基于深度学习的车联网图像识别系统设计

由于传统系统在车联网图像识别应用中的漏识率较高,基于深度学习设计车联网图像识别系统。硬件方面,设计了高清摄像机和发光二极管（Light Emitting Diode,LED）补光灯,获取道路车辆图像信息;软件方面,根据图像对比结果将车辆图像分成两类,对亮度较低的一类进行增强处理,利用深度学习网络模型对图像特征进行深度挖掘,并对提取的图像特征进行降维处理,根据图像特征与车联网数据库中的车辆图像进行对比,计算出图像相似度,识别到图像属性信息,从而实现基于深度学习的车联网图像识别系统设计。实验结果表明,设计系统对于车联网图像识别的漏识率低于传统系统,能够为图像识别提供精准的依据。     

基于深度学习的图像识别技术的研究

随着科技的蓬勃发展,人工智能逐渐应用于图像处理领域。传统图像处理与识别以人为提取特征为手段,但大量特征提取给图像识别造成了一定困扰,由此引进了深度学习图像识别技术。相比于传统方法,深度学习能够提供基于学习的特征表示,在自动特征提取和分割识别准确率方面具有良好表现。基于此,针对深度学习的图像识别技术进行综述,并总结了讨论内容。     

图像识别技术在变电站屏柜运检中的应用

随着我国经济的快速发展,变电站的数量在不断增加,变电站运维人员繁重的运检工作量也在增加.为了减轻变电站中二次屏柜和开关柜的运维压力,解决查漏的程序多、周期长、人员效率低且易出错等不足,提出利用图像识别技术实现对变电站屏柜状态智能检测的方法.在实际应用中,通过对变电站巡检机器人和视频摄像头拍摄结果的识别分析,可以有效提高...     

植物图像识别理论研究

为实现对植物的高效识别与分类,现拟设计一种改进型卷积网络对大规模植物进行提取分类。利用图像算法对提取的植物图像进行增强,提高识别的灵敏度;然后以现有深度神经网络为基础,设计一个门网络,实现数千维输出的深度混合网络;再通过机器学习快速识别并提取探测目标的特征来实现植物的有效识别及分类。根据结果显示,本设计对植物的识别精确度能达到83%。     

基于深度学习算法的电力变压器故障识别研究

电力变压器故障识别具有重要的研究价值.当前电力变压器故障识别方法存在误差大、消耗时间长等缺陷,以提高电力变压器故障识别效果为 目标,提出了基于深度学习算法的电力变压器故障识别方法.首先对电力变压器故障识别的研究进展进行分析,指出各种方法存在的局限性,然后采集电力变压器故障识别数据,并提取电力变压器故障识别特征,最后将特...     

基于深度学习的农作物病虫害图像识别方法

农业病虫害是影响农作物产量和质量的主要因素。如何快速准确地发现和识别农作物病虫害,一直是农业生产的难题。传统的病虫害检测方法主要依靠人工目测,存在着准确率低、效率低等问题。随着计算机视觉和深度学习技术的不断发展,基于图像分析的农作物病虫害识别技术逐渐成为研究的热点。对此,研究基于深度学习的农作物病虫害图像识别方法,以期提高病虫害图像分类的准确率和效率。     

基于图像识别与语音交互的变压器发热缺陷检测系统设计

变压器发热缺陷识别缺少中值滤波预处理,导致系统检测信号解调率过低。因此,研究基于图像识别与语音交互的变压器发热缺陷检测系统设计。硬件部分：构建变压热敏传感器,分析热敏线的结构,对缺陷检测接口电路进行设计。软件部分：利用至导电杆采集变压器发热缺陷特征,对变压器发热缺陷信号进行处理,将处理后的特征结果转换为图像格式,通过中值滤波预处理,并进行图像识别,划分缺陷特征。利用语音交互,搭建缺陷自检辅助机制,基于此完成变压器发热缺陷检测。至此,完成对基于图像识别与语音交互的变压器发热缺陷检测系统的设计。实验结果分析：传统方法1系统检测信号解调率最高为0.39%,传统方法2系统检测信号解调率最高为0.38%,传统方法3系统检测信号解调率最高为0.44%,本方法系统检测信号解调率最高为0.59%,因此,本方法更佳。     

基于卷积神经网络的图像识别过拟合问题分析与研究

近年来深度学习在很多领域发挥着重要作用,但是在训练过程中存在模型过拟合的问题。针对该问题,本文对Kaggle竞赛中典型的猫狗识别任务建立了卷积神经网络,并分析研究了多种抑制过拟合的方法,包括添加L2正则项、dropout处理、数据增强及多种方法综合使用的综合法,分别分析不同方法在训练集和验证集上的训练精度和损失,发现数据增强法优于其他两种方法,且综合法能够消除过拟合。研究结果对卷积神经网络的配置具有重要的参考价值。     

基于深度学习的口腔癌图像识别研究

口腔癌是湖南省发病率最高的恶性肿瘤之一,基于图像的口腔癌识别能够为医生尽早诊断提供有效医疗辅助手段.文章首先基于Github上的同类项目构建了口腔癌图像数据库,进而选择了几种典型的深度学习模型,分析了不同深度学习模型在口腔癌图像识别中性能的表现.分析的过程包括:数据处理,模型训练和模型识别.数据处理指的是将数据库中的图...     

深度学习算法的图像识别技术在电子元件分拣中的应用

现今电子产品的更新迭代速度非常快,因此产生了大量电子废弃物（WEEE）。为了减少资源浪费,进行电子废弃物管理的办法之一是促进再利用。由于组件级别的手工分拣的效率较低,提出了一种采用深度学习模型作为RGB图像目标识别的基本模型,利用RGB图像与深度图之间的映射关系,提取目标物在深度图中的感兴趣区域（ROI）,消除干扰信息,实现目标物的精准识别。最终实现高效率、高精确的系统化自动识别,分拣出电子废弃物中可再利用的电子元件。     

基于深度学习的面部表情识别研究

针对基于深度学习的静态人脸图像表情识别方法进行研究,首先介绍了深度学习的原理,并归纳了目前公开且常用的面部表情数据集;然后介绍了基于深度学习的表情识别的三个步骤,归纳了图像预处理和表情分类的主要方法,重点总结了目前性能较好用来提取特征的深度学习框架以及这些方法的基本原理和优劣势比较;最后指出了目前面部表情识别存在的问题和未来可能的发展趋势。     

基于卷积神经网络的盲文音乐识别研究

盲人音乐家在交流创作的音乐作品时面临着人工转换和效率较低的问题,信息科学与技术的迅速发展为解决此类问题提供了许多解决方案。虽然目前有许多盲文音乐作品的识别方案,但其存在识别效率低和兼容能力不足等缺点。为了避免传统方案在盲文音乐图片特征提取时过多依赖人工经验,通过研究提出并设计了基于卷积神经网络的识别模型。在对盲文音乐图片的样例数据进行预处理之后,通过多次反复迭代训练,模型就可学习到盲文音乐图片中音乐符号的特征。实验结果表明,该模型的识别有效性和较强的泛化能力为盲文音乐作品的识别提供了一种新的解决方案。     

基于卷积神经网络的通信信号调制识别研究

针对传统人工提取专家特征来进行通信信号识别的方法存在局限性大、低信噪比下准确率低的问题,提出一种复基带信号与卷积神经网络自动调制识别相结合的新方法。该方法将接收到的信号进行预处理,得到包含同相分量和正交分量的复基带信号,该信号作为输入卷积神经网络模型的数据集,通过多次训练调整模型结构以及卷积核、步长、特征图和激活函数等超参数,利用训练好的模型对通信信号进行特征提取和识别。实现了对2FSK、4FSK、BPSK、8PSK、QPSK、QAM16和QAM64 七种数字通信信号类型的识别分类。实验结果表明,当信噪比为0dB时,七种信号的平均识别准确率已达94.61%,验证了算法是有效的且在低信噪比条件下有较高的准确率。     

基于深度卷积自编码神经网络的手写数字识别研究

针对提高不同笔体下的手写识别准确率进行了研究,将深度卷积神经网络与自动编码器相结合,设计卷积自编码器网络层数,形成深度卷积自编码神经网络。首先采用双线性插值方法分别对MNIST数据集与一万幅自制中国大学生手写数字图片进行图像预处理,然后先使用单一MNIST数据集对深度卷积自编码神经网络进行训练与测试;最后使用MNIST与自制数据集中5 000幅混合,再次训练该网络,对另外5 000幅进行测试。实验数据表明,所提深度卷积自编码神经网络在MNIST测试集正确率达到99.37%,有效提高了准确率;且5 000幅自制数据集模型测试正确率达99.33%,表明该算法实用性较强,在不同笔体数字上得到了较高的识别准确率,模型准确有效。     

自适应增强卷积神经网络图像识别

目的 为了进一步提高卷积神经网络的收敛性能和识别精度,增强泛化能力,提出一种自适应增强卷积神经网络图像识别算法。方法 构建自适应增强模型,分析卷积神经网络分类识别过程中误差产生的原因和误差反馈模式,针对分类误差进行有目的地训练,实现分类特征基于迭代次数和识别结果的自适应增强以及卷积神经网络权值的优化调整。自适应增强卷积神经网络与多种算法在收敛速度和识别精度等性能上进行对比,并在多种数据集上检测自适应卷积神经网络的泛化能力。结果 通过对比实验可知,自适应增强卷积神经网络算法可以在很大程度上优化收敛效果,提高收敛速度和识别精度,收敛时在手写数字数据集上的误识率可降低20.93%,在手写字母和高光谱图像数据集上的误识率可降低11.82%和15.12%;与不同卷积神经网络优化算法对比,误识率比动态自适应池化算法和双重优化算法最多可降低58.29%和43.50%;基于不同梯度算法的优化,误识率最多可降低33.11%;与不同的图像识别算法对比,识别率也有较大程度提高。结论 实验结果表明,自适应增强卷积神经网络算法可以实现分类特征的自适应增强,对收敛性能和识别精度有较大的提高,对多种数据集有较强的泛化能力。这种自适应增强模型可以进一步推广到其他与卷积神经网络相关的深度学习算法中。     

基于卷积神经网络的云雾遮挡舰船目标识别

海上舰船目标识别对于海运交通、海上目标跟踪、军事侦察等都有着重要作用,然而海面气象复杂、光照不均、云雾遮挡等自然现象易导致遥感图像中舰船目标识别率低、鲁棒性差等问题.针对云雾遮挡问题,提出一种改进InceptionV3网络模型InceptionV3-FC的舰船目标识别算法.首先,InceptionV3-FC通过引入一层...     

基于深度卷积神经网络的数字调制方式识别

针对非协作通信条件下信号调制方式识别问题,提出了一种基于深度神经网络的调制方式自动识别新方法。该方法对接收到的信号进行预处理,生成星座图,并将星座图形状作为深度卷积神经网络的输入,根据训练好的网络模型对调制信号进行分类识别。与以往的识别方法相比,该方法利用卷积神经网络自动学习各种数字调制信号的星座图特征,克服了特征提取困难,通用性不强,抗噪声性能差等缺点,处理流程简单,并对星座图的形变具有不敏感性。针对4QAM、16QAM和64QAM三种典型的数字调制方式,进行了仿真实验,当信噪比大于4时,调制方式的识别正确率大于95％,实验结果表明,基于深度卷积神经网络的信号调制方式识别方法是有效的。     

一种改进的人脸识别CNN结构研究

为了克服人脸识别中存在光照、姿态、颜色等噪声的干扰,融合了卷积神经网络与孪生神经网络的优点,提出了一种改进的CNN网络结构,该结构由两个卷积神经网络组成,且共享网络权值,在该结构的训练中采用了差异深度度量学习（DDML）算法。卷积结构有效地去除外界噪声干扰,且在非线性降维中权值共享结构能够自动提取相同特征,DDML算法增加了提取特征的有效性。在ORL、YaleB和AR人脸数据库上实验结果表明,与PCA、CNN等算法相比,识别稳定度高,识别率提升近5个百分点。     

一种基于深度图像的静态手势神经网络识别方法

静态手势识别是以手势驱动的人机交互系统的核心技术。针对静态手势识别问题,提出了一种基于深度图像进行静态手势识别的方法。为了消除静态手势识别过程中的平移、旋转和缩放不变性,提取手势轮廓的Hu不变矩,并以Hu不变矩作为特征构建静态手势深度感知神经网络模型,以此实现对静态手势进行分类识别。在VisualStudio的开发环境下实现了对该方法的验证,取得了良好的效果,并与传统的模板匹配法与基于卷积神经网络的深度学习方法作比较,静态手势识别准确率总体可达95%,识别效率高,能满足实时性要求。     

面向图像识别的公平性研究进展

在过去的几十年里,图像识别技术经历了迅速发展,并深刻地改变着人类社会的进程。发展图像识别技术的目的是通过减少人力劳动和增加便利来造福人类。然而,最近的研究和应用表明,图像识别系统可能会表现出偏见甚至歧视行为,从而对个人和社会产生潜在的负面影响。因此,图像识别的公平性研究受到广泛关注,避免图像识别系统可能给人们带来的偏见与歧视,才能使人完全信任该项技术并与之和谐相处。本文对图像识别的公平性研究进行了全面的梳理回顾。首先,简要介绍了偏见3个方面的来源,即数据不平衡、属性间的虚假关联和群体差异性;其次,对于常用的数据集和评价指标进行汇总;然后,将现有的去偏见算法划分为重加权（重采样）、图像增强、特征增强、特征解耦、度量学习、模型自适应和后处理7类,并分别对各类方法进行介绍,阐述了各方法的优缺点;最后,对该领域的未来研究方向和机遇挑战进行了总结和展望。整体而言,学术界对图像识别公平性的研究已经取得了较大的进展,然而该领域仍处于发展初期,数据集和评价指标仍有待完善,针对未知偏见的公平性算法有待研究,准确率和公平性的权衡困境有待突破,针对细分任务的独特发展趋势开始呈现,视频数据的去偏见算法逐渐受到关注。