基于深度学习的排水管道缺陷内窥检测智能识别系统研究

目前国内各城市已普遍采用管道机器人深入管道内部摄取视频影像,有效获取到可供管道缺陷检测的一手资料,但缺陷识别大部分依靠人工目视识别,耗时耗力,生产周期长。利用福州市勘测院多年累积的管道检测数据,基于Pytorch深度学习框架、建立了排水管道缺陷内窥检测智能识别系统,包括:数据预处理,残差神经网络设计与训练、系统集成等。重点实现了三级组合识别模型建构(二分类,类型识别,等级识别),解决了系统准确度等技术难题。经生产实践表明:模型准确率高,可有效提高管道健康状况检查质量和效率。     

基于深度学习的公路裂缝病害自动识别技术研究

针对目前裂缝识别存在样本较少,识别精度受样本采集时的环境因素影响较大等问题,提出一种结合VGG网络和Seg Net网络的裂缝分割算法模型（DeepCrack）,解决了模型鲁棒性较差的缺陷,实现了裂缝的像素级（pixel-level）识别定位。基于该模型与另外6种深度学习模型在公开道路数据集CRKWH100和CrackL315上的测试结果表明：该模型不仅可以实现对裂缝的识别定位,还能准确地提取裂缝的尺度信息,研究结果可应用于实际工程检测。     

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。     

基于深度学习的皮肤影像分类

随着大数据时代的到来,深度学习技术在图像分类、检测等任务中相对传统模式识别方法均取得了令人瞩目的突破。2017年1月,斯坦福大学人工智能实验室采用深度学习方法对皮肤镜和临床皮损图像进行自动分类,并在《自然》杂志上发表了相关研究成果,代表了皮肤图像自动分析领域的最新研究进展。本文从数据库建立、研究方法设计以及试验结果分析等角度对这一研究工作进行解读,并分析国内皮肤影像计算机辅助诊断的研究现状,以及未来多源皮肤影像大数据分析与智能辅助诊断的发展空间,以期推进我国皮肤疾病的医疗诊断水平。     

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。     

基于深度学习的盾构隧道渗漏水病害图像识别

随着城市地铁隧道急剧增加的养护需求,地铁盾构隧道结构病害尤其是渗漏水病害亟需快速精准的识别诊断。利用计算机视觉对盾构隧道进行健康检测是近年来国内外的一种新趋势,但目前渗漏水病害图像的识别效果尚不能满足实际工程的需要。在分析盾构隧道衬砌表面图像特点的基础上,将渗漏水图像分为6种类别,采用深度学习的方法,提出一种新颖的基于全卷积网络的盾构隧道渗漏水病害图像识别算法,并从图像识别结果、错检率和运行时间三个方面与大律法、区域生长法、分水岭法等传统图像识别方法进行对比分析。研究表明:基于全卷积网络的盾构隧道渗漏水病害的图像识别能够有效地避免管片拼缝、螺栓孔、管线、支架等干扰物的影响,特别是在克服管线遮挡方面具有优越的鲁棒性;与传统图像识别算法相比,提出方法在错检率和运行时间上具有较大优势,能够更好地满足工程需要。     

基于残差网络的食物图像识别研究

深度卷积神经网络在图像识别领域有着优异的表现。应用卷积神经网络的一种模型残差网络模型,并进行对其改进,实现一种50层的压缩残差网络模型,进行食物图像识别。使用压缩残差网络模型进行食物图像识别,不仅能够减少训练时间,而且在不降低准确率的前提下可以缩小模型大小。实验数据表明,相对于普通神经网络以及普通的残差网络,使用压缩后的50层残差网络模型能够很好满足食物图像识别的要求。     

基于深度学习和无线传输的桥梁裂缝图像识别系统

目前混凝土桥梁裂缝检测自动化程度低且多依靠人工肉眼判定裂缝的出现。为解决该问题,设计了一种便于搭载在检测设备上的桥梁裂缝识别系统。分为以下三个部分:采集传输系统,采用OV5640摄像头获取实时JPEG格式图像,使用WIFI协议完成JPEG数据流的传输,实现通过网络的图像实时传输;图像处理系统,采用与C#语言相对应的OpenCV函数库Emgu设计了一种高效视频流图像处理方法,并采用图像灰度化、中值滤波、阈值分割等方法处理裂缝图像;图像识别系统,在AlexNet神经网络的基础上改进设计了识别精确且速率更快的神经网络,用于裂缝的自动识别。通过对桥梁表面扫描拍摄,该识别系统可快速识别并定位裂缝,能够较大地提高裂缝检测自动化程度,推动了桥梁裂缝检测技术的发展。     

基于深度学习的疑似违法图斑快速检测研究

无人机监测是当前城市违法建设和违法用地问题治理的重要手段,但传统人工识别的方法费时费力,越来越难以满足治理需求.本文针对这一问题,研究了基于深度学习卷积神经网络模型的城市违法建设和违法用地快速检测方法:首先,分析了违法建设和违法用地的主要类型和特点,构建训练样本集;然后,构建卷积神经网络深度学习模型并对模型进行训练;最后,对两期影像分别分类并通过分类结果对比的方式快速筛查违法建设图斑.利用0.1 m分辨率的城市无人机正射影像进行的检测实验结果表明,本文方法对于违法建设问题能够快速有效地检测,对城市违法建设问题治理具有良好的支持作用.     

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。     

基于深度卷积生成对抗网络的植物图像识别方法的研究

提出使用深度卷积生成对抗网络进行植物图像识别方法.首先,利用生成式对抗网络生成植物图像样本,然后,利用判别网络中的卷积神经网络来提取图像特征,实现对生成网络产生的样本进行判别,以提升模型对图像数据分布的理解,从而达到了通过构建卷积神经网络对生产样本的质量进行测试的目标.实验结果表明,该方法生成的植物图像能够有效的提高卷积神经网络的识别准确率.     

Digital image correlation-based structural state detection through deep learning

This paper presents a new approach for automatical classification of structural state through deep learning. In this work, a Convolutional Neural Network (CNN) was designed to fuse both the feature extraction and classification blocks into an intelligent and compact learning system and detect the structural state of a steel frame; the input was a series of vibration signals, and the output was a structural state. The digital image correlation (DIC) technology was utilized to collect vibration information of an actual steel frame, and subsequently, the raw signals, without further pre-processing, were directly utilized as the CNN samples. The results show that CNN can achieve 99% classification accuracy for the research model. Besides, compared with the backpropagation neural network (BPNN), the CNN had an accuracy similar to that of the BPNN, but it only consumes 19% of the training time. The outputs of the convolution and pooling layers were visually displayed and discussed as well. It is demonstrated that: 1) the CNN can extract the structural state information from the vibration signals and classify them; 2) the detection and computational performance of the CNN for the incomplete data are better than that of the BPNN; 3) the CNN has better anti-noise ability.     

Post-disaster damage classification based on deep multi-view image fusion

This study aims to facilitate a more reliable automated postdisaster assessment of damaged buildings based on the use of multiple view imagery. Toward this, a Multi-View Convolutional Neural Network (MV-CNN) architecture is proposed, which combines the information from different views of a damaged building, resulting in 3-D aggregation of the 2-D damage features from each view. This spatial 3-D context damage information will result in more accurate and reliable damage quantification in the affected buildings. For validation, the presented model is trained and tested on a real-world visual data set of expert-labeled buildings following Hurricane Harvey. The developed model demonstrates an accuracy of 65% in predicting the exact damage states of buildings, and around 81% considering ±1 class deviation from ground-truth, based on a five-level damage scale. Value of information (VOI) analysis reveals that the hybrid models, which consider at least one aerial and ground view, perform better.     

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+...     

基于图像识别技术的汽油、无水乙醇燃烧火焰识别研究

为了实现基于视频图像对火灾现场存在助燃剂的分类识别,对燃烧火焰的特征进行分析,根据汽油和无水乙醇引燃后各自特有的燃烧现象,结合火焰的视频图像识别算法实现对汽油和无水乙醇燃烧火焰的识别。首先,基于图像的灰度阈值得到其疑似火焰区域,再提取其H、S、I颜色分量和面积变化特征;并提取燃烧图像的小波高频能量特征和LBP直方图特征;最后将特征向量输入SVM分类器进行分类识别。试验表明,SVM对汽油和无水乙醇燃烧火焰的识别分类准确率可达98.5%,可较好地实现对汽油、无水乙醇燃烧火焰的区分。     

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。     

改进Retinex算子融合特征搜索的图像识别算法研究

针对人脸图像识别系统易受光照干扰,在复杂背景下,易识别出伪目标,使其识别精度不高等难题,综合考虑高斯核函数的x,y方向,设计新的Retinex识别算子;并调用Open CV函数库中训练好的Hear分类器来进行模式匹配,形成了基于Open CV的人脸检测机制;再引入PCA特征搜索方法,搜索人脸信息;最终提出了人脸识别耦合特征搜索的安防系统解决方案。并测试该系统的性能,结果表明:与当前基于Retinex与PCA的识别算法相比,该算法具有更高的识别精度;且识别效率更高,能满足实时性要求。