基于深度学习的桥梁裂缝识别系统

随着桥梁基础设施建设逐年发展,桥梁裂缝的检测愈发重要。近年来,卷积神经网络的出现能够弥补传统检测方法的缺陷,大大提高了工作效率。针对以上问题,分析并搭建了基于深度学习的桥梁裂缝识别系统。通过清洗数据、调整参数、提高图片分类识别的准确率、降低损失函数,最终准确率达到96%以上。     

基于AI深度学习的病害识别方法研究

快速准确地识别黄瓜病害类型是病害防治的前提,针对黄瓜病害图像识别准确度不高的问题,提出一种基于AI图像处理技术的卷积神经网络模型方法,以便提高病害图像识别率。首先,利用AI图像处理技术对病害图像进行预处理;其次,选定卷积神经网络模型及参数,利用样本数进行训练并加载到Web程序端;最后,在四种常见黄瓜病害图像构建的数据库上进行测试,识别准确率均大于90%。结果表明,基于AI图像处理技术的卷积神经网络模型能够准确识别病害种类,为田间开放环境下实现病害的快速识别提供了依据。     

一种基于卷积神经网络深度学习的人体行为识别方法

为提高基于智能终端的人体行为识别的准确率,提出一种基于卷积神经网络深度学习人体行为识别方法。该方法将原始数据进行简单处理,直接作为输入数据输入到卷积神经网络中,由卷积神经网络进行局部特征分析,得到特征输出项,直接输入到Softmax分类器中,可识别走路、跑步、上下楼梯、站立等5种动作。 对比实验结果表明,其对不同的实验者的识别率达到84.8%,证明了该方法的有效性。     

一种序列文字识别方法

随着人工智能的发展,文字识别技术一方面有助于存储文本信息,一方面有助于机器对文本内容理解。文字识别技术在不断改进的同时,也被寄予更高的要求。相对于传统字符识别,一种序列文字识别方法将会更有效。因此,提出一种基于深度学习的端到端序列文字识别方法。为提取序列文本中的信息,也考虑到深度学习的运算量和运算资源,序列文本中的时序信息使用GRU网络提取,有效利用了文本中的时序关系。通过该方法,获得了非常好的识别效果。     

一种基于GMP-LeNet网络的车牌识别方法

车牌识别技术是智能交通管理系统的核心,对它的研究与开发具有重要的商业前景。传统的车牌字符识别方法存在特征提取复杂的问题,而卷积神经网络作为一种高效识别算法,对处理二维车牌图像具有独特的优越性。针对传统卷积神经网络LeNet-5识别车牌图像时,存在训练数据较少、全连接层参数冗余以及网络严重过拟合等一系列的问题,设计了一种全局中间值池化(GMP-LeNet)网络,其使用卷积层代替全连接层,利用Network In Network网络中的1*1卷积核进行通道降维,全局均值池化层直接将降维后的特征图馈送到输出层。实验证明,GMP-LeNet网络能有效抑制过拟合现象,并具有较快的识别速度和较高的鲁棒性,车牌识别率达到了98.5%。     

一种基于极端尺度变化的船舶识别方法研究

船舶识别是海上交通监控中非常重要并且具有挑战性的任务,其难度在于复杂场景中对相对较小的船舶进行精确的定位识别。为此提出一种应用于极小船舶目标识别的单级检测算法——YOLO-G算法。由65层卷积层构建特征提取网络;采用多尺度特征融合提取深层语义信息,形成特征金字塔网络执行船舶识别任务;选取先验框机制和调制损失函数来提高识别前/背景的可区分性及模型识别精度。实验使用BOAT数据集和MS-COCO数据集对网络模型进行评估,结果表明,YOLO-G算法性能远高于其他先进的单级检测器,其COCO test-dev@0.5精度值为58.3%。     

一种基于部件CNN的网络安全命名实体识别方法

基于知识图谱的网络安全动态预警方法,能够主动感知和应对网络安全攻击,增强感知的实时性和精准性。然而,在构建网络安全知识图谱的实体抽取过程中,传统的命名实体识别工具和方法无法识别网络安全领域中的特定类别实体,文本中的未登录和中英文混合的网络安全实体也难以被准确识别。网络安全文本中的网络安全命名实体存在中英文混合、单词缩写等问题,仅基于字的命名实体识别方法难以充分表征字或词的语义信息。因此,论文考虑中英文更细粒度的部件语义捕捉字或词的语义特征,提出一种基于部件CNN的网络安全命名实体识别方法(C C-NS-NER),利用部件CNN抽取词语部件特征中的关键语义特征,丰富字词级别的语义信息,并引入BiLSTM-CRF确保抽取字向量和部件特征中的抽象信息,同时获取标签之间的关联信息,识别文本中的网络安全命名实体。在人工标注的网络安全数据集上的实验结果表明,该方法相较于传统模型,能有效获取字或词的部件语义信息,显著提高网络安全命名实体识别的效果。     

基于通道注意力与密集连接机制的道路裂缝识别方法研究

随着人工智能的急速发展,以深度学习为代表的各类人工智能算法开始应用在道路裂缝检测领域中.本文介绍了一种基于通道注意力与密集连接机制的道路裂缝检测网络DenseNet-SE及其变体DenseNet-NSE,并将该方法与现存技术进行了测试和分析.实验结果表明,DenseNet-SE与DenseNet-NSE能够提高模型的泛...     

一种基于深度学习的青铜器铭文识别方法

考古出土的青铜器铭文是非常宝贵的文字材料,准确、快速地了解其释义和字形演变源流对考古学、历史学和语言学研究均有重要意义.青铜器铭文的辨识需要综合文字的形、音、义进行研究,其中第一步也是最重要的一步就是分析文字的形体特征.本文提出一种基于两阶段特征映射的神经网络模型来提取每个文字的形体特征,最后对比目前已知的文字研究成果,如《古文字类编》、《说文解字》,得出识别的结果.通过定性和定量的实验分析,我们发现本文提出的方法可达到较高的识别精度.特别地,在前10个预测类别中（Top-10）准确率达到了94.2%,大幅缩小了考古研究者的搜索推测空间,提高了青铜铭文识别的效率和准确性.     

基于深度学习的桥梁裂缝检测算法研究

传统的图像处理算法不能很好地对桥梁裂缝进行检测,而经典的深度学习模型直接用于桥梁裂缝的检测,效果不甚理想.针对这些问题,本文提出了一种基于深度学习的桥梁裂缝检测算法.首先,利用滑动窗口算法将桥梁裂缝图像切分为较小的桥梁裂缝面元图像和桥梁背景面元图像,并根据对面元图像的分析,提出一种基于卷积神经网络（Convolutional neural networks,CNN）的DBCC（Deep bridge crack classify）分类模型,用于桥梁背景面元和桥梁裂缝面元的识别.然后,基于DBCC分类模型结合改进的窗口滑动算法对桥梁裂缝进行检测.最后,采用图像金字塔和感兴趣区域（Region of interest,ROI）结合的搜索策略对算法进行加速.实验结果表明：与传统算法相比,本文算法具有更好的识别效果和更强的泛化能力.     

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。     

基于卷积神经网络的葡萄叶片氮含量识别方法

为实现对葡萄叶片氮素含量快速、便捷的识别,在卷积神经网络VGG-16网络结构基础上,将数据增广后的图像按不同梯度划分进行模型训练,通过十折交叉验证法探究最佳的训练集与验证集分配比例,并构建4个不同深度的网络模型进行训练对比,采用全局平均池化代替全连接层约简网络参数量。训练结果表明,氮含量梯度设为0. 70%、0. 35%和0. 175%时,室内简单背景识别准确率分别为85. 9%、76. 2%和71. 1%;晴天室外复杂背景下识别准确率分别为44. 6%、35. 0%和30. 4%。研究结果表明利用VGG-16建立的网络学习模型对葡萄叶片氮含量识别提供了一种新的便捷方法,对农业信息化和智能化技术应用具有一定促进作用。     

基于无人机视觉的起重机表面裂纹检测方法

为解决起重机高空金属结构不可达部位裂纹的远程可视化检测难题,提出一种基于无人机视觉的结构表面裂纹检测与识别方法。通过搭载高分辨率可见光相机的倒置式无人机检测平台,全方位采集大型起重机复杂钢结构表面图像;采用Faster R-CNN深度神经网络算法分类检测是否有裂纹缺陷,并以缺陷最小外接矩形框标记其位置;对检测出的裂纹目标框区域,利用最大熵阈值分割、Canny边缘检测、投影特征提取和骨架提取等方法,对裂纹长度、宽度、面积、长宽比等参数进行识别,并为长宽比和面积设置一定阈值,去除漆膜开裂和水渍等伪裂纹缺陷。实验结果表明,Faster R-CNN裂纹检测算法准确率达到95.4%,速度达到2 f/s,同时裂纹宽度识别误差约为5.84%,实现了起重机结构表面疲劳裂纹的远程自动化检测。     

基于鞋印图像的性别预测方法

鞋印是作案人在案发现场经常遗留的痕迹,承载人的性别、身高等属性信息。基于鞋印的性别预测对快速排查嫌疑人具有重要作用,其方法主要由刑侦人员凭借经验判断,需要大量领域知识,而少数自动预测方法是基于人工提取的特征和经验模型进行预测,受测量误差的影响,导致预测准确率降低。针对该问题,提出基于鞋印图像的端到端预测方法。采用卷积神经网络提取鞋印图像特征,引入通道注意力模块对特征权重进行重新分配,使模型重点关注鞋印图像中对性别起显著作用的部分。在此基础上,将特征图输入到性别预测模块进行预测。此外,分别构建适用于单枚和多枚鞋印应用场景的数据集SiSIS和SeSIS,根据在案发现场中鞋印可能出现的情况,设计鞋印方向差异、鞋印残缺和弹性形变的数据增广方式。实验结果表明,该方法在SiSIS和SeSIS数据集上的预测准确率分别达到91.80%和99.35%,相比现有基于鞋印的性别预测方法,具有较优的预测性能。     

基于余弦相似度的边界样本选择方法

卷积神经网络模型的训练通常需要大量的训练样本,导致训练时间过长。针对这一问题,本文提出一种基于余弦相似度的边界样本选择方法,选取边界样本构造训练集。通过该方法分别对MNIST,CIFAR10,SVHN数据集进行样本选择,利用卷积神经网络分类器进行实验研究。实验结果表明：该方法能够保留训练集中的典型样本,剔除冗余样本,从而减少训练样本的数量,缩短网络训练时间,提高网络学习效率。     

基于改进DeepLabV3与Canny算法的路面裂缝语义分割方法

为准确检测混凝土路面裂缝的形态与分裂程度,避免其结构进一步受损,提出了一种改进的DeepLabV3网络语义分割模型。利用Canny算法优异的检测能力对裂缝边缘进行提取,改进分割网络的上采样层进行残差多层采样;优化空洞卷积的扩张率降低感受野,平衡网络对不同尺度裂缝的敏感度;融合并行注意力模块抑制分割模型易产生的伪影效应,获取更具互补性的裂缝特征。在公开数据集上进行训练与预测,在全卷积网络 (FCN)结合条件随机场(CRF)方法、Deep LabV3方法、Deep LabV3+方法与Lraspp方法中开展了对比实验。实验结果表明,本方法的MPA为98.73%,MIOU为87.53%,有效抑制噪声干扰,分割结果精确且连续。     

一种基于卷积神经网络的砂岩显微图像特征表示方法

砂岩显微图像分类是地质学研究中一项基本工作,在油气储集层评估等方面有重要意义.在实现自动分类时,由于砂岩显微图像具有复杂多变的显微结构,人工定义特征对砂岩显微图像的表示能力有限.此外,由于样本采集和标注成本高昂,带标记的砂岩显微图像很少.提出一种面向小规模数据集的基于卷积神经网络的特征表示方法FeRNet,以便有效地捕获砂岩显微图像的语义信息,提高对砂岩显微图像的特征表示能力.FeRNet网络结构简单,可降低网络对带标记图像数据量的要求,防止参数过拟合.针对带标记砂岩显微图像数量不足的问题,提出了图像扩增预处理方法及基于卷积自编码网络的权重初始化策略,降低了因数据不足造成的过拟合风险.基于采自西藏地区的砂岩显微图像数据集设计并进行实验,实验结果表明,在带标记砂岩显微图像数据不足的情况下,图像扩增和卷积自编码网络可以有效地改善FeRNet网络的训练效果,通过FeRNet网络提取的特征对砂岩显微图像的表示能力优于人工定义特征.     

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。     

基于卷积神经网络的图像验证码识别

验证码作为一种安全手段,被广泛应用于互联网领域.本文提出了一种基于卷积神经网络的图像验证码识别方法,通过卷积层级联、残差学习、全局池化、分组卷积等技术手段,在保证识别准确率不受影响的前提下,大大降低了网络的参数量.本文以铁路购票网站验证码和正方教务系统验证码为例来测试模型性能.对于铁路购票网站验证码,实验结果显示本文提出的识别方法参数量最少,对图形和中文词组验证码的识别准确率分别达到98.76%和99.14%;对于正方教务系统验证码,本文方法参数量最少且识别准确率为87.30%.     

基于深度学习的卫星图像识别分类方法

卫星遥感技术是一种非常重要的地球空间监测技术.卫星遥感图像经过处理后具有数据量大和数据类型复杂多样的特点,传统方法进行识别分类耗费大量人力物力.为了降低工作量,并为后续处理提供便利,本文将深度学习算法应用于卫星图像的识别分类中,设计了一种基于VGGNet的识别分类方法,利用除雾算法对训练数据进行数据增强处理,并添加岭回归正则化层,利用标签之间的相关性进行预测,使得方法达到90%以上的F2 score,并在实验部分进行了对比验证.最后利用此方法搭建了一个基于Django的在线识别分类展示系统.