基于视觉注意机制的行人检测方法

视觉注意机制是人类视觉信息处理过程中的一项极为重要的心理调节机制,将注意机制融入到行人检测中,提出一种基于视觉注意机制的行人检测方法。利用注意模型提取颜色、亮度、形状等多种特征,生成显著图,再利用WTA网络提取感兴趣区域,即行人检测区域;采用HOG作为特征对行人检测区域进行行人检测,该方法首先利用在梯度方向提取人体目标的特征集,运用支持向量机训练得到一个SVM行人分类器,最后通过Opencv平台应用到视频行人检测系统中。实验结果表明,相比较HOG检测方法具有较高的准确率和实时性,该方法对天气和光照变化都有很强的适应能力。     

基于深度学习和度量学习的行人再识别

跨摄像机行人因光照、视角、姿态的差异,会使其外观变化显著,给行人再识别的研究带来严峻挑战。文中提出基于深度学习和度量学习的行人再识别方法。首先采用手工特征和深度特征融合网络FFN提取行人图像特征,然后将核矩阵应用于KISSME距离度量学习中,获取更优的距离度量模型。在具有挑战的VIPeR和PRID450S两个公开数据集上进行仿真实验,实验结果表明所提出的行人再识别算法的有效性。     

基于生成对抗网络和迁移学习的排水管道缺陷识别

城市排水设施的服役可靠性成为越来越重要的工程问题,高效率、自动化、大规模的管道缺陷智能检测是城市排水设施建设和管理的迫切需求和重要发展趋势。近年来深度学习技术发展迅速,为排水管道缺陷检测提供了新方法。然而,数据量不足和样本不均衡是深度学习模型普遍存在的问题,影响模型的泛化能力和识别鲁棒性。基于当前先进的生成对抗网络（StyleGAN）,提出了一种高质量的排水管道缺陷图像合成方法,以解决训练样本问题。进一步采用卷积神经网络算法,借助迁移学习和预训练模型（SqueezeNet网络）实现管道缺陷识别,提升模型识别效率,并对合成图像进行效果验证。结果表明,StyleGAN能高效合成高质量的缺陷图像,识别模型的平均精度达到90.0%（对树根、错口、残墙坝根和障碍物的精度分别为99.7%、92.3%、87.7%和81.7%）。借助生成对抗网络实现数据增强,为深度学习模型训练提供了一种有前景的方法,具有重要的应用意义。     

基于深度学习的多媒体信息隐藏技术

本文通过将现有的隐写研究与深度学习相结合,提出了两种图像、音频隐写的深度网络模型。深度网络模型由于其学习特点,在训练过程中可以通过对于内部参数的调整,使得网络达到最优的透明性或是鲁棒性指标——这是传统方案所不具有的优势,甚至在某些指标上能够超越现有方案,具有一定可行性与发展潜力。     

基于深度学习网络模型与大数据自动训练的工件缺陷识别算法研究

针对工件缺陷种类多样和特征不明显,造成机器视觉识别精度不稳定的问题,提出了一种基于深度学习网络模型与大数据自动训练的工件缺陷识别算法,并以软件工程来实现其功能。首先,对存在缺陷的工件进行取样,采集缺陷图像,建立识别标准。然后,基于深度神经网络模型和缺陷标准图像,进行模型训练,采取分批训练,逐步迭代收敛的方式,达到准确识别工件缺陷目的。最后,基于Python语言与TensorFlow框架实现深度神经网络模型,并将模型移植到C++平台调用,嵌入到商业版本软件中,实现算法的落地应用。实验测试结果显示,相对于已有的缺陷识别技术而言,本文算法具有更高的识别准确性,可为机器视觉软硬件设备提供技术基础。     

基于Faster RCNN的绝缘子自爆缺陷识别

绝缘子是保障输电线正常运行的重要部件,而传统通过人工目视判断的绝缘子缺陷检测方式耗材耗力,近年来得到大力推广的无人机电力巡检方式在图像中快速定位并且找出缺陷绝缘子自动化程度不高,效率较低。针对无人机电力巡检方式提出基于深度学习的Faster RCNN方法,识别无人机图像中的绝缘子,并且对其进行缺陷判别。首先,进行绝缘子的样本采集,采集的样本保证种类丰富、数量足够。其次,利用采集的样本训练Faster-RCNN网络模型,对待检测图像进行识别,确定绝缘子所在具体位置。最后,对提取出绝缘子进行图像分割,通过绝缘子片之间的距离判别该绝缘子串是否存在自爆缺陷。以实际无人机航拍图像为实验数据验证本文绝缘子自爆缺陷识别,结果表明,该方法在复杂背景下能够精确有效地识别出绝缘子串,并且准确判断出该绝缘子是否存在自爆缺陷,具有很强的鲁棒性和实用性。     

基于人工智能的清水墙典型损伤智能识别与评估方法研究

为避免对清水墙典型损伤进行查勘时,传统人工查勘方法存在人为因素干扰大、手动标注效率低、目测识别精度低的问题,研究了基于人工智能的清水墙典型损伤智能识别与评估方法.采用深度学习与计算机视觉方法,搭建了基于YOLO V4的单阶段目标检测神经网络模型,建立了风化、泛碱、绿植覆盖3种清水墙典型损伤的深度学习神经网络模型训练图像数据库,实现了上述3种清水墙典型损伤的智能诊断及区域划分.同时,基于OpenCV计算机视觉库,分别计算了像素尺寸级别下的各类损伤区域面积比,以代表清水墙损伤的程度.工程实践证明,与传统人工查勘方法相比,基于人工智能的方法实现了高效、准确、便捷的清水墙损伤自动识别与快速评估流程,为今后顺利开展清水墙修缮及复建施工工作提供了技术保障.     

深度学习在焊接领域的应用研究现状

随着以深度神经网络为代表的深度学习模型取得突破性快速发展,同时得益于更强大的计算机、更大的数据集和能够训练更深网络的技术,深度学习在智能焊接等智能制造领域取得了大量应用。概述了深度学习技术在焊接过程控制、焊缝缺陷检测等方面的研究进展,当前的研究表明深度学习方法能够提高焊接过程实时控制精度和焊接缺陷的识别准确率。     

基于深度学习的混凝土结构表面裂缝检测

混凝土结构裂缝的结构安全问题是目前人们关注的热点,而裂缝是影响建筑物安全的重要因素之一。所以提出了1种基于深度学习的混凝土结构表面裂缝检测方法。首先运用了数据增强的方式丰富了裂缝图像数据集,再利用深度学习技术,选用DeconvNet反卷积网络模型进行模型的训练学习。将图像拼接技术与深度学习相结合应用在混凝土结构裂缝检测中,并且对图像中的裂缝特征进行分析,测量出裂缝的角度、宽度和长度。结果显示,测试集的识别率达到了71.17%,准确率达到了97.92%,使用数据增强增加了模型的泛化能力,使模型具有更好的识别效果,能够对混凝土结构表面裂缝进行完整还原。     

深度学习模型与成对分类相结合的人脸识别新算法

针对深度学习人脸识别系统样本数据中存在干扰时会腐化分类边界,导致识别率下降,提出了一种改进的深度学习模型,将成对分类概念引入到深度学习中,提升人脸识别系统对于噪声、腐化、变化的鲁棒性。采用深度信念网络模型,将人脸图像送入深度学习模型中逐层训练网络,在参数微调阶段采用改进的成对BP神经网络进行参数优化,在输出层与前一隐含层之间采用成对连接。在ORL、Extended Yale-B的实验结果表明,所提算法与传统的深度学习算法相比,构造的系统更稳定,算法识别率更高,系统在存在干扰的人脸图像中鲁棒性更强。