深度学习及其在图像物体分类与检测中的应用综述

传统的图像物体分类与检测算法及策略难以满足图像视频大数据在处理效率、性能和智能化等方面所提出的要求。深度学习通过模拟类似人脑的层次结构建立从低级信号到高层语义的映射,以实现数据的分级特征表达,具有强大的视觉信息处理能力,成为应对这一挑战的前沿技术和国内外研究热点。首先论述了深度学习的起源、发展历程及理论体系;然后分别围绕图像物体分类和检测,总结了近年来深度学习在视觉领域的发展;最后对深度学习及其在视觉领域目前存在的诸多问题以及后续的研究方向进行了分类探讨。     

深度学习在藻类分类识别中的应用

为了解决藻类分类识别中人工选取特征困难的问题,提出了一种基于深度学习的藻类分类识别方法。首先,对训练和测试样本集数据进行处理,得到所需数据的格式;其次,研究各种深度学习模型,理解卷积层、全连接层等的作用,基于Caffe设计深度学习网络模型;最后,根据设计的深度学习网络模型,比较各个模型的性能,得到最好的模型。实验结果表明,使用该方法做藻类分类,优于张松等基于视觉词包模型训练SVM分类器的方法,得到比较理想的效果。     

基于深度学习的图像识别研究

本文从深度学习的历史发展进行分析,由此研究深度学习是如何促进对大量数据精准识别计算与预测准确率,从而能实现真正的图像智能识别。     

基于深度学习的故障检测方法

针对传统故障诊断方法中特征提取技术难度大、故障样本获取困难等问题,在深度学习计算框架下提出了一种半监督训练的故障检测方法,利用深度信念网络中的受限波茨曼机堆栈结构实现了数据高层特征的自动提取,结合支持向量数据描述方法实现了异常数据检测,只需利用正常工况的数据样本进行网络训练和模型拟合,无需故障样本数据,也无需人工干预进行信号特征提取,即能实现对故障数据进行的实时检测和判别;经采用标准轴承实验数据的三组故障数据进行验证,故障识别率达到100%,具有很强的工程应用价值。     

基于嵌入式深度学习的电力设备红外热成像故障识别

随着大型图像集的出现以及计算机硬件尤其是GPU的快速发展,在有限计算资源的嵌入式设备上部署卷积神经网络(CNN)模型成为具有挑战性的问题.电力设备过热故障可以通过采集的红外热成像进行识别.由于红外辐射在空气中传播衰落,红外测温结果低于实际温度值.本文提出一种基于嵌入式设备的高效卷积神经网络用于电力设备热故障检测,将SSD算法中的骨干网络替换为MobileNet,同时Batch Normalization与前一卷积层合并,以减少模型参数、提升推理速度、使之能够在轻量级计算平台上运行.针对红外辐射在空气中传播损失的问题,提出一种基于BP神经网络的红外测温修正单元.基于上述创新设计了一种电力设备热故障检测系统,实验以及现场应用表明,该方法具有较高的准确性以及推理速度.     

基于深度学习的南方野生鸟类识别系统的设计

针对鸟类的识别对人类和计算机视觉要求较高,视频检测和人工识别等传统的识别方法均存在一定的困难,提出一种基于深度学习的鸟类识别系统,借助百度EasyDL深度学习平台,以南方野生鸟类为实验对象进行数据标注、模型建立、模型训练,经验证集测试验证,识别精确率为94.2%。文章提出的模型可应用于已知鸟类的实时监测识别,并辅助实现对未知鸟类的监测与发现,为生物多样性保护提供技术支撑。     

基于深度学习的网页违规图片检测

网页内容监测是维护网络安全的重要技术手段,针对网站中存在的大量违规图片,如色情、暴力、垃圾广告图片,文章提出一种基于深度学习的网页违规图片检测方法。通过自建多类违规图片数据集,并提出一个基于MobileNet的轻量级网络模型,同时实现色情、暴力和广告三类违规图片的检测。该违规图片检测模型支持一次检测多类违规图片,检测速度快,准确率较高,可以为中小型网站提供违规图片的实时监测服务。     

深度学习在交通拥堵检测中的应用

随着全球汽车保有量的不断增加,人们在出行中遇到的交通拥堵问题日益严重,这对相关部门的管理效率提出较高要求。本文通过阐述深度学习领域中图像分类技术和目标检测技术的原理以及他们各自在交通拥堵检测中的应用,为相关部门在解决交通拥堵这一实际问题时提供应对方法,具有一定的参考价值。     

基于改进深度学习的开关柜局部放电检测与故障识别

针对传统开关柜局部放电谱图提取需要依赖专家经验而缺乏泛化能力的问题,提出一种基于改进深度置信网络（DBN）—长短期记忆（LSTM）的开关柜局部放电检测与故障识别模型。该模型综合了DBN直接自主提取样本全局有效特征信息和LSTM善于挖掘特征图谱时域特征的优势,并采用Dropout技术降低DBN过拟合影响,以提高模型的泛化能力。结合四种典型开关柜局部放电模型的缺陷谱图对所提模型进行性能测试,并与其他算法进行对比,结果表明：所提算法对开关柜的故障识别具有良好的效果,综合故障准确率达到97%,所提模型的整体识别性能均优于单一DBN和LSTM以及DBNLSTM模型。     

基于深度学习的X光图像智能审像系统

针对X光安检机人工审核图片存在的效率低、误检和漏检等问题,设计并实现了一套基于Mask R-CNN算法的X光图片智能审像系统.实现了X光图像采集、数据汇聚、分析处理、违禁物品自动检测、数据存储等功能.通过分析比较,选择ResNet101作为BackBone训练网络,选取6000张X光图片作为样本,对刀、枪、液体瓶、手机、充电宝等五类违禁品进行标注.对训练参数优化调整,训练出违禁品的Ma s k R-CNN模型.在测试集上使用COCO评估方法,检出违禁品的平均精准率mAP50达到了0.83,明显高于Faster R-CNN、YOLOv3、SSD513等算法,具有实际工程应用价值.     

基于深度学习的烟雾与火灾检测算法综述

在各种灾害中,火灾是最经常、最普遍的威胁公众安全和社会发展的主要灾害之一。随着经济建设的迅猛发展,城市规模日趋扩大,重大火灾隐患急剧增加。然而,目前广泛使用的烟雾传感器探测火灾的方法,易受距离等因素影响,导致检测不及时。视频监控系统的引入为解决这一问题提供了新思路,基于视频的传统图像处理算法是较早提出的方法,最近机器视觉与图像处理技术快速发展,涌现出一系列使用深度学习技术来自动检测视频和图像中火灾的方法,在消防安全领域具有非常重要的实际应用价值。为了综合分析火灾检测的深度学习方法相关改进及应用,简要介绍了基于深度学习的火灾检测流程,重点从分类、检测、分割3个粒度对火灾检测的深度方法详细对比分析,阐述每类算法针对现有问题采取的相关改进。总结现阶段火灾检测存在的问题,并提出未来的研究方向。     

CT影像肝脏转移瘤分割与检测深度网络的研究

肝脏肿瘤的评估是结直肠癌肝转移临床诊疗的重要步骤。为了完成腹部CT影像中的肝脏肿瘤自动分割和检测任务,提出一种改进的级联深度学习网络。级联网络采用U-Net和Mask R-CNN模型分别完成分割和检测任务。训练U-Net模型作为级联网络的第一层来分割肝脏器官作为感兴趣区域（ROI）;针对ROI区域进行形态学活动轮廓提取;使用U-Net模型和Mask R-CNN模型作为级联网络的第二层分别完成精准分割和检测ROI内肝脏肿瘤的任务。实验结果表明,对于级联U-Net模型的肝脏转移瘤分割平均Dice系数为74%;Mask R-CNN的肿瘤实例分割Dice系数为67%（置信度为95%）,均值平均精度（mAP）为88%。     

基于深度神经网络的电力客户诉求预判

电力企业的客户服务关系到客户的切身利益和企业的经营效益,提升客服系统对电力客户诉求预判的分析与理解能力是改善电力行业客服质量的重要途径之一。为高效、针对性地解决电力客户集中需求,做到“先于客户所想”,本文以深度神经网络技术为基础,针对电力领域改进传统的中文文本分词技术以及特征提取方法,给出电力客户诉求预判的方法和流程,并通过实验验证。本文提出的方法可快速精准地对电力客户服务工单文本进行分类,挖掘出隐藏的客户用电诉求,将服务由被动变主动,第一时间解决电力客户潜在诉求。     

基于深度学习和迁移学习的水果图像分类

图像识别作为深度学习领域内的一项重要应用,水果图像的分类识别在智慧农业以及采摘机器人等方面具有重要应用。针对以往传统图像分类算法存在泛化能力差、准确率不高等问题,提出一种在TensorFlow框架下基于深度学习和迁移学习的水果图像分类算法。该算法采用Inception-V3的部分模型结构对水果图像数据进行特征提取,采用Softmax分类器对图像特征进行分类,并通过迁移学习方式进行训练得到迁移训练模型。测试结果表明,该算法与传统水果分类算法对比,具有较高识别准确率。     

基于深度学习的光学遥感图像目标检测研究进展

光学遥感图像的目标检测 (Optical remote sensing images object detection, ORSIOD) 是航空和卫星图像分析领域的一个基本但具有挑战性的问题, 近年来受到广泛关注. 本文从如下几个方面介绍了基于深度学习的光学遥感图像目标检测的研究现状. 首先对光学遥感图像目标检测的主要难点进行了介绍, 接着对现有基于深度学习的目标检测算法进行概括, 并以光学遥感图像目标检测的难点为驱动分析对比了不同的基于深度学习的光学遥感图像目标检测方法的优缺点, 最后对未来的发展趋势进行了详细的分析.     

基于深度学习的网络流量异常预测方法

针对网络入侵检测系统（NIDS）能够检测当前系统中存在的网络安全事件,但由于自身的高误报率和识别安全事件产生的时延,无法提前对网络安全事件进行准确率较高的预警功能,严重制约了NIDS的实际应用和未来发展的问题,提出了基于深度学习的网络流量异常预测方法。该方法提出了一种结合深度学习算法中长短期记忆网络和卷积神经网络的预测模型,能够训练得到网络流量数据的时空特征,实现预测下一时段网络流量特征变化和网络安全事件分类识别,为NIDS实现网络安全事件的预警功能提供了方法分析。实验通过使用设计好的神经网络框架对入侵检测系统流量数据集CICIDS2017进行了训练和性能测试,在该方法下流量分类的误报率下降到0.26%,总体准确率达到了99.57%,流量特征预测模型R2的最佳效果达到了0.762。     

基于深度学习的计算机视觉研究新进展

近年来,深度学习在计算机视觉各个领域中的应用成效显著,新的深度学习方法和深度神经网络模型不断涌现,算法性能被不断刷新.本文着眼于2016年以来的一些典型网络和模型,对基于深度学习的计算机视觉研究新进展进行综述.首先总结了针对图像分类的主流深度神经网络模型,包括标准模型及轻量化模型等;然后总结了针对不同计算机视觉领域的主...