基于深度学习的VGG16 图像型火灾探测方法研究

为了快速、有效地检测不同场景下的火灾信息,基于深度迁移学习设计了一种改进VGG16 的图像型火灾检测方法。搜集不同场景下的照片,使用离线数据增强技术增加样本数量,对VGG16 进行改进,并使用迁移学习的方法训练火灾识别模型。结果表明：改进的VGG16 网络对于火灾现场的图片分类识别准确率为98.7%,优于Resnet50 网络和Densenet121 网络,可快速、准确地检测到火灾信息。     

基于迁移学习与VGG16深度神经网络的建筑物裂缝检测方法

针对传统的裂缝检测方法存在裂缝样本数量少、检测效率低下、准确率不高等问题,本文提出了一种迁移学习与VGG16深度神经网络相结合的新型裂缝检测方法.该检测方法主要包括三个步骤;首先将获取的裂缝图像进行缩放、裁剪、翻转等预处理来进行数据集的增强;其次在ImageNet数据集上进行网络的预训练,并将VGG16深度神经网络作为...     

基于深度学习的建筑用短粗拉索索力智能识别

准确识别拉索的索力大小对评估预应力结构的健康状态具有重要意义。频率振动法可以较精确地测量桥梁结构中细长拉索的索力,但对建筑用短粗拉索的索力测量精度较低。为此,对建筑中常用的密闭索及高钒索开展在预应力作用下的动态响应试验,以获取拉索在不同索力下的动态响应数据,基于试验数据提出了可智能识别建筑用拉索索力的深度学习模型。模型以采集的原始频谱数据及拉索各项几何参量为特征输入,采用多通道融合的1D卷积神经网络(CNN)及深度神经网络(DNN)。分析结果表明：训练后的模型在测试集上识别的索力值与实际索力值间的平均绝对误差值仅为5.05%,均方误差值仅为0.35%;在测试集随机的6个取样点上索力值的决定系数为0.985 4,索力误差均小于10%。与已有索力计算实用公式和机器学习算法进行对比,由索力误差百分比及决定系数的评估结果发现所提出的深度学习模型的索力识别精度更高。     

基于深度学习的语音识别方法

本文通过对人工智能语言识别技术的现状阐述,探讨了基于人工智能深度学习的语音识别方法。改进语音识别当中的语音拾取和提取特征、模拟训练和语音识别判断,是有效提高这项技术的措施。更是推动人工智能产业发展,方便人们生活和工作的重大进步。     

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。     

基于深度学习的变电站钢结构图纸标题栏文字检测与识别

为实现变电站工程建设中钢结构与电力设备的配套控制管理,需要从大量的钢结构图纸标题栏中识别相关信息,并与实物进行匹配。针对标题栏中字体模糊、表格形式多样、信息量混杂等问题,提出了基于深度学习CNN+RNN模型的文本检测和CRNN模型的文字识别方法。对现有钢结构变电站工程施工现场钢结构数据集的检测与识别显示,该方法的检测精确率达到80%以上,识别准确率达到90%以上,均优于其他文本检测与识别方法。工程应用结果表明,该方法有效解决了因文字的大小、字体、颜色与排列方式等差异引起的特征提取困难,提高了变电站钢结构图纸标题栏文字识别的准确率。     

基于深度学习的绝缘子精确识别

针对大量高分辨率的无人机航拍影像中自爆绝缘子的检测问题,提出一种基于SSD检测网络改进的MFPSSD网络(Multidirectional Feature Pyramid Single Shot Detector,MFPSSD),实现绝缘子目标的精确识别.第一,利用K-means算法对训练数据进行聚类分析得到绝缘子数据集中的样本形状分布特征,然后设置默认框参数.第二,将多向特征金字塔结构引入SSD目标检测算法,实现低层网络与高层网络的多向连接,有效将底层信息与高层信息进行特征融合.实验结果表明,与SSD、Faster R-CNN等算法相比较,MFPSSD目标检测算法在检测速度和检测精度两方面性能更好.     

基于多重深度学习网络的安全帽检测及工地人员身份识别方法研究

正确佩戴安全帽能有效避免物体打击事故造成的人员伤害,因而实时监测是否正确佩戴安全帽显得至关重要。基于图像处理的安全帽识别检测方法在复杂工地环境下存在许多挑战,而基于单一深度学习网络的方法直接对安全帽进行检测,无法确定安全帽是否戴在工作人员头上,对比提出了一种基于多重深度学习网络的安全帽检测及工地人员身份识别方法,通过区分出前景和背景,提取出工地人员前景区域后再进行安全帽检测,避免图像背景中其他的干扰信息。首先将图像输入Yolov4网络中检测出工地人员,然后根据工地人员的检测边界框提取出工地人员前景区域,再次输入到Yolov4网络中,最后识别出安全帽及其颜色,从而进行工地人员的身份判断。一方面能够对未佩戴安全帽的人员做到及时提醒,另一方面能够根据安全帽颜色识别出人员身份,从而判断该身份是否符合作业要求,对于保障工地人员的安全起到关键作用。     

基于深度学习的渔业领域命名实体识别

为了解决基于分词的渔业领域命名实体识别效果受分词准确度影响这一问题,采用一种基于深度学习的渔业领域命名实体识别方法。该方法使用神经网络训练得到字向量作为模型输入,避免了分词不准确对渔业领域命名实体识别效果造成的影响;针对渔业领域命名实体长度较长这一特点,使用LSTM单元保持较长时间记忆信息,并将标记信息融入到CRF模型中构建Character+LSTM+CRF实体识别模型。为验证方法的有效性,在渔业领域语料集上进行多组实验,结果表明,本研究中提出的Character+LSTM+CRF方法具有较好的效果,与LSTM模型相比较,在准确率、召回率、F值上分别提升了3.39%、2.99%、3.19%,对于渔业领域实体识别具有较好的效果。     

基于深度学习的人脸识别研究

基于深度学习的人脸识别技术是目前人工智能和图像领域研究的热点之一,尤其随着近年来深度神经网络的发展,人脸识别的准确性和有效性得到了极大的提高。文章首先简要阐述了人脸识别技术的研究和发展历史,接着叙述了人脸识别的技术流程,随后详细介绍了在人脸识别中常用到的卷积神经网络。由于各大企业在人脸识别领域取得丰硕的研究成果,因此,也对人脸识别的产品和公司进行了简单介绍。最后,对人脸识别技术存在的不足和发展前景进行了总结和展望。     

基于深度学习的火焰分割模型对比研究

由于火焰分割数据集欠缺,经典语义分割模型在火焰分割的研究应用面小,模型对比实验不充分.针对这些问题,在构建火焰分割数据集的基础上,选用在公开数据集中表现良好的4种语义分割模型和2种骨干网络进行训练和测试,并在不同的应用场景下进行对比实验及分析.实验结果表明,U-Net模型在火焰分割领域取得了较好的效果,其中U-Net+...     

基于Hopfield神经网络的结构优化算法

利用Hopfield神经网络与增广拉格朗日乘子法相结合来求解非线性约束的结构优化问题。针对神经网络模型容易陷入局部极小解的缺点,网络引入了模拟退火算法,提高了网络全局寻优能力,得到了较好的优化结果,本文详述了算法的步骤,编制了该算法的计算程序,最后通过两个实例证明该算法的可行性和有效性。     

融合改进梅尔谱特征和深信念网络的语音测谎算法

为实现非接触式谎言检测,特提出了以语谱特征为线索,结合深度学习的谎言检测方法。为提取谎言中微颤抖所引起的语谱局部能量变化,算法先对梅尔频谱进行了Hu矩处理,然后进行离散余弦变换去除相关性。该特征利用了Hu矩的正交不变性和平移不变性,能较好的体现出语谱中局部能量的集中方式。然后将所提取的特征作为改进深信念网络输入进行谎言识别。为提高受限玻尔兹曼机的并行回火训练算法中相邻温度链之间的交换率,训练算法先对Markov链的状态能量进行等能量的划分,使得每个能量环内的状态具有相似的能量,然后再进行交换以提高交换率从而优化整个网络的训练。在Columbia-SRI-Colorado数据库上的实验表明,谎言识别率达到了71.47%,比梅尔倒谱系数特征的识别率提高了3%,比传统的BayesNet分类算法提高了7%。     

基于QPSO-BP 神经网络的火灾预警算法

为了进一步提高油库消防系统的安全性,针对其火灾报警信息系统进行了改进,构建基于量子粒子群算法优化BP神经网络的火灾智能预警算法,以温度、烟雾浓度以及CO 浓度数据作为神经网络的输入,以无火、明火以及阴燃火的概率作为神经网络的输出。使用量子粒子群算法优化BP 神经网络运行中随机产生的权值和阈值,加快神经网络收敛到期望误差的速度,增强全局搜索能力。通过MATLAB 软件对智能火灾预警算法的模型进行仿真,模型输出的火情概率与实际值基本吻合。设计了多传感器数据采集设备,获取火灾现场数据,输入网络模型,能够有效识别明火、阴燃火和无火情况,验证了该算法可提高消防预警系统的准确性。     

Efficient Identification of water conveyance tunnels siltation based on ensemble deep learning

The inspection of water conveyance tunnels plays an important role in water diversion projects. Siltation is an essential factor threatening the safety of water conveyance tunnels. Accurate and efficient identification of such siltation can reduce risks and enhance safety and reliability of these projects. The remotely operated vehicle (ROV) can detect such siltation. However, it needs to improve its intelligent recognition of image data it obtains. This paper introduces the idea of ensemble deep learning. Based on the VGG16 network, a compact convolutional neural network (CNN) is designed as a primary learner, called Silt-net, which is used to identify the siltation images. At the same time, the fully-connected network is applied as the meta-learner, and stacking ensemble learning is combined with the outputs of the primary classifiers to obtain satisfactory classification results. Finally, several evaluation metrics are used to measure the performance of the proposed method. The experimental results on the siltation dataset show that the classification accuracy of the proposed method reaches 97.2%, which is far better than the accuracy of other classifiers. Furthermore, the proposed method can weigh the accuracy and model complexity on a platform with limited computing resources.     

一株海洋红藻抑菌活性初探

以青岛沿海的多管藻为研究对象,对其乙醇提取物中抑菌活性较好的组分进行柱色谱分离得到8个化合物.以4株细菌和5株农业病原真菌为指示菌株,采用滤纸片法测定各化合物的抑菌活性,并使用生长速率法对化合物ZP-8进行了毒力研究,初步确定其对白菜黑斑病菌和葡萄白腐真菌的毒力方程和EC50,其中对白菜黑斑病菌的EC50为0.19mg/L,对葡萄白腐真菌的EC50为0.52mg/L.     

基于关联规则的社交网络好友推荐算法

提出了一种基于关联规则的社交网络好友推荐算法,在进行好友推荐时,考虑现实社交活动中"志趣相投"的好友常常会关注相同的人和事,网络社交中的好友也常常会关注相同的"人"和"事",将"关注"看成一条交易记录,把关注的用户看成交易项,所有交易项的集合看成交易数据库,生成二阶候选项集,并按支持数降序排序,推荐前N个用户作为好友。以新浪微博993 950条用户关注数据及552 600条微博关注数据作为实验的对象,实验结果表明,算法具有良好的性能,可实现较高的召回率与准确率。