基于卷积神经网络的织物缝纫平整度客观评价

针对大多数评价织物缝纫平整度等级方法对实验条件均有较高的要求,且织物种类及环境等因素对实验结果均有较大影响的现状,提出利用卷积神经网络分析织物缝纫平整度等级的方法,以提高等级分类的准确率和效率。设计了一个基于残差卷积神经网络的织物缝纫平整度客观评价模型,该模型以1000个普通织物的缝纫图像作为训练样本输入,得到缝纫平整度的分类结果,所选织物包含10种常见服装面料品类(塔夫绸、塔斯隆、雪纺、顺纡绉、尼丝纺、麂皮绒、天丝斜纹、真丝缎面、平布、交织绸)。研究结果表明:经200个测试集样本的验证,该模型的评价准确率达96%,与智能化评价以及建立预测模型方法相比,利用卷积神经网络分析织物缝纫平整度等级的方法,具有较好的准确率,且具备获取样本图像流程简单、效率高的优势。     

应用深度卷积神经网络的色织物缺陷检测

针对织物缺陷检测时传统人工的误检率、漏检率较高问题,提出一种应用深度卷积神经网络的色织物缺陷检测算法。因织物图像采集过程中含有较多噪声且信噪比较低,先对缺陷织物进行最优尺寸高斯滤波,有效滤除细节噪声;再根据织物图像特征建立深度卷积神经网络,利用径向基神经网络的非线性映射能力作用于卷积神经网络,并通过反向传播算法调整权值参数,获取无缺陷样本与训练样本之间的映射函数;最后,利用映射函数及特征字典重构图像并提取特征,根据Meanshift算法分割缺陷,确定缺陷位置。结果表明：应用深度卷积神经网络的缺陷检测算法对色织物图像库中的缺陷图像可实现提高检测效率、缩短检测时间,获取准确缺陷位置的目的。     

基于深度卷积神经网络的织物花型分类

针对织物纹理花型人工视觉分类效率低的问题,提出一种基于深度卷积神经网络(CNN)的条状、格子和波点纹理织物的识别分类方法.首先,建立由条状花型、格子花型和波点花型织物组成的图像样本集和标签数据集.然后,分别建立了基于GoogLeNet和AlexNet两种卷积神经网络的织物花型分类模型.最后,通过模型评价指标选择最优的训练迭代期.实验结果表明,利用深度卷积神经网络分类织物花型是可行有效的.     

自然场景下基于改进LeNet卷积神经网络的苹果图像识别技术

针对传统基于内容的识别方法在特征提取方面存在计算复杂、特征不可迁移等问题,为避免光照条件、重叠及其他遮挡等因素对图像识别的影响,以LeNet卷积神经网络作为基础,对其结构进行改进,设计了一种基于改进LeNet卷积神经网络的苹果目标识别模型,并利用该模型对不同场景的苹果图像进行识别训练与验证。结果表明:该网络模型可有效实现苹果图像的识别,对独立果实、遮挡果实、重叠果实以及相邻果实的识别率分别为96.25%,91.37%,94.91%,89.56%,综合识别率达到93.79%。与其他方法相比,该算法具有较强的抗干扰能力,图像识别速度快、识别率更高。     

西装识别的深度学习方法

为准确而快速地对电商平台产品图像进行西装目标的分类检测,以3个主要的卷积网络深度学习框架即快速区域卷积神经网络、基于区域的全连接卷积网络和单次多盒检测为基础,首先通过实验分析其在服装图像分类识别中的效率和有效性,针对小目标识别困难和过拟合识别问题,提出基于尺寸分割和负样本的单次多盒检测(SSD)增强方法(DN-SSD);然后将图像分割为不同尺寸的子图突出服装目标,通过融合分类方法解决SSD算法对小目标识别不足的问题,并通过增强负样本以提高算法的场景适应能力。实验结果表明,该算法可有效地识别各种形态和大小的西装目标,识别准确率达到90%以上,并且能够方便地推广到服装其他品类的识别中。     

虚拟现实交互游戏中的手势识别

随着虚拟现实技术的发展和手势识别技术的不断提升,人们对自然交互的方式不断提出迫切需求。对于交互体验的游戏而言,尤为突出。此前的研究主要利用普通摄像头采集图像,获取手势的运动形态及像素信息,无法获得具有深度信息手势的三维特征。随着Leap Motion等深度传感器的出现,更多的深度信息可以被获取,为识别复杂的手势提供了可靠的数据保障。文章使用一种基于深度经网络的游戏交互手势识别系统,与以往的方法相比,具有更好的性能。     

基于深度学习的储粮害虫检测研究进展

储粮害虫检测与预警对保障粮食储存安全具有重要意义。目标检测是计算机视觉研究领域的核心问题之一,近年来深度学习在目标检测领域的应用研究取得了重大突破,储粮害虫目标检测也取得了较大进展,并逐步在粮库智能化建设中推广与应用。本文从储粮害虫数据集的获取与预处理、储粮害虫目标检测算法研究、储粮害虫检测结果应用等三个方面,总结了近年来基于深度学习的储粮害虫检测研究进展,通过对比研究,提出了该研究领域存在的问题及未来研究方向。     

基于网中网卷积神经网络的红枣缺陷检测

提出了一种基于网中网卷积神经网络对红枣进行缺陷检测的方法,在原有AlexNet卷积神经网络的基础上增加了1×1隐含感知层,增强了网络的非线性以提取更抽象的特征;并采用全局平均池化层的方式替换全连接层,减少大量参数的同时提升了识别准确率。对新疆骏枣进行了实测,可将红枣分为好枣、黑斑枣、皱枣、叠枣、脱皮枣、黄皮枣和裂枣7类,表明该方法与基于常规SVM的视觉检测方法和基于AlexNet网络的分类方法相比,分类效果得到了有效提升。     

基于深度学习的棉花异性纤维检测

在棉花纤维生产过程中,棉花异性纤维直接影响着其成品质量优劣。通过人工进行视觉上的观察是常用的判定棉花异性纤维优劣的方法,但这种方法耗费大量人力和时间,且准确性不高。本文测试一种可根据深度学习对棉花异性纤维进行自动检测的方法。通过卷积神经网络,在对棉花图像不断训练的过程中,使棉花异性纤维质量检测过程自动化。结果表明,这一方法对于检测棉花异性纤维准确性高、效率高,对于高品质棉花自动化生产加工有重要意义。     

基于卷积神经网络的卷烟小盒外观检测研究

文章基于卷积神经网络(CNN),模拟人脑对图像的识别过程,实现了对卷烟小包外观检测.卷积神经网络所使用数据集采集自某卷烟厂FOCKE-FXS机型成像检测系统,经过人工对图像进行分类,获得小包外观良好与缺陷的数据集.将数据集随机生成90％的训练集与10％的验证集,将训练集送入卷积神经网络进行特征提取与分类.经过网络学习与测试,使用新的数据集,小包外观识别准确率可达99.15％,效果较好.     

基于改进卷积神经网络的化纤丝饼表面缺陷识别

针对传统人工检测化纤丝饼表面缺陷方法的不足,提出改进的卷积神经网络对正常以及3种常见缺陷丝饼进行分类识别。首先对采集的丝饼图像进行分块处理,然后利用改进的卷积神经网络进行特征提取,采用全局最大池化层代替全连接层,增强了图像对空间变换的鲁棒性,减少了模型参数,并利用softmax分类器进行分类。最后在网络学习过程中提出主动学习方法,用少量标注样本对网络进行训练,选出对提升网络性能最具价值的样本进行标注并加入到训练样本中进行训练检测。结果表明,该方法可有效实现丝饼的缺陷识别,识别准确率达到97.1%,并有效减少了网络所需的标注样本数量,节省大量的标注成本,具有一定的通用性。     

基于卷积神经网络模型的裂纹鸡蛋图像识别

目的:提高基于计算机视觉的鸡蛋裂纹检测方法的准确性和运行效率。方法:使用禽蛋模拟撞击设备得到裂纹鸡蛋,并通过鸡蛋动态图像采集设备采集不同角度裂纹鸡蛋和完好鸡蛋图像,然后以原始图像和经预处理后图像分别建立用于裂纹鸡蛋图像识别的YOLO-v5、ResNet和SuffleNet模型,并比较不同模型识别准确度以及对未经预处理图像的适应性。结果:YOLO-v5、ResNet和SuffleNet模型均可有效识别经过预处理的裂纹鸡蛋图像,其验证集准确率分别为98.8%,97.8%,99.4%。对于未经预处理的裂纹鸡蛋,ResNet模型判别准确率较低,而SuffleNet模型对其适应性较好,判别准确度超过99%。结论:在卷积神经网络模型中,SuffleNet模型适用于裂纹鸡蛋图像的识别,且采集的图像无需进行预处理。     

卷积神经网络在储粮害虫图像识别中的应用研究

立足于当今储粮害虫图像识别领域面临的技术需求,针对现有的储粮害虫图像识别算法网络结构相对复杂,辨认率低,为此,引入卷积神经网络实现储粮害虫图像的识别。简要阐述了卷积神经网络发展过程,分析其网络结构,选用5种储粮害虫作为训练样本,分析了储粮害虫图像识别过程,最后通过实验得出了基于卷积神经网络的Alexnet模型对储粮害虫图像识别的精确度达97.62%,说明基于CNN对储粮害虫图像识别具有较高的准确率。     

改进YOLOv3算法的筷子毛刺缺陷检测方法

针对目前筷子质量检测机器并不能对带有毛刺的筷子进行有效分拣这一问题,提出了一种基于改进YOLOv3算法的筷子毛刺缺陷检测方法。通过删除YOLOv3网络多尺度检测中的32倍降采样的检测层,在YOLOv3网络中增加4倍降采样层,进一步得到深层特征并与第二次下采样中的浅层特征进行融合,让网络同时学习深层和浅层特征、重新聚类anchor box尺寸、改变YOLOv3网络的超参数,如减小抖动、减小权重衰减正则项、增大批尺寸、选择合适的动量值等方法,对原网络进行改进。当交并比(IOU)为50时改进后网络的平均检测精度由89%提升到了94%,查准率提高了4%,查全率提高了9%,平均IOU提高了3.5%,平均检测速度由16.8帧/s增加到了21.0帧/s。试验结果表明,该方法相对于传统筷子质检机具有更高的检测效率,能满足筷子毛刺缺陷的检测需求。     

基于改进卷积神经网络的红枣缺陷识别

目的：建立一种基于改进的卷积神经网络的红枣缺陷自动识别方法。方法：采用双分支卷积神经网络结构,分支1结合迁移学习策略进行预训练,分支2基于轻量级网络融合特征图提取红枣图像中的特征信息。通过对比实验验证了该方法的优越性。结果：与改进前相比,改进后的缺陷识别方法优化了卷积神经网络的结构,检测准确率进一步提高,从96.02%提高到99.50%。结论：该方法提高了网络学习速度和收敛速度,具有较好的分类识别效果。     

基于卷积神经网络的织物图像特征提取与检索研究进展

为实现织物图像的快速自动识别与检索,从织物图像浅层视觉特征提取、深度语义特征学习以及检索模型构建3个方面综述了该领域的研究进展,分析了现有研究中存在的问题。发现织物图像浅层视觉特征在小样本数据集的检索中具有较好的适用性,且多特征融合应用可有效提升检索精度,但在大样本数据集及高层语义识别检索问题中的应用存在局限性,深度卷积神经网络是克服这一问题的有效途径;织物语义属性的优化设计、卷积神经网络结构优化以及距离尺度学习是目前提升深度检索模型语义识别精度的3个有效途径;认为未来织物图像识别检索精度的提升主要依赖于标准化的语义系统设计、精准的图像分割与识别技术以及多模态的信息融合检索。     

基于改进型YOLO的密集环境下槟榔果实的快速识别方法

目的:提高小个体槟榔的识别精确率以及槟榔加工厂的自动化程度。方法:设计并选取Mob-darknet-52作为新型特征提取网络,采用多尺度检测尺寸,提出一种基于改进型YOLO算法的槟榔定位与识别的方法。结果:Mob-YOLOV3-SPP对槟榔果实分类的检测精度为94.8%,准确率为94.5%,召回率为95.1%,模型的检测时间为6.679 ms。结论:基于改进型YOLOV3网络的优化算法可以实现密集环境下槟榔果实的快速定位与识别。     

基于卷积神经网络的机织物密度均匀性检测

针对目前基于机器视觉的机织物密度自动检测时织物检测视野小、精度低、品种适应性差的问题,提出一种基于多尺度卷积神经网络的检测方法.首先设计了一套离线图像采集系统连续采集织物图像,并建立一个包含详细织物参数的织物图像数据集;然后采用一种具有不同大小局部感受野的多尺度卷积神经网络适应不同大小的织物结构特征,定位纱线位置;最后...