。     

基于深度学习的图像目标检测算法综述

图像目标检测是找出图像中感兴趣的目标，并确定他们的类别和位置，是当前计算机视觉领域的研究热点。近年来，由于深度学习在图像分类方面的准确度明显提高，基于深度学习的图像目标检测模型逐渐成为主流。首先介绍了图像目标检测模型中常用的卷积神经网络；然后，重点从候选区域、回归和anchor-free方法的角度对现有经典的图像目标检测模型进行综述；最后，根据在公共数据集上的检测结果分析模型的优势和缺点，总结了图像目标检测研究中存在的问题并对未来发展做出展望。     

人工智能深度学习的激光图像分割研究

激光成像受到环境、设备自身等干扰,使得激光图像含有噪声,当前图像分割方法对噪声干扰鲁棒性差,误分割现象出现概率高,重要信息丢失严重,为了克服当前激光图像分割的弊端,提出了基于人工智能深度学习的激光图像分割方法.首先采用小波变换对激光图像进行特征提取,并对噪声干扰进行抑制处理,然后引入人工智能学习算法对激光图像特征向量进...     

基于深度学习的航拍电网绝缘子缺陷检测

电网绝缘检测缺陷的准确检测是电网运行状态有效监测及故障诊断前提,基于无人机航拍电网绝缘子图像,为解决深度学习缺陷检测存在的误检测和局部信息丢失问题,提出基于改进深度学习全卷积网络的缺陷自动检测算法,算法通过改进FCN的VGG结构、扩展滤波器尺寸、取消全连接层Dropout及模型深度,实现FCN模型在绝缘子缺陷检测方面的有效改进,实验结果表示,改进模型在较少运行时间增加基础上,有效提高了对绝缘子缺陷检测的性能和对背影的鲁棒性,取得了比已有算法更有优势的检测结果。     

基于深度学习的低照度图像增强方法

在低照度环境下采集的图像往往亮度不足,导致在后续视觉任务中难以有效利用.针对这一问题,过去的低照度图像增强方法大多在极度低光场景中表现失败,甚至放大了图像中的底层噪声.为了解决这一难题,本文提出了 一种新的基于深度学习的端到端神经网络,该网络主要通过空间和通道双重注意力机制来抑制色差和噪声,其中空间注意力模块利用图像的...     

一种新的多尺度深度学习图像语义理解方法研究

如何在深度学习中融合 图像的多尺度信息,是基于深度学习的视觉算法需要解决的一个关键问题。本文提出一种基 于多尺度交替 迭代训练的深度学习方法,并应用于图像的语义理解。算法采用卷积神经网络(CNN)从原始 图像中提取稠密性特征 来编码以每个像素为中心的矩形区域,将多个尺度图像交替迭代训练,能够捕获不同尺度下 的纹理、颜色和 边缘等重要信息。在深度学习提取特征分类结果的基础上,提出了一种结合超像素分割的方 法,统计超像 素块的主导类别,来校正分类错误的像素类别,同时描绘出目标区域边界轮廓,完成最终的 语义理解。在Stanford Background Dataset 8类数据集上验证了本文方法的有效性,准确 率达到77.4%。     

基于深度学习的图像分类研究综述

近年来,深度学习在计算机视觉领域中的表现优于传统的机器学习技术,而图像分类问题是其中最突出的研究课题之一。传统的图像分类方法难以处理庞大的图像数据,且无法满足人们对图像分类精度和速度的要求,而基于深度学习的图像分类方法突破了此瓶颈,成为目前图像分类的主流方法。从图像分类的研究意义出发,介绍了其发展现状。其次,具体分析了图像分类中最重要的深度学习方法（即自动编码器、深度信念网络与深度玻尔兹曼机）以及卷积神经网络的结构、优点和局限性。再次,对比分析了方法之间的差异及其在常用数据集上的性能表现。最后,探讨了深度学习方法在图像分类领域的不足及未来可能的研究方向。     

基于深度学习的实时DDoS攻击检测

分布式拒绝服务(DDoS)攻击是一种分布式、协作式的大规模网络攻击方式,提出了一种基于深度学习的DDoS攻击检测方法,该方法包含特征处理和模型检测两个阶段:特征处理阶段对输入的数据分组进行特征提取、格式转换和维度重构;模型检测阶段将处理后的特征输入深度学习网络模型进行检测,判断输入的数据分组是否为DDoS攻击分组.通过ISCX2012数据集训练模型,并通过实时的DDoS攻击对模型进行验证.结果表明,基于深度学习的DDoS攻击检测方法具有高检测精度、对软硬件设备依赖小、深度学习网络模型易于更新等优点.     

BotCatcher:botnet detection system based on deep learning

Machine learning technology has wide application in botnet detection.However,with the changes of the forms and command and control mechanisms of botnets,selecting features manually becomes increasingly difficult.To solve this problem,a botnet detection system called BotCatcher based on deep learning was proposed.It automatically extracted features from time and space dimension,and established classifier through multiple neural network constructions.BotCatcher does not depend on any prior knowledge which about the protocol and the topology,and works without manually selecting features.The experimental results show that the proposed model has good performance in botnet detection and has ability to accurately identify botnet traffic .