基于深度学习监控场景下的多尺度目标检测算法研究

针对监控环境下的视频图像处理存在漏检这一问题,分析现有目标检测算法中普遍使用的深度学习方法—Faster R-CNN,在VGG16卷积神经网络基础上,对深度卷积神经网络进行改进,在第一层卷积层中加入空洞卷积核,扩展神经网络的宽度,使得目标检测模型具有尺度不变性.在深度学习平台PyTorch下对Cifar-10数据集进行了实验,实验结果显示,改进的目标检测算法具有较好的尺度不变性,在监控场景下更具优势.     

基于改进Mask R-CNN与双目视觉的智能配筋检测

为了提高配筋检测的智能化水平,提出基于改进掩膜区域卷积神经网络（Mask R-CNN）模型与双目视觉技术的配筋检测方法.通过在Mask R-CNN中加入自下而上的注意力机制路径,形成了带通道注意力和空间注意力的掩膜区域卷积神经网络（Mask R-CNN+CA-SA）改进模型.结合双目视觉技术进行坐标转换,获取钢筋直径与间距,实现智能配筋检测.在自建的包含3 450张钢筋图片的数据集上进行训练,结果表明,改进模型的F1分数和全类平均精确率（mAP）相较于Mask R-CNN基础网络分别提高了2.54%和2.47%.通过钢筋网验证试验和复杂背景测试,钢筋直径的绝对误差和相对误差基本小于1.7 mm和10%,钢筋间距的绝对误差和相对误差分别小于4mm和3.2%,所提方法在实际应用中具有较强的可操作性.智能配筋检测技术在保证足够的检测精度的同时,能够大大提升工效,降低人工成本.     

基于卷积神经网络的无人机遥感影像农村建筑物目标检测

将深度学习应用于遥感影像目标识别,提出基于卷积神经网络的无人机遥感影像农村建筑物的目标检测方法,用端到端的方式训练Faster R-CNN网络模型,并应用于农村建筑物的快速精确识别.该方法包括基于RPN网络的区域建议和基于Inception v2的卷积神经网络模型训练.为了训练和测试模型,通过无人机采集南疆地区的农村建筑物遥感影像,并人工标注建立了农村建筑物的数据集,在TensorFlow深度学习框架上通过对该数据集目标检测验证了模型.结果表明,基于改进的卷积神经网络目标检测方法对无人机遥感影像进行快速准确识别的总体精度超过90%,通过初始参数更新,模型收敛更快,对无人机遥感影像地物分类和目标识别具有一定的参考意义.     

大气低频声信号识别深度学习方法研究

针对全面禁核试低频声监测中需要对大气低频声信号进行有效识别的问题,对深度神经网络中的卷积神经网络进行了研究,提出了一种将低频声信号转换为图像,然后采用卷积神经网络进行识别,并对学习过程进行改进的方法。将该方法与基于人工设计特征的支持向量机方法进行了对比实验,实验结果表明,在训练数据集不大的情况下,通过改进学习过程的卷积神经网络可以挖掘出信号的潜在特征,具有和支持向量机同等的识别能力。     

改进的Faster R-CNN海洋鱼类检测模型

为提高海洋鱼类检测的准确率,提出一种基于Faster R-CNN的海洋鱼类检测方法.首先,利用迁移学习方法训练Faster R-CNN网络,克服海洋鱼类样本集有限的限制;其次,增加颈部连接层,使用双向特征金字塔网络(BiFPN)进行特征融合,得到具有丰富位置信息和语义信息的融合特征图;再次,将卷积层输出的特征矩阵作外积相乘运算,提高对相似海洋鱼类的识别精度;最后,结合Mask R-CNN中的ROI Align方法对预测位置进行二次修正,使检测框更加准确.实验结果表明,在检测海洋鱼类数据集时,与原始的Faster R-CNN算法相比,改进后的Faster R-CNN检测模型的平均准确度均值提高了7.4%.     

一种基于改进的卷积神经网络的人脸表情识别方法

针对人脸表情识别的准确率较低、鲁棒性较差的问题,本文提出一种加深层数的卷积神经网络,将卷积神经网络LeNet的2层卷积、2层池化、一层全连接分别修改为4层卷积、4层池化、2层全连接.首先对人脸表情图像进行关键点定位、人脸裁剪、图像归一化等预处理,然后利用卷积层提取人脸图像的低维度和高维度的特征信息,池化层对提取的人脸特征信息进行降维处理.最后采用softmax分类器对训练样本图像的表情进行分类识别.为了提高表情识别的准确率,在表情训练集中加入了自制的标注图片集.仿真对比实验表明改进的模型精度更高、损失曲线更平滑,验证了改进网络的有效性.     

结合卷积神经网络和迁移学习的电机轴承故障诊断方法

针对轴承故障在变工况下有效数据样本不足时故障诊断效果不佳的问题，提出了一种基于卷积神经网络和迁移学习的电机轴承故障诊断方法。首先，将采集到的原始振动信号进行小波变换，得到有利于卷积神经网络训练的彩色二维时频图；其次，构建卷积神经网络，通过训练确定结构和参数，利用数据增强和Dropout机制抑制过拟合；最后，引进迁移学习，冻结训练好后的网络底层结构，用不同工况的小样本数据对网络的顶层结构进行微调。实例分析证明，小波变换和卷积神经网络结合的方式能实现特征自动提取并高度有效地利用样本，迁移学习的引入能实现其他工况下小样本的准确分类，解决实际工程应用中样本不足时故障诊断效果不佳的问题。     

基于改进的Mask R-CNN的游泳池溺水检测研究

针对传统的前景检测方法在复杂场景下存在精度低、速度慢且不能有效检测目标动作轮廓等问题,本文主要对改进的Mask R-CNN 的游泳池溺水检测进行研究.采用实例分割网络Mask R-CNN进行检测与分割,实现溺水检测,在Mask分支引入空间注意力引导模块,设计了深度注意力分割模型SAG-Mask R-CNN,并在训练Ma...     

基于EEMD的ICNN故障诊断方法

针对轴承微弱故障特征提取困难和故障诊断准确率低等问题,提出一种基于集合经验模态分解的改进卷积神经网络的故障诊断方法。首先,利用集合经验模态分解(EEMD)对信号进行降噪等预处理,并将预处理后的信号转换为二维信号;其次,为了解决数据特征不确定性和卷积神经网络(CNN)内部参数爆炸的问题,在CNN的卷积层和池化层之间增加批量归一化层进行标准化处理,得到改进的卷积神经网络(ICNN);最后,以风电机组轴承微弱故障数据集为例,验证了所提方法相较于其他诊断方法更具有优越性,能够有效提取故障特征,具有较高的准确率和诊断效率。     

一种新的卷积神经网络的ECT图像重建算法

针对电容层析成像技术(electrical capacitance tomography,ECT)反问题中图像重建困难的问题,研究了将卷积神经网络(convolutional neural network,CNN)应用于ECT图像重建的可行性,在对卷积神经网络中较耗时的深层结构和训练过程问题进行深入研究的基础上,对结构中的卷积层和训练中的子采样方法进行了改进,提出了一种加速收敛卷积神经网络(fast convergent convolutional neural network,FCCNN)的图像重建方法,并通过Matlab在计算机上建立了ECT实验仿真系统,与传统算法的仿真实验结果进行了对比和分析。实验结果表明,改进后的算法对常见管道流型的图像重建效率和质量都有一定的提高。