基于关键帧定位和时空图卷积的异常行为识别

为提高监控视频中行人异常行为检测效率,提出了结合关键帧定位和时空图卷积的异常行为识别方法。该方法在人体骨架关键点检测的基础上,采用关键点运动特性定位视频中行人异常行为关键序列,利用时空图卷积网络可以提取行人时空特征的优点,在关键帧序列上构建人体骨架时空图,同时建立基于瓶颈残差模块的时空图卷积网络行为识别模型,实现对监控视频中行人异常行为的高效识别。采用自建数据集和公开数据集对该方法有效性进行检验,结果表明,该键帧定位算法可高效实现异常行为定位,结合基于瓶颈残差模块时空图卷积网络,在减少时空图卷积网络计算复杂度的同时提升了网络性能,能够有效判断行人异常行为。     

时间分辨光谱测量中时间加宽效应的研究

本文推导和讨论了两高斯脉冲的卷积以及高斯脉冲与单一负e指数相卷积时脉宽间“勾股定理”关系的正确性,并结合实验中具体数据,借助计算机讨论了用条纹相机测量时间分辨荧光光谱中的解卷积问题.     

基于多模态特征融合的自主驾驶车辆低辨识目标检测方法#br#

针对自主驾驶车辆在真实驾驶环境下对低辨识目标的识别问题,提出了基于多模态特征融合的目标检测方法。基于Faster R-CNN算法设计多模态深度卷积神经网络,融合彩色图像、偏振图像、红外图像特征,提高对低辨识目标的检测性能;开发多模态（3种）图像低辨识度目标实时检测系统,探索多模态图像特征融合在自动驾驶智能感知系统中的应用。建立了人工标注过的多模态（3种）图像低辨识目标数据集,对深度学习神经网络进行训练,优化内部参数,使得该系统适用于复杂环境下对行人、车辆目标的检测和识别。实验结果表明,相对于传统的单模态目标检测算法,基于多模态特征融合的深度卷积神经网络对复杂环境下的低辨识目标具有更好的检测和识别性能。     

面向高光谱显微图像血细胞分类的空-谱可分离卷积神经网络

深度学习已经在高光谱血细胞图像分类中获得广泛应用.然而,传统深度学习模型需要大量标记数据作为样本,忽略了高光谱图像"图谱合一"的性质,不能充分挖掘高光谱图像内蕴信息,且存在参数多、复杂度高问题.针对上述问题,提出了空-谱可分离卷积神经网络(S3CNN),在降低模型复杂度的同时有效提升高光谱血细胞图像分类性能.根据高光谱...     

一种远距离行人小目标检测方法

远距离行人小目标成像像素少、缺乏纹理信息,深度卷积神经网络难以提取小目标细粒度特征,难以准确识别与检测。本文提出一种远距离行人小目标检测方法。首先,在YOLOv4的基础上引入浅层特征改进特征金字塔,提取行人小目标细粒度特征,提出引力模型特征自适应融合方法,增加多层次语义信息之间的关联度,防止小目标特征信息流失。然后,采用增强型超分辨率生成对抗网络增加行人小目标特征数量,提高行人小目标检测准确率。最后,选取图像像素中占比范围为0.004%～0.026%的行人小目标建立试验数据集,通过与Faster RCNN、ION、YOLOv4对比实验验证。结果表明,本文方法mAP_0.5提高了25.2%、26.3%、11.9%,FPS达到24,研究成果在远距离安防监测监控领域具有重要应用价值。     

Tiny YOLOV3目标检测改进

针对Tiny YOLOV3目标检测算法在实时检测中对行人等小目标漏检率高的问题,对该算法的特征提取网络、预测网络、损失函数等进行研究改进。首先,在特征提取网络中增加2步长的卷积层,代替原网络中的最大池化层进行下采样;接着,使用深度可分离卷积构造反残差块替换传统卷积,降低模型尺寸和参数量,增加高维特征提取;然后,在原网络两尺度预测的基础上增加一尺度,形成三尺度预测;最后,对损失函数中的边界框位置误差项进行优化。实验结果表明,改进后的Tiny YOLOV3算法的目标检测准确率比原算法提高了9.8%,满足实时性要求,具有一定鲁棒性。本文方法能够更好地提取目标特征,多尺度预测和边界框位置误差的改进能更准确地对目标进行检测。     

卷积神经网络SSD的道路目标检测

针对在传统的道路目标识别中,需要进行手工提取特征,模型的泛化能力差。使用深度学习的技术,提出了使用深度卷积神经网络(SSD)解决道路目标问题。该方法首先对图像特征进行自动提取,在基础网络后添加不同尺寸的特征图,然后对多尺寸的特征图做卷积滤波,得到目标坐标值和目标的类别。实验中,在SSD模型中增加了特征图的检测层数,增大原图像尺寸,调试相应的参数,经过多次迭代,最终得到目标模型。实验采用行车记录仪采集的图像,在图像中标定出车辆、行人和骑行的人三类,实验表明,检测目标尺寸越小,检测难度越大,检测效果越差,SSD模型对目标检测的平均准确率均值提高了0.082。提出的道路目标检测方法与传统目标识别算法相比,省去了手工特征提取,减少了工作量,提高了模型的泛化能力。     

基于双目视觉和约束条件的行人目标定位

针对行人检测中计算量大、训练分类器耗时和无法满足实时性要求等问题,提出了一种基于双目视觉的行人目标定位方法。该方法利用图像处理技术获取候选轮廓,将轮廓的几何特征作为约束条件来筛选候选轮廓;利用双目视觉获取轮廓的深度信息后,将深度信息作为约束条件对候选轮廓进行进一步筛选。通过深度信息和几何信息的共同约束,识别出行人的头部轮廓,从而实现对行人目标的定位。实验结果表明,该方法减小了计算量,提高了检测精度。     

SSD模型在门式起重机障碍物检测中的应用

针对传统的门式起重机障碍物检测方式与避障手段中易受自然环境、现场条件、后期维护等因素的影响以及功能泛化能力较差的问题,提出了一种基于视觉的SSD模型障碍物检测方法。这种检测方式是一种基于回归方法的深度学习目标检测算法,通过对输入图像进行卷积和池化处理等操作提取特征向量,大大提高了对图片中特征检测准确率。采用VOC数据集中的行人、狗、猫、水杯、自行车图片集加上无障碍轨道图片作为训练集,并且训练过程中结合多尺度图像和多环境背景图像来降低复杂环境对检测的影响。实验结果表明,所提供的方法能够有效地提取本文规定的特征,解决了传统门式起重机障碍物检测方式与避障手段的不足,同时提高了运行过程中的安全性。     

基于深度宽卷积 Q 网络的行星齿轮箱故障智能诊断方法

针对行星齿轮箱故障诊断常依赖较强的专业知识,诊断模型通用性差的问题,基于深度强化学习,提出一种深度宽卷积Q网络的行星齿轮箱故障智能诊断方法。首先将行星齿轮箱的故障诊断分解为序贯决策问题,采用分类马尔科夫决策过程进行描述,并建立故障诊断模拟环境;其次设计深度宽卷积神经网络作为深度Q网络模型中的动作值网络,增强对环境状态的感知能力;最后模型通过与环境间的不断交互,并依据环境反馈的奖励,自主学习最佳诊断策略,从而完成行星齿轮箱的状态辨识。试验及案例结果表明：该方法能够在多个工况下均可有效、准确地实现行星齿轮箱的智能诊断,诊断准确率均超过99%,增强了诊断模型的泛化性和通用性。     

基于改进型卷积网络的汽车高度调节器缺陷检测方法

针对汽车高度调节器生产中人工缺陷检测耗时耗力和传统诊断方法适用性差的问题,运用深度学习提出了一种基于改进型卷积网络的智能检测方法。该方法利用卷积网络提取特征,并且在网络中加入残差网络结构和可分离卷积,在深层网络提高精度的同时减少了参数计算量。改进的结构主要运用卷积层、池化层、批标准化层、softmax层,并引入残差网络结构和可分离卷积。实验结果表明,基于改进型卷积网络的汽车高度调节器缺陷检测方法有着良好的识别精度,在汽车高度调节器多类缺陷的检测实验中,准确率均在99%以上,优于经典卷积网络VGG16。     

基于深度卷积网络的图像边缘检测方法

边缘检测对于目标物体检测准确率非常重要,精确地分割图像目标是边缘检测的目的。为了有效地提取目标,提出一种基于深度卷积网络的图像边缘检测方法。该方法建立三层卷积网络,通过对大规模数据集Image Net图像进行深度学习,使卷积网络学习自然图像的边缘结构特征,从而能较好地区别目标轮廓和场景边缘。与传统的边缘检测算法相比,所提方法更加适合提取目标物体轮廓,有效抑制非目标物体的边缘,有助于后续的目标检测和分析。     

融合多尺度特征卷积神经网络的多光谱图像压缩方法

不同于普通图像压缩,多光谱图像压缩除了需要去除空间冗余同时还需要去除光谱间冗余,近年来研究表明端到端的卷积神经网络模型在图像压缩方面具有很好的性能,但对于多光谱图像压缩其编解码器并不能有效解决同时高效提取到多光谱图像空间和光谱间特征的问题,同时也会忽略图像局部特征信息。针对以上问题,本文提出了一种融合多尺度特征卷积神经网络的多光谱图像压缩方法。所提出网络在压缩模型的编解码器中嵌入了可以提取出不同尺度下空间和光谱间特征信息的多尺度特征提取模块,以及可以用来捕捉局部空间信息和光谱信息的空间光谱间非对称卷积模块。实验表明,与传统算法如JPEG2000和3D-SPIHT以及深度学习方法相比,在Landsat-8的7波段和Sentinel-2的8波段数据集上所提出模型的峰值信噪比(PSNR)指标高于传统算法1-2dB。在平均光谱角度(MSA)指标的衡量下,所提出的模型在Landsat-8数据集上优于传统算法约8×10^-3 rad,在Sentinel-2数据集上优于传统算法约2×10^-3 rad。满足了多光谱图像压缩对空间和光谱间特征提取以及局部特征提取...     

基于卷积变分自编码器的异常事件检测方法

针对传统的异常事件检测方法中手工提取的浅层特征无法统一表达不同场景的表观和运动信息问题,提出了一种基于卷积变分自编码器(ConVAE)的异常事件检测方法.首先构建了一个卷积变分自编码器网络,以视频帧序列作为网络输入,提取场景的深度特征;接着采用多变量高斯模型对在所有帧序列的深度特征图中位于同一位置的特征向量进行拟合,获...     

基于卷积神经网络的带钢表面缺陷检测算法

针对现有带钢表面缺陷检测方法准确率低、特征泛化性不强、参数多、识别速度慢等缺陷,基于卷积神经网络,采用DenseNet网络的密集连接算法解决梯度消失和梯度爆炸问题,堆叠式空洞卷积扩大卷积核感受野,深度可分离卷积减少网络参数量,提出一种用于带钢表面陷检测的深度神经网络模型Ds-DenseNet算法。以NEU带钢表面缺陷数据集为基础缺陷样本,加入正样本,并对其进行数据增强操作,创建AUG-NEU数据集,本算法在AUG-NEU数据集上的测试精度高达99.38%,参数量为117958,仅占DenseNet121和ResNet50参数量的1.7%和0.5%,识别速度高达1.3ms/frame,分别是DenseNet121、ResNet50识别速度的2.3倍和2倍,完全可以满足带钢生产线实时检测的需求。     

有限训练样本下的多尺度空洞密集网络高光谱影像分类

为了在有限训练样本情况下充分提取高光谱影像的空间光谱特征,提高分类精度,提出一种结合空洞卷积和密集网络 的高光谱影像分类方法。 首先,构建多尺度空洞特征提取模块,引入不同数量的空洞卷积层和普通卷积层通过级联的方式增大 模型的感受野,并提取多尺度特征。 然后,在多尺度空洞特征提取模块之间建立密集连接,实现特征复用的同时缓解梯度消失 问题,而模块内部无密集连接,避免构建深度网络而导致网络参数过多的问题。 最后,将得到的特征依次通过池化层,全连接层 和 Softmax 层完成分类。 另外,本文在全连接层后加入 dropout 正则化防止出现过拟合。 在 Indian Pines 和 WHU-Hi-Longkou 数 据集上与经典分类方法进行对比,本文方法 OA 分别为 98. 75% 和 98. 82% 。 实验结果表明,本文设计的网络模型在有限训练样 本情况下,分类效果最优。     

基于深度神经网络的车辆检测系统

近年来,深度卷积神经网络取得的突破性进展极大地提高了计算机视觉算法能力,基于卷积神经网络的算法已成为目标检测领域的主要研究方向。但由于其庞大的计算量和存储空间需求,该算法在车载平台车辆检测领域的应用受到限制。本文对深度卷积神经网络在车辆检测领域的应用进行研究,在算法架构层面,以构建高速高准确率的车辆检测模型为目标,搭建并训练了适合嵌入式端的轻量级车辆检测模型,并对算法进行了优化。模型测试结果显示,本文搭建的车辆检测算法在保持较高检测精度的情况下,大幅降低了检测模型计算量和存储需求。     

焊接缺陷磁光成像卷积神经网络识别方法

对焊件表面及亚表面微小焊接缺陷进行检测是保证焊接质量的关键,提出一种基于深层卷积神经网络的磁光成像焊接缺陷检测方法.以法拉第磁致旋光效应为基础,分析磁光成像原理,建立深层卷积网络预测模型,研究不同模型结构参数对训练结果的影响.通过对深度卷积神经网络中间机理分析,研究模型训练过程并自动寻找卷积核最优参数.试验结果表明,第...     

基于深度特征提取和对抗域适应网络的滚动轴承故障诊断

实现轴承的智能化诊断是实现旋转设备的智能化诊断的关键。在轴承故障诊断实际情况中存在特征提取不完全、变工况情况下传统的诊断方法效率低的问题。针对这个问题,提出了一种组合方法。在该方法中使用具有宽卷积核的卷积神经网络与长短时记忆网络组合的深度特征提取网络对原始的振动信号进行深层次的特征提取,其次以对抗域适应网络实现源域与目标域间的知识迁移,解决了变工况情况下的跨域诊断能力不理想的问题。并对所提方法进行了验证,实验结果表明,所提方法能够有效地实现对轴承振动信号的深度提取以及识别变工况情况下的轴承故障类型,提高了跨域诊能力。     

基于深度学习的工厂危险区域监测

工厂中存在着许多危险的区域,这些区域一般是禁止行人接近的。通常的做法是通过人力对工厂中的危险区域进行监控,当有人接近时,会对其进行劝退。这种方式存在着很大问题。如果工厂中存在着很多危险区域,而每个危险区域的面积较大,就需要足够的人员对危险区域进行管理。增加的人员会导致庞大的开销,同时,监控人员的疏忽可能会导致事故的发生。深度学习的发展推动了计算机视觉领域的进步,且深度学习已成功运用到相关领域,如人脸检测、行人重识别等。利用深度学习,结合视频监控,能够有效地解决传统危险区域监测遇到的问题。