基于卷积神经网络的领带花型情感分类

为避免传统手工特征和局部特征难以全面表征和准确量化图像情感特征的不足,以领带花型为研究对象,提出了一种融合手工情感特征的基于卷积神经网络的织物图像情感分类方法,可为服饰设计、服装选购等提供辅助。 首先对领带花型图像进行情感评价,建立领带花型图像的情感样本库;然后提取图像饱和度、纹理等手工情感特征和图像像素值作为卷积神经网络的输入;其次建立卷积神经网络模型,将2 000幅样本图像作为训练样本对卷积神经网络进行训练;最后将1 000幅检测样本输入训练后的卷积神经网络,实现了领带花型图像的情感分类。实验结果显示：该方法的情感分类准确率为89.7%,比采用传统手工特征的分类方法有较大提升,较其他卷积神经网络模型正确率更高。     

应用深度卷积神经网络的色织物缺陷检测

针对织物缺陷检测时传统人工的误检率、漏检率较高问题,提出一种应用深度卷积神经网络的色织物缺陷检测算法。因织物图像采集过程中含有较多噪声且信噪比较低,先对缺陷织物进行最优尺寸高斯滤波,有效滤除细节噪声;再根据织物图像特征建立深度卷积神经网络,利用径向基神经网络的非线性映射能力作用于卷积神经网络,并通过反向传播算法调整权值参数,获取无缺陷样本与训练样本之间的映射函数;最后,利用映射函数及特征字典重构图像并提取特征,根据Meanshift算法分割缺陷,确定缺陷位置。结果表明：应用深度卷积神经网络的缺陷检测算法对色织物图像库中的缺陷图像可实现提高检测效率、缩短检测时间,获取准确缺陷位置的目的。     

基于改进AlexNet模型的抓毛织物质量检测方法

针对传统图像识别方法对抓毛织物表面特征难以提取且识别准确率低的问题,提出了一种改进AlexNet模型的抓毛织物质量检测方法,通过数据增强方法对抓毛织物数据进行扩充,构建卷积神经网络对抓毛织物的样本特征进行提取,利用SGDM、RMSProp、Adam优化算法和改变学习率相结合的实验方法,采用全新学习与迁移学习两种算法对抓毛织物图像数据集进行训练,在训练完成后,分别利用卷积神经网络的不同深度池化层提取抓毛织物样本的特征作为输入,将提取到的抓毛织物特征拟合支持向量机(SVM)分类器,最后对输入的抓毛织物图像进行分类。实验结果表明:使用卷积神经网络方法能够增加卷积层对抓毛织物表面特征的提取能力,获得具有较高分辨力的图像特征,通过数据增强和SGDM算法训练的模型,提取网络pool5层特征拟合SVM分类器,识别准确率明显提高。基于改进AlexNet模型的抓毛织物质量检测方法能够提取抓毛织物表面特征且识别率高。     

面向织物疵点检测的缺陷重构方法

为解决复杂图案织物疵点检测精度不足的问题,通过将疵点视为对织物纹理的破坏,利用生成对抗神经网络对疵点图像进行重构,使其恢复成正常织物纹理的图像,然后将重构图像与缺陷图像进行求异计算,对求异结果进行图像分割,实现疵点检测目的。同时引入自注意力机制、L1损失函数和改进的结构损失函数用于改进生成对抗神经网络结构及其损失函数,用以分析并解决疵点图像重构精度差和网络处理图像细节能力的不足。最后采用本文方法与无监督缺陷检测算法(ReNet-D)和SDDM-PS 2种方法对5种不同复杂图案织物疵点进行实验对比,结果表明本文方法检测精度更高。     

一种适用于虹膜图像的超分辨率重建算法

低分辨率虹膜图像由于缺乏足够的纹理细节,会降低虹膜识别性能。针对这一问题,结合虹膜图像特点和超分辨率重建任务,提出一种利用自适应加权残差网络的虹膜图像超分辨率算法。设计加权残差块,直接对低分辨率虹膜图像提取特征,并采用亚像素卷积层重建虹膜图像。此外,添加虹膜匹配实验验证该算法的有效性。在CASIA-IrisV4数据库的实验结果表明,该算法重建的高分辨率虹膜图像结构清晰,纹理细节丰富。虹膜匹配结果表明,该方法重建的虹膜图像表现出良好的识别性能,达到了虹膜图像超分辨率重建的预期效果。     

一种基于卷积神经网络的烟叶等级识别方法

目的:解决烟叶分级准确率不高的问题.方法:提出一种改进的基于卷积神经网络的烟叶分级模型,根据VGG16网络结构,以 自定义的方式搭建网络模型;将空洞卷积代替原有的传统卷积,增加图像感受野的同时避免了图像特征的损失,并将激活函数改为Leaky_relu,修正数据的分布,解决ReLU函数的硬饱和问题;用41种等级的烟叶图片...     

基于U型卷积神经网络的羊肋排图像分割

以羊肋排为研究对象,提出了一种基于U型卷积神经网络的羊肋排图像分割算法。采集羊肋排样本图像,利用图像增广技术扩充图像数据,经归一化后,建立羊肋排图像数据集;建立羊肋排图像分割模型U-Net,以卷积和池化运算提取肋排特征,融合肋排的深层特征和浅层特征,经多次反卷积操作实现融合特征的精准定位,得到肋排区域的二值图像,从而实现端到端的图像语义分割;引入精度(PA)、均像素精度(MPA)、平均交并比(MIoU)3种图像语义分割评判标准判断网络的分割性能。试验结果表明:U-Net分割肋排图像PA、MPA、MIoU分别为92.38%,88.52%,84.26%。比较现有的3种经典图像语义分割方法 SegNet、FCN8s、FCN32s,U-Net平均交并比(MIoU)较上述3种方法分别高出6.47%,15.34%,25.86%,且处理单幅肋排图像的时间比次优的SegNet缩短48ms。针对劈半羊胴体图像数据集,U-Net的MIoU为75.57%。     

基于深度学习的高光谱腊肉营养安全分级

本文设计的卷积神经网络-支持向量机(CNN-SVM)模型,从腊肉的高光谱成像出发,将深度学习提取特征与传统机器学习提取特征有机结合,设计出准确可靠的腊肉营养安全四分类器.利用三维卷积神经网络提取腊肉高光谱图像的深层特征,同时融合高光谱的光谱特征,联合输入支持向量机(SVM)实现对腊肉的分类和健康风险评价.结果:获得了与...     

基于深度学习的脑部核磁图像分割算法

提出一种基于深度学习的脑部核磁图像的灰质和白质分割算法。首先,用小波去噪和直方图均衡化方法对脑部核磁图像进行预处理,去除颅骨,确定预分割区域;然后,分别采用栈式自编码神经网络和卷积神经网络两种深度学习方法提取图像的特征,从而构建特征模型;接着,利用模糊C均值聚类算法进行粗分割,确定大致的脑部灰质和白质的区域;最后,将粗分割结果中的灰质和白质部分区域作为训练集,采用支持向量机完成分类器训练后,再对整个脑部区域进行分类,从而得出精确的脑部灰质和白质区域。实验发现,相比栈式自编码神经网络,卷积神经网络方法在纹理特征、区域特征及效率等评估指标上,均更有优势。     

融合改进vgg16模型与SVM的抓毛织物检测方法

针对抓毛织物检测准确率低的问题,提出一种融合改进vgg16模型与SVM的抓毛织物检测方法。先对抓毛织物图像进行主成分分析、奇异值分解预处理操作,通过数据增强得到扩充后的数据样本,在扩充后的抓毛织物图像输入改进的vgg16卷积神经网络模型,利用卷积神经网络自动获取抓毛织物样本的特征,将获取的抓毛织物输入支持向量机分类器中对抓毛织物进行分类。实验结果表明：融合改进vgg16模型与SVM的抓毛织物检测方法在样本测试集平均识别准确率为99.96%,通过对比预处理前后的4类抓毛织物图像以及对抓毛织物特征可视化结果表明,图像预处理提高了模型的鲁棒性和泛化能力,随着卷积层数的增加能够获得具有分辨力较高的抓毛织物表面特征。