基于迁移学习与多标签平滑策略的图像自动标注

针对图像标注数据集标签分布不平衡问题,提出了基于标签平滑策略的多标签平滑单元（MLSU）。MLSU在网络模型训练过程中自动平滑数据集中的高频标签,使网络适当提升了低频标签的输出值,从而提升了低频标注词的标注性能。为解决图像标注数据集样本数量不足造成网络过拟合的问题,提出了基于迁移学习的卷积神经网络（CNN）模型。首先利用互联网上的大型公共图像数据集对深度网络进行预训练,然后利用目标数据集对网络参数进行微调,构建了一个多标签平滑卷积神经网络模型（CNN-MLSU）。分别在Corel5K和IAPR TC-12图像标注数据集上进行实验,在Corel5K数据集上,CNN-MLSU较卷积神经网络回归方法（CNN-R）的平均准确率与平均召回率分别提升了5个百分点和8个百分点;在IAPR TC-12数据集上,CNN-MLSU较两场K最邻近模型（2PKNN_ML）的平均召回率提升了6个百分点。实验结果表明,基于迁移学习的CNN-MLSU方法能有效地预防网络过拟合,同时提升了低频词的标注效果。     

基于BERT的常见作物病害问答系统问句分类

问句分类作为问答系统的关键模块，也是制约问答系统检索效率的关键性因素。针对农业问答系统中用户问句语义信息复杂、差异大的问题，为了满足用户快速、准确地获取常见作物病害问句的分类结果的需求，构建了基于BERT的常见作物病害问答系统的问句分类模型。首先，对问句数据集进行预处理；然后，分别构建双向长短期记忆(Bi-LSTM)自注意力网络分类模型、Transformer分类模型和基于BERT的微调分类模型，并利用三种模型提取问句的信息，进行问句分类模型的训练；最后，对基于BERT的微调分类模型进行测试，同时探究数据集规模对分类结果的影响。实验结果表明，基于BERT的微调常见作物病害问句分类模型的分类准确率、精确率、召回率、精确率和召回率的加权调和平均值分别高于双向长短期记忆自注意力网络模型和Transformer分类模型2～5个百分点，在常见作物病害问句数据集（CCDQD）上能获得最高准确率92.46%，精确率92.59%，召回率91.26%，精确率和召回率的加权调和平均值91.92%。基于BERT的微调分类模型具有结构简单、训练参数少、训练速度快等特点，并能够高效地对常见作物病害问句准确分类，可以作为常见作物病害问答系统的问句分类模型。     

基于Swin Transformer的沥青路面病害分类检测研究

针对传统卷积神经网络模型在沥青路面病害检测中识别长距离裂缝结构能力不足以及面临的精度局限问题,引入Swin Transformer模型进行沥青路面病害分类研究。首先对于路面检测车采集到的沥青路面扫描图像对比度低的问题,使用直方图均衡技术处理图像,增加图像可视化效果。其次,选取三种经典卷积神经网络模型作为对比模型,并在训练过程中采用更换损失函数,调整预训练模型等手段解决过拟合问题。并选用准确率、查全率、F1- score作为评价指标。在最终实验结果中Swin Transformer识别准确率达到了80.6%,F1-score达到了0.776,不仅在整体分类准确率上超越了传统CNN模型,并且对具有长距离特征结构的病害方面具有更高的识别准确率,同时具有良好的可靠性。     

轻量化沥青路面裂缝图像分割网络PIPNet

裂缝分割是对路面病害损坏程度评估的重要前提,为平衡深度神经网络分割的有效性与实时性,提出一种基于U-Net编码-解码结构的轻量化沥青路面裂缝图像分割网络PIPNet(Parallel dilated convolution of Inverted Pyramid Network)。编码部分为倒金字塔结构,提出了具有不同空洞率的多分支并行空洞卷积模块,结合深度可分离卷积和普通卷积,逐级减少并行卷积的个数,对表层、中层及底层特征提取多尺度信息并降低模型复杂度;同时借鉴GhostNet特点,设计了逆残差轻量化模块,嵌入并行双池化注意力。在GAPs384数据集上的测试结果表明,PIPNet在参数量(Params)和计算量(MFLOPs)仅为ResNet50编码近1/6的情况下,平均交并比(mIoU)提高了1.10个百分点,且较轻量化GhostNet和SegNet分别高出4.14与9.95个百分点。实验结果表明,PIPNet在降低模型复杂度的同时,有着较好的裂缝分割性能,且对不同路面裂缝图像分割适应性良好。     

基于级联卷积神经网络的作物病害叶片分割

针对传统卷积神经网络在作物病害叶片图像中分割精度低的问题,提出一种基于级联卷积神经网络（Cascade Convolutional Neural Network,CCNN）的作物病害叶片图像分割方法。该网络由区域病斑检测网络和区域病斑分割网络组成。基于传统VGG16模型构建区域病斑检测网络（Regional Detection Network,RD-net）,利用全局池化层代替全连接层,由此减少模型参数,实现叶片病斑区域精确定位。基于Encoder-Decoder模型结构建立区域分割网络（Regional Segmentation Network,RS-net）,并利用多尺度卷积核提高原始卷积核的局部感受野,对病斑区域精确分割。在不同环境下的病害叶片图像上进行分割实验,分割精度为87.04%、召回率为78.31%、综合评价指标值为88.22%、单幅图像分割速度为0.23?s。实验结果表明该方法能够满足不同环境下的作物病害叶片图像分割需求,可为进一步的作物病害识别方法研究提供参考。     

基于多标签学习的卷积神经网络的图像标注方法

针对图像自动标注中因人工选择特征而导致信息缺失的缺点,提出使用卷积神经网络对样本进行自主特征学习。为了适应图像自动标注的多标签学习的特点以及提高对低频词汇的召回率,首先改进卷积神经网络的损失函数,构建一个多标签学习的卷积神经网络（CNN-MLL）模型,然后利用图像标注词间的相关性对网络模型输出结果进行改善。通过在IAPR TC-12标准图像标注数据集上对比了其他传统方法,实验得出,基于采用均方误差函数的卷积神经网络（CNN-MSE）的方法较支持向量机（SVM）方法在平均召回率上提升了12.9%,较反向传播神经网络（BPNN）方法在平均准确率上提升了37.9%;基于标注结果改善的CNN-MLL方法较普通卷积神经网络的平均准确率和平均召回率分别提升了23%和20%。实验结果表明基于标注结果改善的CNN-MLL方法能有效地避免因人工选择特征造成的信息缺失同时增加了对低频词汇的召回率。     

深度卷积神经网络在Caltech-101图像分类中的相关研究

目前,国内关于评估预训练与微调对卷积神经网络性能影响的研究较少。基于此,提出采用Caffe框架中的Caffe Net网络结构,将卷积神经网络用于图片物体识别。为更直观分析计算过程,将卷积网络中部分隐含层特征进行了可视化,并在Caltech-101数据集上分析了随机初始化与预训练模型初始化条件下深度卷积的分类效果,以及全局微调模式与局部微调模式对图像分类的影响。结果表明,预训练模型初始化能够极大提高收敛速度和识别正确率,全局微调模式能较好地拟合新的样本数据,同样提高了识别正确率。在Caltech-101数据集上获得了95.24%的平均识别率,更加有效地优化了图像识别过程。     

基于迁移学习和Xception网络的混凝土裂纹识别研究

针对深层卷积神经网络检测表面结构裂纹耗费时间长、精度不够高的问题,基于Xception网络进行自适应调整重构其分类器,利用图像增广技术扩充数据集后,引入迁移学习的方法对Xception网络进行训练。同时,与构建的ResNet50、InceptionV3和VGG19三个深层卷积神经网络模型进行对比实验,重新验证其性能。实验证明,引入迁移学习不仅可以提升模型的整体性能,还能缩减训练深层卷积神经网络的时间,训练的模型在数据集上的识别精确率达到96.24%,在对比实验中达到96.50%。     

基于改进YOLOv5的路面病害检测模型

针对路面病害检测中由于病害形态多样、种类繁多以及背景灰度值相似造成噪声干扰导致识别与分类精度不高的问题,采用卷积神经网络YOLOv5为主干框架,提出一种基于改进YOLOv5的路面病害检测模型YOLOv5l-CBF。引入坐标注意力机制,调整网络的注意力权重使模型对病害纹理特征更加关注,并在主干网络的残差结构中引入Transformer构建BotNet网络结构,在减少参数量的同时提高对病害图像中全局依赖关系的捕捉能力。同时,在颈部网络中构建双向加权特征金字塔网络,学习每个特征层的重要性分布权重,并对提取到的病害特征进行双向交叉尺度连接和加权融合。在真实路面病害数据集上的实验结果表明：与YOLOv5l模型相比,YOLOv5l-CBF模型精度与召回率分别提升7.4和8.7个百分点,mAP达到90.8%,在对多种病害的检测与分类上具有显著的性能优势。     

基于LeNet卷积神经网络的路面病害自动检测方法

随着高速公路事业和运输业的大力发展,高效率低成本的路面病害检测技术具有越来越重要的研究价值。面对传统人工方法在路面病害检测时的低效率高成本问题,提出一种基于卷积神经网络的路面病害自动检测方法。采用LeNet卷积神经网络构建并训练得到路面病害检测预训练离线模型。对采集到的路面图片进行数字图像处理之后,再使用LeNet预训练模型进行路面破损检测。实验结果表明,基于LeNet卷积神经网络的路面病害自动检测方法可精确有效地检测出路面破损情况,实现低成本高效率且对公路路面和交通无影响的自动智能路面检测。     

基于改进U-net模型的路面裂缝智能识别

路面裂缝快速检测及响应是道路养护部门的一项重要工作,然而传统的裂缝检测方法耗时且准确度低。因此,本文基于改进后的U-net模型实现对路面裂缝精准地自动识别。结合Canny边缘检测、Otsu 阈值分割算法和人为干预手段研发一款半自动标注软件,用以实现路面裂缝的像素级标注。研究以路面2D激光图像为数据集,并在此基础上通过数据增强进行数据集样本扩充,从而构建模型训练原始样本库;在实验分析阶段,使用交叉熵损失函数判断预测值与真实值的误差大小,并结合Adam 算法优化模型。研究表明改进后的U-net模型在识别精度及泛化能力上均优于原U-net模型及全连接神经网络模型。该研究将为道路养护管理部门的路面病害快速检测提供技术支撑,从而利于快速响应、采取措施保证路面的行车安全。     

基于遗传神经网络的机场跑道局部影响的裂缝检测算法

针对机场跑道裂缝的自主识别和提取过程中存在的阴影、光照不均匀以及效率和精度难以兼顾等一系列问题,提出利用遗传算法优化神经网络的机场道面裂缝检测算法。首先,将拍摄的机场道面裂缝图像进行预处理,包括图像灰度化、高斯滤波以及ROI区域确定。设定神经网络拓扑结构,初始化编码长度以权值阈值及等参数,利用选择、交叉和变异等操作反复执行至最佳进化解,进而搭建匹配的神经网络,获得最大分割阈值。结果表明,遗传神经网络算法在综合评价、召回率、和准确率3个评价指标上均具有显著提升,其均值分别为93.22%、96.28%、90.75%,实现了在复杂背景下对裂缝提取的目标,为机场道面的后期维护和保养提供了技术支持。     

高分辨卫星图像卷积神经网络分类模型

目的 卫星图像往往目标、背景复杂而且带有噪声,因此使用人工选取的特征进行卫星图像的分类就变得十分困难。提出一种新的使用卷积神经网络进行卫星图像分类的方案。使用卷积神经网络可以提取卫星图像的高层特征,进而提高卫星图像分类的识别率。方法 首先,提出一个包含六类图像的新的卫星图像数据集来解决卷积神经网络的有标签训练样本不足的问题。其次,使用了一种直接训练卷积神经网络模型和3种预训练卷积神经网络模型来进行卫星图像分类。直接训练模型直接在文章提出的数据集上进行训练,预训练模型先在ILSVRC（the ImageNet large scale visual recognition challenge）-2012数据集上进行预训练,然后在提出的卫星图像数据集上进行微调训练。完成微调的模型用于卫星图像分类。结果 提出的微调预训练卷积神经网络深层模型具有最高的分类正确率。在提出的数据集上,深层卷积神经网络模型达到了99.50%的识别率。在数据集UC Merced Land Use上,深层卷积神经网络模型达到了96.44%的识别率。结论 本文提出的数据集具有一般性和代表性,使用的深层卷积神经网络模型具有很强的特征提取能力和分类能力,且是一种端到端的分类模型,不需要堆叠其他模型或分类器。在高分辨卫星图像的分类上,本文模型和对比模型相比取得了更有说服力的结果。     

生成式对抗网络下路面裂缝图像检测识别仿真

为了有效提高生成式网络下路面裂缝检测精度,针对路面裂缝图像的复杂多样性,提出一种基于分水岭算法的路面裂缝图像检测识别方法。通过对路面裂缝图像进行分析,采用邻近区域相关知识对路面裂缝图像进行虚假裂缝去除,提取出路面真实裂缝纹理图像,引用分水岭算法对裂缝图像进行分割,获取细化后的检测图像,并将相同路面的两种图像进行融合,完成路面裂缝图像检测识别。实验结果表明,所提出基于分水岭算法的路面裂缝图像检测识别方法检测时间较短、检测准确率较高、误报率较低。     

基于DSP的沥青路面裂缝图像处理算法的实现

沥青路面裂缝是高速公路路面的主要患害之一。提出一种沥青路面裂缝图像处理算法，即采用改进的经典算法和形态学算法对沥青路面裂缝图像进行去噪平滑、边缘检测、图像分割、效果增强及边缘连接等处理。该算法通过DSP软件的检验，处理的效果相对于其它经典算法，有了显著的提高。对用谊算法处理后的沥青路面裂缝图像进行检测，检测的精度和检测效果都比较满意。     

沥青路面裂缝检测图像处理算法研究

针对经典图像处理算法对沥青路面裂缝的检测效果不佳,以及神经网络等智能算法不易实现的弊端,通过分析沥青路面的裂缝特性,提出了一种适用于沥青路面裂缝检测的图像处理新算法。该算法通过构造8个方向模板的Sobel算子对沥青路面裂缝进行检测,并结合迭代阈值分割算法和全方位膨胀形态学方法对边缘检测后的图像进行处理,能够很好地获得沥青路面的裂缝特性。最后,在VisualC 6.0编程环境下进行了算法实现。结果表明,裂缝边缘的连接和检测效果较好,为沥青路面裂缝的分析和管理提供了技术基础。     

基于多卷积神经网络融合的SAR舰船分类

针对SAR图像中小型舰船分类准确率较低的问题,提出一种多卷积神经网络加权融合的方法。首先构建高分辨率卷积神经网络对特征图进行多尺度融合,引入微调模型和标签平滑减少训练过拟合的问题;然后利用高分辨网络、MobileNetv2网络和SqueezeNet网络训练3种单分类模型;最后采用加权投票方式对3种分类模型的结果进行融合。采用融合算法对GF-3号舰船数据集进行分类实验,取得94.83%的准确率、95.43%的召回率和0.9513的F1分数的分类性能。实验结果表明,该舰船分类算法模型具有较优的分类能力,验证了其在高分辨率SAR图像舰船分类上的有效性。     

SAR图像目标识别的卷积神经网模型

目的 合成孔径雷达图像目标识别可以有效提高合成孔径雷达数据的利用效率。针对合成孔径雷达图像目标识别滤波处理耗时长、识别精度不高的问题,本文提出一种卷积神经网络模型应用于合成孔径雷达图像目标识别。方法 首先,针对合成孔径雷达图像特点设计特征提取部分的网络结构;其次,代价函数中引入L2范数提高模型的抗噪性能和泛化性;再次,全连接层使用Dropout减小网络的运算量并提高泛化性;最后研究了滤波对于网络模型的收敛速度和准确率的影响。结果 实验使用美国运动和静止目标获取与识别数据库,10类目标识别的实验结果表明改进后的卷积神经网络整体识别率（包含变体）由93.76%提升至98.10%。通过设置4组对比实验说明网络结构的改进和优化的有效性。卷积神经网络噪声抑制实验验证了卷积神经网络的特征提取过程对于SAR图像相干斑噪声有抑制作用,可以省去耗时的滤波处理。结论 本文提出的卷积神经网络模型提高了网络的准确率、泛化性,无需耗时的滤波处理,是一种合成孔径雷达图像目标识别的有效方法。     

基于并联卷积神经网络的图像去雾

针对现有的单幅图像去雾问题, 提出了一种基于并联卷积神经网络的单幅图像去雾算法, 以端对端的方式实现图像去雾. 首先, 使用雾天RGB图像YUV变换的Y、U和V分量构建并联卷积神经网络, 自适应获得雾霾特征; 网络结构由两个子网络组成, 较深的网络预测清晰图像的亮度通道, 较浅的网络预测色度通道和饱和度通道. 最后, 采用递归双边滤波, 对去雾后的图像进行滤波, 可以得到更加清晰的无雾图像. 实验结果表明, 本文去雾算法无论是在合成雾天图像数据集还是自然雾天图像数据集上, 都具有良好的对比度与清晰度. 在主观评价和客观评价方面, 本文去雾算法都优于其他对比算法.