基于卷积神经网络的光学遥感图像船只检测

目的研究无需进行复杂的图像预处理和人工特征提取,就能提高光学遥感图像的船只检测准确率和实现船只类型精细分类。方法对输入的检测图像,采用选择性搜索的方法产生船只候选区域,用已经标记好的训练样本对卷积神经网络进行监督训练,得到网络参数,然后使用经过监督训练的卷积神经网络提取抽象特征,并对候选区域进行分类,根据船只候选区域的分类概率同时确定船只的位置以及类型。结果与现有的2种检测方法进行对比,实验结果表明卷积神经网络能有效提高船只检测准确率,平均检测准确率达到了93.3%。结论该检测方法无需进行复杂的预处理,能同时对船只进行检测和分类,并能有效提高船只检测准确率。     

基于卷积神经网络的印刷品颜色缺陷检测

目的 提取样本图像颜色直方图特征对卷积神经网络进行训练,达到快速、高准确率检测图像颜色缺陷的目的.方法 将标准图像从RGB颜色空间转换至HSV颜色空间,通过改变图像H,S,V三分量值获取训练样本和测试样本;在HSV颜色空间中非均匀量化图像的颜色直方图,得到所有训练样本和测试样本的颜色直方图特征;利用样本图像颜色直方图特征训练卷积神经网络,然后对测试样本进行检测,研究检测的速度、准确率,并将该检测方法与逐像素、超像素、BP神经网络和支持向量机方法进行对比.结果 对于图片尺寸为512×512的彩色图像,卷积神经网络检测单幅图片的平均检测时间约为57.66 ms,训练样本图像为50000张时,卷积神经网络方法对10000张测试样本进行检测的准确率为99.77％.结论 卷积神经网络方法在保证高准确率的前提下大幅提高检测精度,对于印刷品色差缺陷在线检测具有良好的应用价值.     

基于可变形密集卷积神经网络的布匹瑕疵检测

针对传统布匹瑕疵检测方法无法适用于尺度变化大、面积占比小的瑕疵特征,提出一种基于可变形密集卷积神经网络模型。为了关注到图像中距离较远的特征信息,并避免捕获纹理信息,采用可变形卷积来增强特征的语义表达能力。通过在卷积层中设置卷积像素相对于中心像素各自的x,y方向偏移量,并利用反向传播训练偏移量以增加感受野的变形适应性。同时,采用密集连接的方式以保持模型不遗漏边缘瑕疵信息。最后,根据瑕疵类别预测和位置边框回归实现瑕疵的分类和定位检测。实验结果表明:该模型的平均检测精度和单类目标检测精度标准差分别为93.53%,2.5139,相比于其他方法更具有竞争力。     

基于卷积神经网络的绘画图像分类研究

绘画作品的数字化对有效使用绘画资源具有重要意义,传统图像分类方法并未考虑绘画作品主观特性,且大部分特征需要人工提取,存在细节特征丢失等问题.在此提出基于卷积神经网络的绘画图像分类方法,分析了卷积核大小、卷积神经网络结构宽度、训练样本数量对分类结果的影响,以优化网络结构和参数.实验结果表明,该方法对绘画图像分类的有效性,在不同绘画图像数据集的分类实验上也得到了较好的分类结果.     

基于卷积神经网络的超分辨率失真控制图像重构研究

目的 解决超分辨率图像重构模型中存在的功能单元之间关联性差,图像色度特征提取完整性不强、超分辨率重构失真控制和采样过程残差控制偏弱等问题。方法 通过在卷积神经网络模型引入双激活函数,提高模型中各功能单元之间的兼容连接性;引用密集连接卷积神经网络构建超分辨率失真控制单元,分别实现对4个色度分量进行卷积补偿运算;将残差插值函数应用于上采样单元中,使用深度反投影网络规则实现超分辨率色度特征插值运算。结果 设计的模型集联了内部多个卷积核,实现了超分辨率色度失真补偿,使用了统一的处理权值,确保了整个模型内部组成单元的有机融合。结论 相关实验结果验证了本文图像重构模型具有良好可靠性、稳定性和高效性。     

基于GA-BP神经网络的工业CT缺陷检测

为了提高工业CT缺陷检测精度,本文提出一种基于GA-BP神经网络的CT缺陷检测方法。采用遗传算法,对BP神经网络的权值和阈值进行优化,建立基于GA-BP神经网络的工业CT缺陷检测模型;采用工业CT图片组成实验数据进行仿真分析,并与卷积神经网络和支持向量机的监测效果进行对比。结果表明：该方法可使GA-BP神经网络模型误检测次数更少,精度高达96.67%,且效果更好,具有较好的可行性和实用性。     

疑似及确诊新冠肺炎的临床及胸部CT影像特点

目的:研究分析疑似及确诊新冠肺炎患者临床及胸部CT影像特点.方法:研究对象为我院2020年1月-2020年12月收治的30例疑似及确诊新冠肺炎患者.其中与《新型冠状病毒肺炎影像诊断指南(2020年第二版简版)》中规定的新冠肺炎诊断标准相符合,但2次以上核酸检测结果为阴性的疑似患者共21例为对照组,同时与以上新冠肺炎诊断...     

基于环形特征的卷积神经网络轮毂识别

针对实际生产中不同种类轮毂的混流生产问题,提出了一种基于环形特征的卷积神经网络轮毂识别算法。将直角坐标下的环形轮毂映射到极坐标中,归一化为标准形式的矩形,提取轮毂图像的环形特征信息,减少冗余特征产生的影响;设计了一种改进的VGG网络架构,利用深度可分离卷积打破输出通道维度与卷积核大小的联系,在不损失网络性能的同时降低了计算量,能够在实际生产中轮毂识别任务在有限的算力情况下实时进行计算;从有效性和实时性两个方面对轮毂识别算法进行评估,且通过Inception V3、SVM、KNN等模型的对比实验,验证了该算法可以实时地对轮毂自适应分类。实验表明: 该方法对轮毂图像的处理精度达到99%以上,单幅图像平均处理时间降低至11.78ms。     

基于卷积神经网络的生物式水质监测方法

生物式水质监测通常是先通过提取水生物在不同环境下的应激反应特征,再进行特征分类,从而识别水质。针对水质监测问题,提出一种使用卷积神经网络(CNN)的方法。鱼类运动轨迹是当前所有文献使用的多种水质分类特征的综合性表现,是生物式水质分类的重要依据。使用Mask-RCNN的图像分割方法,求取鱼体的质心坐标,并绘制出一定时间段内鱼体的运动轨迹图像,制作正常与异常水质下两种轨迹图像数据集。融合Inception-v3网络作为数据集的特征预处理部分,重新建立卷积神经网络对Inception-v3网络提取的特征进行分类。通过设置多组平行实验,在不同的水质环境中对正常水质与异常水质进行分类。结果表明,卷积神经网络模型的水质识别率为99.38%,完全达到水质识别的要求。     

基于改进卷积神经网络的3D打印机激光点温度检测方法

3D打印过程中激光点温度对成型制品的精度和质量会产生直接影响.针对传统温度检测装置在激光点温度检测方面无法达到高检测率、低误差率的工业需求,文章提出一种基于卷积神经网络对激光点温度进行检测估计方法.采用深度学习方法,对收集到的激光温度训练样本运用卷积神经网络的方法进行模型训练,利用训练结果对测试集进行预测,估计出测试激光图像的激光温度.此外在传统卷积神经网络的基础上进行了改进,验证结果表明改进的卷积神经网络能够对激光点等温线进行更为准确的检测估计.     

遥感图像中飞机的改进YOLOv3实时检测算法

针对遥感图像中的飞机目标, 本文提出一种遥感图像飞机的改进YOLOv3实时检测算法。首先, 针对单一的遥感图像飞机目标, 提出一种有49个卷积层的卷积神经网络。其次, 在提出的卷积神经网络上应用密集相连模块进行改进, 并提出使用最大池化加强密集连接模块间的特征传递。最后, 针对遥感图像中飞机多为小目标的现实, 提出将YOLOv3的3个尺度检测增加至4个并以密集相连融合不同尺度模块特征层的信息。在本文设计的遥感飞机测试集上进行训练和测试, 实验表明, 该算法的检测精度达到96.26%、召回率达到93.81%。     

基于改进混合遗传细菌觅食算法的贝叶斯结构学习算法

针对利用启发式学习算法学习贝叶斯网络时容易陷入局部最优和寻优效率低的问题,提出一种改进的混合遗传细菌觅食优化算法的贝叶斯网络结构学习算法。该算法首先通过遗传算法求得较优种群并作为细菌觅食算法的初始种群;然后利用交叉和变异策略改进细菌觅食算法的复制行为,增加种群多样性,扩大搜索空间;最后通过改进细菌觅食算法的迁移行为的初始化操作更新种群,防止精英个体的丢失。通过种群的迭代搜索最终获得最优的贝叶斯网络结构。实验仿真结果表明,与其他算法相比,该算法的收敛精度和效率有所提升。     

碳交易驱动下的公共建筑节能改造技术选型决策研究

为满足建筑物末端的制冷需求,中央空调冷水系统长期在部分负荷下运行,这导致能源消耗较高。对中央空调冷水机组的负荷预测有利于节能改造以达到负荷最优。针对冷水系统存在的错综复杂交互关系和多变量等难以精确预测的问题,提出一种基于卷积神经网络(convolutional neural network, CNN)—遗传算法(genetic algorithm, GA)—极端梯度提升(extreme gradient boosting, XGBoost)的冷水机组数字孪生体预测模型。首先利用历史数据训练CNN-GA-XGBoost预测模型;然后将训练好的模型通过应用程序接口(application program interface,API)的方式连接到数字孪生体系统中进行实时预测;最后在数字孪生系统中展示预测结果。结果表明,所提的方法模型评估指标决定系数达到0.995, 平均绝对百分比误差为0.82,均方根误差为2.22。数字孪生体预测模型有效地连接了物理实体和数据驱动,能够实现建筑物空调负荷的精准预测,并且所提预测方法相较于其他模型具有更高的精度和更好的泛化性。

     

应用卷积神经网络的锂电池极片涂布缺陷分类

目的 针对锂电池极片涂布缺陷种类多,传统方法分类检测精度不高,以及人工依赖性强等问题,提出一种基于卷积神经网络的锂电池极片涂布缺陷自动分类算法。方法 首先对网络结构以及模型参数进行优化,接着在网络中加入跳跃连接结构,将空洞卷积提取到的多尺度特征与高层特征进行融合以获取更多缺陷特征,并采用LeakyReLU(Leaky Rectified Linear Unit)激活函数保留图像中的负值特征信息,最后通过构建的数据集训练模型,实现锂电池极片涂布缺陷的准确分类。结果 实验结果表明,当前方法识别准确率能够达到99.34%,平均检测时间为51ms。结论 改进后的方法能够准确分类出锂电池极片18种涂布缺陷,满足工业生产中实时分类检测的要求。     

改进的人工免疫算法在图像配准参数优化中的应用

借鉴禁忌搜索的思想改进了人工免疫网络算法(aiNet),提出一种禁忌人工免疫网络算法(TS-aiNet).在算法中引入禁忌表,禁忌在网络迭代中亲和力不再增加的细胞,通过特赦准则赦免一些被禁忌的优良状态;增加记忆表,保存成熟的记忆细胞;重新定义高斯变异方式,保证多样化的搜索.利用Markov链分析了该算法的全局收敛性,通过对典型系统的仿真实验分析了该算法的性能,并与克隆选择算法和opt-aiNet算法进行了比较,最终将改进的算法运用到红外与可见光图像配准中,像素级配准精度可以达到0.5像素.实验结果表明,该算法在多模态搜索空间中具有更好的全局收敛性、稳定性和发现极值点能力,能够克服早熟现象,提高图像配准的速度和精度,是一种有效的全局优化方法.     

新型冠状病毒肺炎的多层螺旋CT影像学特点及诊断价值分析

目的:新型冠状病毒肺炎(新冠肺炎)多层螺旋CT影像学特点及诊断价值探讨.方法:以随机样本抽样法,抽取40例(2020年2月-7月)疑似新冠病毒肺炎患者,均进行多层螺旋CT(MSCT),分析其影像学特征、检出率.结果:40例疑似新冠肺炎患者多层螺旋CT影像学特征病变密度多表现为单纯GGO(47.50％)、GGO伴细小网格...     

神经网络与混合遗传算法结合的注塑成型工艺优化

注塑成型中,工艺参数直接影响到模具内熔体的流动状态和最终制品的质量,而工艺参数与制品质量之间的关系非常复杂,因此如何建立制品质量与工艺参数之间的关系模型井获得优化的工艺参数是改善制品质量的关键。收缩是衡量制品质量的一个重要指标,制品在型腔中的非均匀收缩是引起制品翘曲的主要原因。文中基于成型过程的数值模拟,采用人工神经网络与混合遗传算法结合优化注塑成型工艺,以改善制品质量。对一工业产品进行分析,以制品内的体收缩率差值为质量指标优化工艺,改善了制品内的体收缩率分布,获得了满意效果。