基于坐标注意力机制融合的反无人机系统图像识别方法

反无人机系统是识别和打击“黑飞”无人机的有效手段,图像识别无人机是反无人机系统的关键之一。针对采集的无人机样本属于小样本、提取特征不够多,识别准确率不够高的问题,提出了一种基于迁移学习、密集卷积网络和坐标注意力机制融合的反无人机系统图像识别方法。首先,运用自制设备采集了多种无人机在不同背景下的图片,建立数据样本;其次,设计针对无人机小样本识别的基于迁移学习、坐标注意力机制和密集卷积网络融合的网络TL-CA4-DenseNet-121、基于通道注意力机制融合的网络TL-SE4-DenseNet-121等网络,运用设计的网络对小样本进行识别,并进行对比,然后分别进行了基于不同位置和不同个数的坐标注意力模块和通道注意力模块的网络识别实验;最后,将识别效果最优的网络与经典卷积神经网络模型进行对比实验。实验结果表明,提出的TL-CA4-DenseNet-121网络识别效果优于其他网络,识别的平均准确率为97.93%,F1-Score为0.9826,网络训练时间为6832 s。结果表明了该网络在识别小样本无人机方面的优越性和可行性。     

基于CNN的金属疲劳裂纹超声红外热像检测与识别方法研究

传统超声红外热像检测与识别金属疲劳裂纹主要是通过图像处理算法提取红外热图像的相关热特征,并与裂纹特征进行匹配,其过程过于繁琐,识别率较低且需要人工筛选有效特征。结合主动红外热成像技术以及卷积神经网络（Convolutional Neural Network,CNN）在金属结构无损检测与缺陷自动识别中的优势,提出了一种基于CNN的金属疲劳裂纹超声红外热像检测与识别方法。通过超声红外热成像装置对实验对象（文中为金属平板试件）进行检测,获取红外热图像并制作图像数据集。运用设计的卷积神经网络对不同尺寸裂纹的超声红外热图像进行特征提取与识别分类。此外,对所提出的方法与两种常见图像分类网络模型以及支持向量机的分类结果进行对比。实验结果表明,设计的卷积神经网络在该数据集上识别分类准确率为100%,优于其他网络模型和支持向量机的识别分类,可以有效检测与识别金属疲劳裂纹。     

基于改进卷积神经网络的无人机异常飞行检测

在无人机异常飞行姿态检测过程中，受到姿态识别模型的影响，导致算法的时间复杂度较高。因此，提出了基于改进卷积神经网络的轻小型无人机异常飞行姿态检测算法。通过无人机姿态坐标的转换，获取图像采集位置。针对采集图像进行处理和分割，提高了图像特征采集精度。基于改进卷积神经网络构建识别模型，完成飞行姿态快速识别。最后，运用高斯混合模型聚类方法建立异常姿态判别规则，实现无人机异常飞行姿态检测。实验结果证明，比较两种对比方法，文中设计的检测算法分时间复杂度降低了48.27%和67.81%。     

基于改进CNN与SVM的手势识别研究

手势识别在人机交互中起着重要的作用,然而手势形态和背景的复杂多样性给手势识别过程带来难题。为了降低特征提取的难度和提高识别准确率,设计一种改进卷积神经网络(CNN)和支持向量机(SVM)模型来对手势进行识别。该模型首先对手势图像分割处理和数据增强处理,然后用Inception模块改进后的CNN完成对手势特征的提取,最后通过SVM对不同手势分类识别。实验结果表明,该模型在自建手势数据集下平均识别率为98.13%,在MNIST数据集下平均识别率为98.95%,同一数据集下较传统模型识别率均有提高。     

基于迁移集成学习的无人机图像识别算法

针对当前小型无人机目标图像识别方法准确率较低的问题,提出了一种基于迁移集成学习的无人机图像识别算法。首先,基于AlexNet、VGGNet-19、Inception-V3以及ResNet-50四种结构具有差异的卷积神经网络对源数据集进行预训练,获取图像的深层次特征;然后,对目标数据集进行迁移学习,得到目标的分类特征,构建分类模型;之后,采用相对多数投票法和加权平均法的集成学习方法,对分类模型进行集成得到迁移集成模型。构建了一个包含小型无人机图像、飞鸟图像以及直升机图像的图像数据集UavNet,在对数据集进行数据增强的基础上开展了图像识别算法性能实验,结果表明,算法对多类目标的识别准确率为99.42%,无人机类目标识别的F1-score指标为99.12%,优于主流的卷积神经网络方法和传统的支持向量机方法,具有一定的理论意义和应用价值。     

基于CNN网络的手写体数字识别系统的实现

手写体数字识别现在仍是图像识别分类的一个热点,而基于卷积神经网络的深度学习算法具有局部区域连接、权值共享、降采样的结构特点,使得卷积神经网络在图像处理领域有出色表现。以实现手写体数字高精度识别为目标,设计并实现一个基于卷积神经网络的高精度手写体数字识别系统。首先,通过Pyqt5平台设计一个人机交互的GUI界面,其次进行手写体数字图像的采集与预处理,变换成规范的三维向量输入到CNN网络卷积层中,接着进行各个网络层的运算处理,最后通过Softmax输出分类结果。仿真实验结果下MNIST数据集识别模式下的识别率为99.9%,手写输入识别模式下的识别率为98%。结果表明：基于CNN的神经网络识别准确率高,实现技术简单,实用性高。     

美尔谱系数与卷积神经网络相组合的环境声音识别方法

通过对复杂环境下声音识别技术进行研究，本文提出了美尔谱系数（MFSC）与卷积神经网络（CNN）相组合的环境声音识别方法。对声音事件提取其MFSC特征，将特征参数作为输入送入设计好的CNN模型中对声音事件进行分类。实验数据集采用ESC-10，将构建的卷积神经网络模型与随机森林、支持向量机（SVM）、深度神经网络（DNN）及DCASE比赛中常用的三种识别模型进行对比实验。实验结果表明，在相同数据集下，本文所设计的美尔谱系数与卷积神经网络相组合的环境声音识别方法相较传统的声音识别方法在识别率上分别有13.1%，18.3%，15.7%的提升，相较于DCASE比赛中的三种常用识别模型，本文所设计识别模型识别率及识别效率均有明显的优势。      

基于稀疏卷积神经网络的考生识别算法

针对传统的图像识别方法很难快速、准确地对考生进行识别从而验证其身份,文中详细地分析了卷积神经网络的原理及特性,提出一种基于多通道输入的稀疏卷积神经网络的考生识别算法,并与支持向量机及传统卷积神经网络进行比较,实验结果表明,该算法提高了考生识别的准确率,而且识别的速度大幅提高。     

基于小波变换和深度网络的着陆地貌图像分类

针对无人机着陆地貌图像场景复杂、纹理特征丰富等问题,提出一种基于小波变换和深度网络的无人机着陆地貌图像分类算法.利用非下采样小波变换(Non-Subsampled Wavelet Transform,NSWT)的快速压缩能力,将小波变换后的前两层子图系数引入到卷积神经网络(CNN)中,压缩数据量.根据无人机着陆地貌图像的特点,采用轻量化卷积模块设计了15层卷积神经网络.通过支持向量机(SVM)实现复杂地貌场景的正确分类.实验结果表明:所提算法具有良好的特征表达能力,提升了着陆地貌图像的分类准确率.     

基于语义分割和卷积神经网络的数显表识别算法研究

针对传统数显表读数识别算法适用性差、抗噪能力弱等问题,提出了一种适用于小数据集的基于语义分割和卷积神经网络（CNN）的数显表读数识别算法。该算法通过融合残差网络的U-net实现数字区域定位,利用卷积神经网络实现数字识别。采用mnist数据集预训练模型,使用真实表盘数字图片进行微调,建立适用于多种类、有背景噪声条件下的数显表识别模型。利用家用水表图片构建的测试数据集对算法进行验证。实验结果表明,数字区域定位分割结果的平均IoU为99.76%,160张水表读数识别准确率为100%,单张图片识别用时350.59 ms,满足工程应用需求。     

基于卷积神经网络的SAR图像目标识别研究

针对合成孔径雷达(Synthetic Aperture Radar, SAR)的图像目标识别应用, 该文提出了一种基于卷积神经网络(Convolutional Neural Network, CNN)的SAR图像目标识别方法。首先通过在误差代价函数中引入类别可分性度量, 提高了卷积神经网络的类别区分能力;然后利用改进后的卷积神经网络对SAR图像进行特征提取;最后利用支持向量机(Support Vector Machine, SVM)对特征进行分类。使用美国运动和静止目标获取与识别(Moving and Stationary Target Acquisition and Recognition, MSTAR)SAR图像数据进行实验, 识别结果证明了所提方法的有效性。      

基于卷积神经网络的光电导航图像超分辨率方法

本文设计了一种基于卷积神经网络的光电导航图像超分辨率系统,为飞机飞行或着陆、卫星图像提供可靠的导航信息。超清化的可见光图像能够为地面监控人员、飞行员或无人机提供可靠的图像信息。超清化方法可以降低导航系统对硬件设备、计算资源的要求,适用于普通民航客机与搭载低精度摄像头的小型无人机。本文以卷积神经网络作为框架,搭建接近实时计算的图像超分辨率模型。     

子波核函数网络

提出一种子波核函数网络作为支撑矢量机的一种替代学习机,仿真实验验证了子波核函数网络的逼近性能和识别性能都可以与相应的支撑矢量机相媲美,并优于子波神经网络.     

核卷积神经网络研究与应用

利用核函数非线性映射的优势,结合卷积神经网络算法,提出一种基于核卷积神经网络（Kernel-Convolutional Neural Network , Kernel-CNN）的新的网络学习模型。该方法首先对数据预处理,其次利用核卷积神经网络对数据进行特征提取,最后,构建softmax分类器对数据进行分类。本网络将非线性映射引入卷积过程构成核卷积过程,通过核卷积过程进一步增强模型的特征提取能力,在MNIST手写数字库以及美国麻省理工学院提供的MIT-BIH心律失常数据库上实验验证,本文模型正确率分别为98.5%、97%,均较好于卷积神经网络和支持向量机,且本文模型具有较小的LOSS值。      

LIBS结合GA-BP神经网络与GA-SVM对塑料分类研究北大核心CSCD

塑料制品回收力度小、重复利用率低,造成环境污染和资源浪费,因此对废旧塑料精确分类是提高塑料回收的关键。本文采用激光诱导击穿光谱(LIBS)技术结合遗传算法优化误差反向传播神经网络(GA-BP)和支持向量机(GA-SVM)对常见的10种塑料进行分类识别。利用LIBS技术对塑料样品进行处理,分别采集每种塑料样品100组光谱。对采集到的原始光谱做滤波和归一化处理,提取光谱中14条主要的特征谱线,分别建立GA-BP神经网络和GA-SVM模型。实验结果表明,GA-BP神经网络对塑料的识别性能优于GA-SVM,其中GA-BP神经网络识别精度为99.25%,原因是GA-SVM利用升维算法实现对数据集的分类,在塑料样品种类多的情况,分类效果不及GA-BP神经网络。因此,利用LIBS技术结合不同的识别算法,可以实现对多种塑料样品的分类,也为研究不同算法对塑料样品分类识别提供研究思路。     

距离选通成像在无人机识别分类中的应用北大核心CSCD

针对无人机夜间难以识别的问题,采用YOLOv5算法对无人机激光图像进行识别分类。首先对距离选通成像原理进行了说明,其次介绍了YOLOv5网络结构,然后建立了五种无人机激光图像数据集,最后使用YOLOv5的四种网络模型对数据进行训练。实验结果得出,四种模型的准确率都是99.73%,损失率都在1%以内,同时,在YOLOv5s网络下五种无人机识别分类的平均识别率为96%、94.6%、95.2%、95.7%、95.4%,识别准确率较高。