基于图像处理的智能分类垃圾桶的设计

该项目采用OPEN-CV图像处理技术、树莓派4B开发板及卷积神经网络算法,对实现垃圾智能分类方法进行了研究并设计了一款智能分类垃圾桶。该垃圾桶包含四个子垃圾桶,由四个舵机单独控制,可以实现干垃圾、湿垃圾、有害垃圾和可回收垃圾等四种垃圾的分类回收。采用树莓派摄像头完成四种垃圾图像的采集并保存,在Pycharm中利用卷积神经网络模型训练采集到的垃圾图像,模型训练完成后,将待识别的垃圾图像在训练好的模型中分析、对比、评估、识别出该垃圾的种类并将分类信号传送到树莓派开发板中,同时树莓派开发板驱动舵机旋转,带动对应的子垃圾桶转到投放口下方完成垃圾投放,实现垃圾智能分类。     

基于神经网络的智能垃圾分类软件设计分析

生活垃圾的分类较多,传统依靠人工管理的方式费时费力,并且在辨识方面具有一定的难度。目前,基于卷积神经网络的图像目标识别算法已经在人脸识别、自动驾驶等多个领域成功应用。为了提高垃圾的分类效率,可以应用相关算法,通过智能分类软件的使用,确保垃圾分类的合理性。基于此,本文将从垃圾识别、生活百科、分享反馈、数据存储、网络模型、...     

融合ResNeXt的家庭智能垃圾桶的实现

虽然世界各国政府以及各省市都出台了与垃圾分类有关的法律规定,但是由于欠缺的分类知识,以及淡薄的分类意识,实际分类成效并不理想。基于此,系统研究了识别分类算法、软硬件解决策略,并对采集到的垃圾数据集进行微调训练,进而建立基于图像识别的识别模型来有效地识别垃圾类型。智能垃圾桶以树莓派为核心控制器,以Arduino单片机为垃圾桶移动控制机器,加上图像识别技术,3D打印技术,完成了垃圾桶对垃圾的自动识别、智能移动等各种功能。     

基于卷积神经网络的卫星遥感图像区域识别

为了提高卫星遥感图像的识别与分类效果,提出一种基于卷积神经网络的卫星遥感图像识别与分类方法。该方法通过导向滤波去雾和旋转图像数据提高了模型的泛化能力,同时采用了双全连接层网络结构增强了模型数据表达能力。实验证明,该方法在卫星遥感图像的识别与分类上优于传统图像识别方法和一般卷积神经网络模型。     

基于GINet的垃圾分类检测网络

为了更好地服务于城市垃圾分类,提高垃圾分类前端收集的工作效率,本文提出了一种基于GINet的智能分类垃圾网络。首先在Kaggle数据集和华为垃圾分类公开数据集的基础上进行了人工标注,并建立了垃圾分类的训练数据集。其次,为了提高模型的泛化能力,扩充训练样本,设计了一种具有针对性的多背景图像增强方法。最后,为了解决垃圾分类数据集中某些同类垃圾之间的尺寸、颜色差异巨大,以VGG-16为主干特征提取网络,构建了一个融合多特征提取与注意力机制的垃圾识别网络(Garbage Identification Net,GINet)。仿真实验表明,该算法在复杂环境下拥有良好的鲁棒性和稳定性,检测准确率可达到94.5%,很好地满足了工业场景下垃圾检测的准确性。     

基于改进Canny算子的垃圾图像边缘检测

为提高垃圾识别分类的准确率,文中在垃圾图像预处理过程中提出了一种基于改进Canny算子的垃圾图像边缘检测方法。该方法从传统Canny算子滤波方式、梯度方向及阈值自适应3个角度实现了垃圾图像边缘检测的优化。针对Canny算子高斯滤波仅适用于高斯噪声和边缘细节易丢失的问题,采用改进的梯度倒数加权法进行滤波。针对Canny算子易检测出伪边缘的问题,通过在计算图像梯度方向的过程中增加方向梯度模板实现了边缘的精确化。同时采用最小误差法解决人工设定阈值的局限性,实现阈值自适应。实验结果表明,该方法在去噪性能和边缘细节两方面得到了改进,获得了更好的边缘检测效果,为后续垃圾图像的识别分类提供了技术保障。     

基于ResNet-50垃圾分类算法的改进及应用

随着人们生活水平和消费水平的不断提高,垃圾问题日益严峻。针对当前垃圾分类易出错、准确率低等问题,本文提出了一种改进的ResNet-50识别算法,首先通过二维Gamma函数对图像进行光照校正预处理;然后,采用Leaky ReLU激活函数,并把激活函数和BatchNormalize层的位置放在了卷积神经网络的卷积操作之前,优化了ResNet-50网络结构。最后,收集常见的4种类型垃圾进行训练、测试得到最优网络模型。经实验验证,该模型的准确率达到99%,识别效果较佳。为营造共建共享氛围,实现垃圾快速有效分类,推动绿色生活方式提供了理论依据。     

基于宽度学习的太赫兹光谱图像小麦霉变识别研究

小麦质量安全是粮食安全的重要组成部分。传统的小麦霉变籽粒识别检测方法需要复杂的处理步骤,耗时较长且特征提取能力较差,易造成图像有效信息的丢失,导致小麦霉变籽粒识别检测效果不佳。为解决上述问题,提出了一种基于去噪宽度学习(D-BLS)的霉变小麦太赫兹光谱图像识别方法。该方法对传统宽度学习(BLS)算法进行了改进,通过引入去噪卷积神经网络(DnCNN)模块,构建D-BLS霉变小麦分类识别模型,以增强图像质量,提高霉变小麦太赫兹光谱图像的识别精度。初步研究表明, D-BLS在识别准确率方面优于传统BLS算法,识别准确率达到93.13%。进一步使用支持向量机(SVM)、后向传播神经网络(BPNN)、卷积神经网络(CNN)与D-BLS进行建模对比。研究结果表明, D-BLS网络的分类准确率分别比SVM、BPNN和CNN高出了13.83%、7.79%和3.96%。因此, DBLS能够为小麦发霉早期鉴别提供一种新方法。     

基于改进神经网络算法的变电站变压器裂纹图像识别

为了保证电力系统的正常运行,提高电站变压器裂纹图像的识别精度,提出基于改进神经网络算法的变电站变压器裂纹图像识别模型。首先收集变电站变压器裂纹图像,并进行去噪处理,然后提取变电站变压器裂纹图像的特征,并对特征进行无量纲化处理,最后采用神经网络建立变电站变压器裂纹图像识别模型,并对神经网络的不足进行相应改进,在Matlab 2014R平台上进行变电站变压器裂纹图像识别的仿真测试,结果表明,改进神经网络不仅能够获得较好的变电站变压器裂纹图像识别结果,而且识别速度也能够满足变电站变压器裂纹图像检测的要求。     

激光雷达成像的帧间偏移估计优化研究

为精确辨识与跟踪目标物体，提出了激光雷达成像的帧间偏移估计优化方法。采集激光雷达图像，小波变换与均值滤波对图像进行去噪处理，对去噪后激光雷达图像进行运动估计，获取激光雷达图像的帧间偏移量，利用均值滤波器滤波处理运动估计结果，利用双线性插值后向映射原理建立激光雷达图像的运动补偿模型，完成激光雷达成像帧间的偏移估计优化。实验结果表明：该方法可实现不同噪声环境下激光雷达成像的帧间偏移估计，获得的帧间偏移量更接近实际偏移量，能够更好地满足实际工作需要。     

基于深度学习的野生动物识别

为了更好地保护野生动物以及动物基因库的种类,保障生物链的完整性。运用深度学习技术对野生动物的图像进行识别,并且为了降低噪声信息的干扰及提高野生动物图像识别的准确率,提出了基于深度残差收缩网络的野生动物识别模型。目的是可以更好地帮助社会对野生动物进行监管和保护。该模型在深度残差网络的基础上融入注意力机制和软阈值函数,从而降低噪声信息的干扰,提高图像识别的准确率。将深度残差收缩网络与深度残差网络模型对相同野生动物数据集进行训练作对比,同时对部分野生动物图像进行了测试。实验结果表明,深度残差收缩网络提高野生动物图像识别准确率。     

基于图像识别的生产线零件分拣系统

针对工业领域的生产线零件分拣系统进行研究,其零件识别采用图像识别方法。主要针对工件图像的预处理进行了研究,使用加权平均的滤波方法对工件图像进行去噪处理,使用基于双峰法的阈值分割方法对去噪图像进行分割,并使用凯西算子提取图像中的工件边缘。同时对工件位置的定位方法进行了研究,为控制机械手抓取零件提供依据,用三菱公司的RV-4FL工业机器人进行工件分拣实验,使用上位机的Matlab软件实现工件零件的图像处理、识别和定位。     

基于智能语音识别的智能分类垃圾桶设计

在人工智能逐步发展成熟并逐渐得到普及的当下,机器智能化已成为大势所趋,文章主要设计了一个基于语音识别命令技术的新型智能分类处理垃圾桶,并对当前机器智能化的分类处理垃圾桶进行了一个概述性的系统介绍。文章根据目前智能垃圾桶分类处理功能的不足,应用STM32控制器作为系统的一个核心控制器,采用LD3320语音识别模块和非特定性语音识别命令算法,实现对来自核心控制器的语音识别命令进行分析并对其进行语音识别,完成智能垃圾桶的语音识别智能化分类处理,并自动识别垃圾种类以及利用控制器来控制舵机打开相应的垃圾桶。同时,它还能应用语音智能播报来完成对垃圾分装的智能提醒。     

基于VGGNet的垃圾分类识别APP实施方法

目前,我国居民对垃圾分类的知识处于缺乏状态,当城市开始强制实施垃圾分类时,往往不了解不同类别垃圾所属的垃圾桶,导致垃圾分类的成本较高、实施困难。文章基于VGGNet卷积神经网络,实现安卓APP的拍照识别功能,让居民随时了解所丢垃圾所属分类,从而减少错误的垃圾分类,为居民的生活提供便利。     

基于残差编解码器的通道自适应超声图像去噪方法

超声图像去噪对提高超声图像的视觉质量和完成其他相关的计算机视觉任务都至关重要。超声图像中的特征信息与斑点噪声信号较为相似,用已有的去噪方法对超声图像去噪,容易造成超声图像纹理特征丢失,这会对临床诊断的准确性产生严重的干扰。因此,在去除斑点噪声的过程中,需尽量保留图像的边缘纹理信息才能更好地完成超声图像去噪任务。该文提出一种基于残差编解码器的通道自适应去噪模型(RED-SENet),能有效去除超声图像中的斑点噪声。在去噪模型的解码器部分引入注意力反卷积残差块,使本模型可以学习并利用全局信息,从而选择性地强调关键通道的内容特征,抑制无用特征,能提高模型去噪的性能。在2个私有数据集和2个公开数据集上对该模型进行定性评估和定量分析,与一些先进的方法相比,该模型的去噪性能有显著提升,并在噪声抑制以及结构保持方面具有良好的效果。     

基于去噪卷积神经网络的雷达信号调制类型识别

针对低截获概率雷达(LPI)信号处理复杂,低信噪比条件下识别率低的问题,该文提出一种基于去噪卷积神经网络和Inception网络的信号分类识别系统。首先对8种LPI雷达信号进行Choi-Williams分布(CWD)时频变换,得到2维时频图像,然后使用去噪卷积神经网络进行时频图像去噪处理,最后将图像发送到Inception-V4网络进行特征提取,并使用softmax分类器进行分类,实现LPI雷达信号的有效分类识别。仿真结果表明,该方法在–10 dB信噪比(SNR)下,识别率仍然可以达到90%以上。     

基于改进生成对抗网络的低剂量CT去噪算法

针对低剂量计算机断层扫描(computerized tomography,CT)在图像采集过程中引入较多噪声,造成图像质量严重下降的问题, 提出一种基于残差注意力机制与复合感知损失的低剂量CT去噪算法。在该算法中,利用生 成对抗网络完成对低剂量CT图像的去噪,在网络框架中引入多尺度特征提取及残差注意力 模块,以融合图像中不同尺度的信息,提高网络对噪声特征的区分能力,避免在去噪过程中 丢失图像细节信息。同时采用复合感知损失函数,以加快网络收敛速度,促使去噪图像在感 知上与原图像更接近。实验结果表明:与现有的算法相比,所提算法能够有效抑制低剂量 CT图像中的噪声,并恢复更多的纹理细节;对比低剂量CT图像,所提算法处理后的CT 图像峰值信噪比(peak signal-to-noise ratio,PSNR) 值提高了31.72%, 结构相似性(structural similarity,SSIM)值提高了13.15%,可以满足更高的医学影像诊断要求 。     

基于改进MobileNet网络的多类别垃圾分类算法

针对垃圾数量繁多及一张图片包含多个垃圾物体的情况,文中提出基于改进MobileNet网络的垃圾检测与分类算法。将MobileNet网络融合进YOLOv5(You Only Look Once v5)目标检测算法,同时在主干部分引入卷积注意力模块(Convolutional Block Attention Modul, CBAM)筛选有意义的信息,利用视觉Transformer聚合形成图像特征,并加入使用了加权双向特征金字塔网络区别不同特征的贡献度,引入高效通道注意力(Efficient Channel Attention, ECA)模块对图像特征进行组合并传递给预测层。最后,为了在垃圾目标之间有遮挡的情况下获得更好的性能,使用软性非极大值抑制(soft-Non Maximum Suppression, soft-NMS)方法,并利用Alpha-IoU(Alpha-Intersection over Union)损失函数对提取的特征进行预测。实验结果表明,所提方法能够实现多目标多类别垃圾的定位与识别,mAP(mean Average Percision)值达到了90.31%,相较于YOL...     

基于去噪卷积神经网络的雷达信号调制类型识别

针对低截获概率雷达(LPI)信号处理复杂,低信噪比条件下识别率低的问题,该文提出一种基于去噪卷积神经网络和Inception网络的信号分类识别系统.首先对8种LPI雷达信号进行Choi-Williams分布(CWD)时频变换,得到2维时频图像,然后使用去噪卷积神经网络进行时频图像去噪处理,最后将图像发送到Inception-V4网络进行特征提取,并使用softmax分类器进行分类,实现LPI雷达信号的有效分类识别.仿真结果表明,该方法在–10?dB信噪比(SNR)下,识别率仍然可以达到90％以上.     

基于神经网络的图像识别

神经网络图像识别技术是随着当代计算机技术、图像处理、人工智能、模式识别理论等发展起来的一种新型图像识别技术。在进行图像识别之前需要利用数字图像处理技术进行图像预处理以及特征提取。本文选取字符图像0~9作为识别目标,对图像预处理过程进行了叙述,并在此基础上选取字符图像矩阵每行的与每列的黑色像素点之和以及图像欧拉数这两个特征作为BP神经网络的输入样本。经实验仿真表明图像的平均识别率为89%,这表明图像预处理的结果和提取的特征是合适的、有效的,设计的BP网络也较好的完成了模式分类识别工作。