基于模板卷积匹配的电气指针式仪表快速检测方法

在电力系统智能运维中,特别是在基于数字孪生的变电站智能机器人巡检中,由于受周围复杂环境以及网络信号屏蔽的影响,机器人存在检测精度不高和实时性差等问题,导致不能准确检测出设备目标。利用变电站有关先验信息,如仪器仪表已知位置信息,在机器人巡检过程中,通过对已知目标的图像特征分析,利用图像几何特征信息的约束,完成智能巡检机器人在巡检过程中实现设备的准确检测。利用变电站中电气设备柜上的仪表进行识别和检测,是完成智能巡检机器人实现目标快速检测的一个关键环节。提出一种基于模板卷积匹配的电气指针仪表检测方法,通过对仪表盘进行卷积模板匹配,实现电气柜上仪表盘的精确检测,为下一步智能巡检器人的位置自校准提供必要的先验信息。实验结果表明,提出的算法具有较高的目标识别和检测精度,由于不涉及复杂的图像抽象特征计算,具有较高的计算效率。     

基于卷积神经网络的仿鼠脑海马结构认知地图构建方法

针对融合视觉信息的仿鼠脑海马模型闭环检测精度较低、地图构建不准确的问题,文中提出基于卷积神经网络的仿鼠脑海马结构认知地图构建方法.利用改进的卷积神经网络模型提取视觉输入特征,融合空间细胞计算模型得到位置信息,并构建认知地图.基于汉明距离计算视觉信息与视图库中图像的相似度,实现对复杂动态环境中熟悉场景的识别,完成机器人在环境中的定位及位置纠正.仿真与物理实验验证文中方法的有效性与鲁棒性.     

基于局部特征的卷积神经网络模型

传统卷积神经网络对于特征不明显或歧义性大的图像识别率较低。针对该问题,在卷积神经网络的基础上通过增加局部特征提取层和概率权重综合层,构建基于局部特征的卷积神经网络模型。该模型对输入图像的局部进行识别,得到局部图像的分类概率信息,综合分析所有局部图像的分类概率信息得到最终网络输出。手写字符识别实验结果表明,与经典的卷积神经网络模型相比,该模型识别率较高,尤其是在输入图像特征较为模糊的情况下优势更为明显。     

一种用于地震断层图像识别的SPD-UNet模型

断层是控制油气田形成和分布的主要因素,断层检测和识别对于油气勘探具有重要作用。基于Attention-UNet神经网络模型,构建一种面向地震断层图像识别的SPD-UNet模型。引入空洞卷积,在保证卷积核感受野大小且不损失原始图像分辨率的情况下,增强SPD-UNet模型的断层图像特征提取能力。将金字塔结构的空洞卷积组合成SPD模块,解决空洞卷积的局部信息丢失问题,提高断层信息关联性及图像识别精度。实验结果表明,SPD-UNet模型对于地震断层图像的识别精度优于SegNet与ResUNet模型,并且识别结果与实际标注的地震断层形状及位置更接近。     

基于深度学习的图像文字识别技术在数字化审计中的应用

通过整合的数字化审计平台获取所需审计信息，对所获信息中的图像展开小波变换分解，滤除审计图像噪声的同时提升其质量。结合基于Canny算子的边缘检测与区域分割技术分割完成预处理的审计图像，将完成分割的审计图像输入卷积神经网络，通过卷积层卷积处理审计图像提取审计图像文字特征。经下采样层累积卷积结果得出审计图像文字特征映射图，通过全连接网络判定所提取审计图像文字特征，输出识别结果后通过基于Relief算法的多特征融合方法改进卷积神经网络识别结果。实验结果表明，该方法具有较好的噪声滤除与分割效果，能够精准、清晰识别审计图像中的文字信息。     

基于四旋翼无人机的车辆自主抄牌

针对传统车辆抄牌效率低的问题,提出一种基于四旋翼无人机的车辆自主抄牌方法。使用无人机采集大量车辆俯视图样本,对图像进行预处理和下采样,然后提取车辆图像的梯度直方图特征,将图像特征输入到卷积神经网络中,训练出车辆识别模型,最后使用模型识别车辆;根据车辆的形状特征估计车辆姿态;根据车辆的位姿信息计算无人机抄牌的位置和角度;搭建无人机实验平台测试无人机自主抄牌系统。实验结果表明无人机可以自主拍摄到清晰的车牌图像,实现了车辆抄牌的自动化。     

基于递归卷积神经网络的移动机器人定位算法

移动机器人定位已成为机器人研究的重要任务。提出基于递归卷积神经网络的移动机器人定位（Recurrent Convolutional Neural Networks-Based Mobile Robot Localization,RCNN-MRL）算法。递归卷积神经网络（Recurrent Convolutional Neural Networks,RCNN）结合卷积神经网络（Convolutional Neural Networks,CNN）和递归神经网络（Recurrent Neural Networks,RNN）的特性,并依据机器人上嵌入的照相机拍摄的第一人称视角图像,RCNN-MRL算法利用RCNN实现自主定位。具体而言,先通过RCNN有效地处理多个连续图像,再利用RCNN作为回归模型,进而估计机器人位置。同时,设计双轮机器人移动,获取多个时间序列图像信息。最后,依据双轮机器人随机移动建立仿真环境,分析机器人定位性能。实验数据表明,提出的RCNN模型能够实现自主定位。     

基于深度学习的涂层织物折皱识别与检测

涂层织物在生产制造和使用中易产生折皱损伤,人工折皱检测效率较低,传统图像处理方法的检测精度无法满足要求。提出一种基于深度卷积神经网络的涂层织物折皱识别和检测方法。通过标准揉搓试验建立数据集,网络编码和解码器分别采用多尺度特征融合结构和优化上采样模块,使用形态学方法进行折皱几何信息的实时统计。当前检测方法准确率达到95.78%,比传统语义分割技术及其他深度学习模型有很大的提升。     

基于卷积神经网络的色情图像检测

针对通常使用的色情图像检测方法中难以获取准确的色情图像特征的问题,提出一种以数据为导向基于深度卷积神经网络来获取图像特征的色情图像检测方法。对含色情内容和不含色情内容的图片数据集进行数据增强处理,接着使用Inception模块设计及建立卷积神经网络模型;使用批量随机梯度下降算法训练卷积神经网络获取色情图像特征;使用训练好的模型识别一张图像是否是色情图像。测试集检测正确率达到了99.06%,对比实验表明所设计的网络模型因其参数更少比其他模型更不易过拟合并比其他方法实现了更高的准确率。     

基于深度卷积神经网络的车型识别

传统的基于卷积神经网络的车型识别算法存在识别相似车型的准确率不高,以及在网络训练时只能使用图像的灰度图从而丢失了图像的颜色信息等缺陷。对此,提出一种基于深度卷积神经网络(Deep Convolution Neural Network,DCNN)的提取图像特征的方法,运用深度卷积神经网络对背景较复杂的车型进行网络训练,以达到识别车型的目的。文中采用先进的深度学习框架Caffe,基于AlexNet结构提出了深度卷积神经网络的模型,分别对车型的图像进行训练,并与传统CNN算法进行比较。实验结果显示,DCNN网络模型的准确率达到了96.9%,比其他算法的准确率更高。     

基于级联卷积神经网络的机器人平面抓取位姿快速检测

针对任意姿态的未知不规则物体,提出一种基于级联卷积神经网络的机器人平面抓取位姿快速检测方法．建立了一种位置-姿态由粗到细的级联式两阶段卷积神经网络模型,利用迁移学习机制在小规模数据集上训练模型,以R-FCN（基于区域的全卷积网络）模型为基础提取抓取位置候选框进行筛选及角度粗估计,并针对以往方法在姿态检测上的精度不足,提出一种Angle-Net模型来精细估计抓取角度．在Cornell数据集上的测试及机器人在线抓取实验结果表明,该方法能够对任意姿态、不同形状的不规则物体快速计算最优抓取点及姿态,其识别准确性和快速性相比以往方法有所提高,鲁棒性和稳定性强,且能够泛化适应未训练过的新物体．     

基于多特征融合卷积神经网络的显著性检测

随着深度学习技术的发展以及卷积神经网络在众多计算机视觉任务中的突出表现,基于卷积神经网络的深度显著性检测方法成为显著性检测领域的主流方法.但是,卷积神经网络受卷积核尺寸的限制,在网络底层只能在较小范围内提取特征,不能很好地检测区域内不显著但全局显著的对象;其次,卷积神经网络通过堆叠卷积层的方式可获得图像的全局信息,但在...     

基于Netvlad神经网络的室内机器人全局重定位方法

针对已知地图的室内机器人全局重定位、绑架恢复问题,提出一种基于改进的Netvlad卷积神经网络的室内机器人全局重定位方法,通过激光雷达获取的障碍物信息引导机器人到达空旷区域,粗定位阶段,使用栅格地图最短连通域距离作为正样本判据,并对Netvlad引入残差网络,通过图像检索得到机器人的粗略位置及角度信息。使用粗定位阶段得到的位置和角度信息作为自适应蒙特卡罗定位的初始值来估计机器人的精确位姿。实验结果表明,与传统定位方法相比,该方法可以使机器人从绑架问题中快速恢复准确位姿。     

联合知识与CNN的遥感影像目标检测研究综述

目标检测是遥感影像智能解译的重要内容,是将影像转换为信息的关键环节。基于知识的方法是遥感影像目标检测的传统经典方法,而基于卷积神经网络的深度学习方法则是近年来逐步兴起并迅速大范围应用的主流方法。介绍了基于几何知识、上下文知识、辅助知识、综合知识的方法,以及一阶段、两阶段的卷积神经网络方法,重点论述了联合知识与卷积神经网络的新方法,并对改进遥感影像数据集、调整算法网络框架、实现目标上下文推理等三种具体应用形式进行了详细介绍。对联合知识与卷积神经网络方法的遥感影像目标检测方法进行了展望。     

基于机器视觉的非特定物体的智能抓取系统的研究

针对传统机械臂局限于按既定流程对固定位姿的特定物体进行机械化抓取,设计了一种基于机器视觉的非特定物体的智能抓取系统;系统通过特定的卷积神经网络对深度相机采集到的图像进行目标定位,并在图像上预测出一个该目标的可靠抓取位置,系统进一步将抓取位置信息反馈给机械臂,机械臂根据该信息完成对目标物体的抓取操作;系统基于机器人操作系统,硬件之间通过机器人操作系统的话题机制传递必要信息;最终经多次实验结果表明,通过改进的快速搜索随机树运动规划算法,桌面型机械臂能够根据神经网络模型反馈的的标记位置对不同位姿的非特定物体进行实时有效的抓取,在一定程度上提高了机械臂的自主能力,弥补了传统机械臂的不足.     

基于巡逻机器人的实时跑动检测系统

文章提出了一种基于巡逻机器人系统的快速运动人体目标检测方法,采用卷积神经网络作为运动人体目标检测器,在不同摄像头视角和背景条件下,采集了不同姿态的跑动目标正负样本图像,完成了卷积神经网络的训练.为区分前景目标的运动和机器人造成的背景运动,采用了光流特征来描述目标的运动情况并提取出感兴趣区域;为提高跑动目标的检测准确率,将跑动人物的表面特征和运动特征结合起来形成双流数据通道,并输入到卷积神经网络中进行识别.实验结果表明,该系统在室外环境下能够实现85％的跑动人体目标检测准确率,并达到20帧/秒检测速度.     

基于深度自编码器网络的压盖缺陷检测

口服液压盖过程,会出现压盖不良等情况,瓶盖可能会出现划痕、刮花、表面卷曲、压盖破损等缺陷,为保证食品药品安全必须在出厂前进行检测.在基于深度学习的口服液瓶压盖缺陷检测的研究过程中,使用传统卷积神经网络对口服液压盖缺陷数据集进行训练,需要进行人工标注,效率较低.为有效解决上述问题,设计出一种无监督学习的深度卷积去噪自编码...     

两层级联卷积神经网络的人脸检测

目的 传统人脸检测方法因人脸多姿态变化和人脸面部特征不完整等问题,导致检测效果不佳。为解决上述问题,提出一种两层级联卷积神经网络（TC_CNN）人脸检测方法。方法 首先,构建两层卷积神经网络模型,利用前端卷积神经网络模型对人脸图像进行特征粗略提取,再利用最大值池化方法对粗提取得到的人脸特征进行降维操作,输出多个疑似人脸窗口;其次,将前端粗提取得到的人脸窗口作为后端卷积神经网络模型的输入进行特征精细提取,并通过池化操作得到新的特征图;最后,通过全连接层判别输出最佳检测窗口,完成人脸检测全过程。结果 实验选取FDDB人脸检测数据集中包含人脸多姿态变化以及人脸面部特征信息不完整等情况的图像进行测试,TC_CNN方法人脸检测率达到96.39%,误检率低至3.78%,相比当前流行方法在保证算法效率的同时检测率均有提高。结论 两层级联卷积神经网络人脸检测方法能够在人脸多姿态变化和面部特征信息不完整等情况下实现精准检测,保证较高的检测率,有效降低误检率,方法具有较好的鲁棒性和泛化能力。     

基于区域对比信息混合编码的图像显著性检测方法

图像显著性检测是为了检测到能够引起视觉注意力的对象区域,利用混合的特征编码能够避免单一的特征编码在检测图像中对象显著性和显著区域精确边界时候的不足。提出一种基于图像区域对比信息和图像语义信息混合编码的图像显著性检测方法。结合图像对比信息编码以及原始图像的语义信息编码,通过卷积神经网络来进行图像显著性检测,保证对显著对象进行有效的检测以及对显著区域边缘细节的处理能力。实验结果表明,在主流的显著性检测数据集上,采用该方法能够有效地检测到图像中的显著对象以及显著区域的精确边界。     

基于深度卷积神经网络特征层融合的小尺度行人检测

针对目前行人检测算法计算量过大和对小尺度行人检测精度不高的问题,提出了一种基于深度卷积神经网络特征层融合的小尺度行人检测方法,设计了一种包含9个卷积层的深度神经网络架构.在进行行人检测时,首先,对输入图像进行分块预处理操作,避免损失原始图像的视觉信息;然后,将网络不同层的卷积特征进行融合,提升行人特征的区分能力和表达能力,进而提升行人检测的精度,在保证检测精度的同时有效降低网络的复杂度.在INRIA、Caltech等公共行人数据集上的实验结果表明,所提出的行人检测方法能够有效检测小尺度的行人,且网络架构的参数量更少,检测速度更快,能得到更高精度的行人检测结果.