基于改进模糊聚类的网络信息安全风险识别研究

针对当前现有识别方法在对网络信息安全风险识别时，存在识别时间长、识别准确率低的问题，本文引入并改进模糊聚类，开展对网络信息安全风险识别方法的设计研究。并引入决策树理论，对网络信息分类处理；基于改进模糊聚类，建立风险识别模型；最后根据模型输出结果，预测网络信息攻击路径，实现风险识别。通过对比实验证明，该识别方法与现有识别方法相比，识别时间更短、识别正确数据量更多，说明本次的识别方法具备极高的识别速率和准确率，可在网络环境中广泛应用这一识别方法，促进网络信息的安全性提升。     

基于EfficientNet和LSTM的井下设备定位技术

针对矿井设备在基于视觉定位时存在由井下环境复杂而导致的定位可靠性低、参数调整困难等问题，本文提出了一种基于EfficientNet深度学习模型和LSTM时序模型的井下相对定位模型，以提高设备定位算法在井下复杂工作环境中的精确度和鲁棒性。算法训练过程中通过设计光照强度随机和边缘平滑的图像预处理模式，使训练得到的深度学习网络对图像的照度和纹理敏感度降低。实验结果表明：在测试数据集上，该模型能够进行精确的井下定位。该研究将端对端的深度学习应用于井下定位技术，并为矿井视觉定位的发展提供理论参考。     

基于深度学习的涡流热成像技术在无损检测中的应用

设计实现了一套涡流热成像无损检测系统,对试件进行涡流加热,使用热像仪进行探测,以热图像的形式展示试件温度变化情况来表征试件的损伤特征,并使用基于深度学习网络的智能识别方法诊断试件的损伤程度。该无损探伤方法使用卷积神经网络逐层挖掘可疑缺陷区域的本质特征。实验结果表明:该系统对金属板材试件损伤程度识别的准确率能达到97.3%,证明该系统具有较高的准确率和较好的适应性。     

基于改进MobileNet V2轻量级网络的步态识别研究

为了解决目前深度学习中大型网络计算复杂、难以在嵌入式等移动设备进行部署及应用的问题，在MobileNet V2网络的基础上，提出一种改进型轻量级网络进行步态识别。将CASIA-B数据集进行预处理生成步态能量图，通过调整网络中深度可分离卷积模块，使用H-swish激活函数并引入SE注意力机制(squeeze-and-excitation networks)，对行人步态进行分组实验。实验结果表明，改进后的网络模型能有效进行数据集的分类识别，模型大小为12.55 M，在测试集上的平均识别准确率达到94.27%，比原始网络提高了2.29%。同时，在精度和复杂度上获得了较好的平衡，为步态识别方法在移动端等资源受限的设备上提供思路和参考。     

基于混合数据增强的人脸表情识别

针对现有人脸表情数据集样本数据量较小和数据类别不均衡而导致识别率不高、鲁棒性不强等问题，提出一种混合数据增强方法。利用几何方法、图像模糊、调整亮度及对比度等方法，随机以20%的概率进行组合，实现对原始数据集进行数据增强。研究表明，以VGG16网络模型为基础，进行人脸表情分类识别得到了较高的识别准确率，能够较好地避免出现过拟合现象，同时也提高了系统的鲁棒性。     

基于卷积神经网络的轮胎X光图像缺陷检测

为解决常用轮胎X射线图像缺陷检测方法难以获取准确的图像特征的问题,提出一种通过卷积神经网络获取图像特征的方法。对轮胎X射线图像进行数据增强,然后建立网络模型。训练算法获取图像缺陷特征,并用训练好的模型识别图像中的缺陷。首先将参数对应的神经元分为关键和非关键部分,然后采用局部关键点和动态学习率实现参数快速调节。试验结果表明,设计的网络模型不易过拟合,参数调节快,所需时间短,检测准确率高。     

基于深度学习的人脸疲劳检测系统

针对某些场景人脸部分遮挡引起的疲劳检测模块失准、人脸检测模型在算力较低的机器上帧数低等问题，本文提出了一种改进的人脸疲劳检测系统。首先用Mediapipe的Blaze Face和Controursmodel代替Open CV和Dlib对人脸进行识别和检测。利用可分离卷积，使骨干识别网络具有更少的参数量，其次增大了可分离卷积depthwise层的卷积核尺寸，实现更快的下采样。本文通过实验证明了改进的人脸疲劳检测模型具有较高的鲁棒性。对于实时视频输入，所提出的系统可以优化输出帧数，提高实时性。     

基于卷积神经网络的轮胎X射线图像缺陷检测

为解决常用轮胎X射线图像缺陷检测方法难以获取准确的图像特征的问题,提出一种通过卷积神经网络获取图像特征的方法。对轮胎X射线图像进行数据增强,然后建立网络模型。训练算法获取图像缺陷特征,并用训练好的模型识别图像中的缺陷。首先将参数对应的神经元分为关键和非关键部分,然后采用局部关键点和动态学习率实现参数快速调节。试验结果表明,设计的网络模型不易过拟合,参数调节快,所需时间短,检测准确率高。     

基于无向加权的智能用电指挥系统重要节点检测技术研究

针对智能用电指挥信息运维系统网络易遭受网络攻击威胁。研究建立无向加权网络度量模型,并与非凸二次规划模型相结合,进一步提高计算复杂度与节点距离,以提高节点检测效率。试验结果表明,与随机森林算法相比,所提出算法显著改变系统节点检测的算法复杂度。迭代次数500次及1 000次时,无向加权网络模型算法的容错率较高,最大容错率分别为65%、71%,可以有效检测智能用电指挥信息运维系统节点。当节点距离大于60时,对算法准确率影响较小,而运行时间也随节点距离增加而不断增加,因此建议节点距离控制在50～60之间,以满足智能用电指挥信息运维系统节点检测准确率。     

基于深度神经网络的材料粘接裂缝识别

针对传统裂缝识别方法准确率低的问题，研究基于深度神经网络，设计一个Crack-CNN裂缝识别模型。根据CNN神经网络结构，利用CNN的特征提取和学习能力特性，将CNN应用于材料粘接裂缝识别中，然后将裂缝定位和CNN网络相结合，构建Crack-CNN模型，将裂缝图像输入至该模型中，通过CNN网络提取裂缝特征，并进行卷积、池化操作，再利用激活函数和全连接层进行特征分类，最终输出裂缝分类结果。结果表明，相较于传统裂缝识别模型，模型的训练和测试精度均保持在95%以上，模型的训练时间为3 825 s，远远低于VGG-13和ResNet模型。由此证明该模型性能好，可在材料粘接裂缝中取得较好的识别效果。     

基于融合SIFT算法的光伏电站安监图像精准识别技术研究

随着我国“双碳”工作的不断推进,光伏电站的规模逐渐扩大。为解决光伏电站图像安防技术中存在的拍摄角度、光线影响大,识别准确率低的问题,提出了一种基于SIFT的光伏电站图像安防技术。通过SIFT算法提取光伏电站图像特征点,解决了光线、角度带来的识别误差问题;通过卷积神经网络方法准确的识别了光伏电站车辆、人员、动物、积雪等安防问题。该方法在某光伏电站进行应用,其光伏电站图像安防识别准确率平均为99.7%。所提方法能有效提高光伏电站图像安防识别准确率。     

基于监督学习的水下图像复原方法研究

近年来，各国对海洋保护和开发越来越重视，众多研究机构和学者开始关注水下信息可视化技术的研究。针对水下图像的质量退化问题，文中引入深度学习方法，提出数据驱动的水下图像复原的网络模型FNCNN。首先，介绍了水下图像清晰化方法的原理；其次，设计基于监督的水下图像复原网络模型、目标函数和图像合成方法；最后，给出网络模型的训练数据集，对所提网络模型在真实的水下图像数据集上进行比较验证，对结果进行分析。结果表明，FNCNN网络模型的结果表现出了很好的效果。     

基于轻量化网络的陶瓷辊道窑火焰图像识别方法

针对热电偶在陶瓷辊道窑高温环境下容易腐蚀老化，导致其温度检测精度下降的问题，提出采用计算机视觉火焰检测代替热电偶的陶瓷辊道窑温度智能检测方法。该方法是一种基于新型轻量化卷积神经网络，通过减少网络深度，以及采用大卷积核的设计，避免模型的过拟合现象，减少了模型的复杂度和推算时间，使模型实现了检测准确性的提升。实验结果表明：该新型轻量化卷积神经网络相比原始MobelinetV2模型，识别特征平均准确率提升了4.58%、平均相对误差减少了0.0918%、运算时间减少了41.89%。显然，该新型网络模型使运算速度和分类性能大大提高。     

大数据环境下批量处理的机器智能识别技术研究

本研究提出了基于克隆选择所构建的微小图像特征批量处理智能识别方法,以此来解决微小图像批量处理识别过程中的缺点,对大数据环境下批量处理的图像特征机器智能识别技术进行了研究。实验表明,与支持向量机方法相比,克隆选择方法对批量的微小图像特征智能识别的有效性要高。大尺度特征贡献较大,小尺度特征贡献则相对较小,克隆选择方法对不同尺度的批量微小图像特征智能识别都有非常显著的贡献。与支持向量机方法相比,克隆选择方法在识别性能、计算量均更具优势。     

基于深度学习的工程作业智能监控技术的模型优化测试

为了改善输变电工程作业人工检测效率低、人员财产安全风险频发问题，提出了一种基于神经网络模型压缩目标检测技术，结合改进的卡兹曼滤波进行目标跟踪，实现无人机对输变电工程的智能监控。通过深度可分离卷积模型，降低参数数量、提高推理速度，引入注意力机制和剪枝算法，降低神经模型复杂度和非必要参数，减少信息处理数量。同时采用欧氏距离改进的卡尔曼滤波进行目标跟踪，提升目标跟踪的实时性和准确性。实验结果表明，提出的组合模型算法与传统算法对比，可以充分提取文本的高频特征信息，对于不同颗粒度的数据集的准确率提升8%,召回率降低4%,性能更优，具有一定的科研及应用价值。     

基于改进VMD算法的水轮机组空化状态仿真实验

为提高水电站水轮机组空化状态识别准确率,提出一种基于振动信号的水轮机组空化状态识别方法。通过利用差分优化算法获取变分模态分解(VMD)最佳分解层数与惩罚因子参数组合改进VMD算法,并利用改进的VMD算法提取水电站水轮机组峰值、偏度、均方根频率等时频特征,然后将提取的时频特征输入BP神经网络中进行分类识别,实现了水电站水轮机组空化状态识别。仿真结果表明,所提方法实现了不同工况下水轮机组水轮和尾水管严重空化、空化加速、空化初生、无空化4种状态的识别,平均识别准确率达到98.88%。相较于基于SVM模型的识别方法,所提方法识别准确率提高了8.76%。     

基于SVM的天然气管道泄漏次声波检测技术研究

为了有效的对天然气管道泄漏进行及时识别,根据管道泄漏信号特征,本文采用了次声波检测技术进行长距离输气管道泄漏检测。结合支持向量机(SVM)人工智能识别理论,提出了基于次声波-SVM的管道泄漏智能识别方法。应用该智能识别方法对实际天然气管道泄漏进行检测实验研究,同时对影响SVM识别准确度的三类核函数进行了对比分析。实验结果表明:基于次声波-SVM(RBF核函数)的检测模型识别准确率最高,且该方法可以有效满足长输管道的泄漏检测。     

基于改进YOLOv4算法的工程实验室信息化管理系统构建与应用

融合物联网技术、图像检测技术和深度学习算法,提出一种基于改进YOLOv4算法的工程检测实验室信息管理系统,通过WIFI+NB-IoT实现数据传递。为了弥补YOLOv4算法在尺度分布不均匀时精度降低的问题,提出利用IK-means++算法,引入ECA注意力模块和阶梯状特征融合网络结构对算法进行改进,算法改进后浮点运算数量、模型参数量分别降低了25.1%和43.1%,FPS和mAP分别提高6.8帧/s和3.65%,改进后算法不仅收敛速度更快,而且在不同光线环境下的设备检测准确率均高于改进前。将系统应用到工程实验室检测中,设备和环境各参数检测结果与标准仪器检测结果误差控制在±5%以内。     

融合加窗和自适应加权引导滤波改进的Canny算法

针对Canny算法滤波过程中图像细节部分缺失和无法有效去除噪声,并且无法动态识别图像边缘的问题,提出一种融合加窗和自适应加权引导滤波的Canny算法。该算法对Canny算法做出两点改进：一是使用加窗滤波器对图像进行处理,有效滤除噪声,然后对图像进行数学形态学滤波处理,有效增强图像边缘;二是引入分段权值模型对引导滤波算法的正则化参数自适应修正,使其能够根据梯度信息区分边缘和非边缘,从而达到动态识别图像边缘的效果。相比传统Canny算法,改进算法处理后的信噪比提高了1.05～5.22 dB,品质因数提高了0.16～0.35。实验结果表明：改进算法能有效滤除椒盐噪声,识别出比较清晰和完整的边缘。     

基于深度学习的城市道路沥青路面病害智能检测仿真实验

为提高城市道路沥青路面病害检测精度,提出一种基于深度学习的智能检测方法。方法以Faster R-CNN网络为基础检测模型,通过对采用拟合值填充方式优化Faster R-CNN网络卷积层,提升网络对目标检测的准确性,实现了Faster R-CNN网络的改进;然后利用改进后的Faster R-CNN网络对城市道路沥青路面病害进行检测,实现了沥青路面病害的智能检测。仿真结果表明,所提的改进Faster R-CNN网络可有效检测城市道路沥青路面坑槽、裂缝病害,且具有较高的检测精度,平均精确度的均值达到为90.26%。相较于标准Faster R-CNN网络和ResNet、U-Net目标检测算法,在平均精确度的均值和单张图像的检测速度指标上具有明显优势,可用于实际城市道路沥青路面病害检测。