基于光谱特征和纹理特征协同学习的高光谱图像数据分类

高光谱遥感图像中包含有大量的高维数据,传统的有监督学习算法在对这些数据进行分类时要求获取足够多的有标记样本用于分类器的训练.然而,对高光谱图像中大量的复杂地物像元所属类别进行准确标注通常需要耗费极大的人力.在本文中,我们提出了一种基于半监督学习的光谱和纹理特征协同学习(STF-CT)--法,利用协同学习机制将高光谱图像光谱特征和空间纹理特征这两种不同的特征结合起来,用于小训练样本集下的高光谱图像数据分类问题.STF-CT算法充分利用了高光谱图像的光谱和纹理特征这两个独立视图,构建起一种有效的半监督分类方法,用于提升分类器在小训练样本集情况下的分类精度.实验结果表明该算法在小训练样本集下的高光谱地物分类问题上具有很好的效果.     

迁移学习和卷积神经网络电力设备图像识别方法

一线生产单位一般不具备建立大量电力设备图像数据集的条件,因此在使用深度学习模型协助完成对电力设备图像的识别过程中受到限制。通过对电力设备进行三维建模和多角度渲染,获得大量模拟电力设备图像,解决深度学习模型卷积神经网络在学习过程中数据集不足的问题。同时,通过迁移学习的方式将经过模拟电力设备图像训练的卷积神经网络应用于对真实电力设备图像的学习中,提高学习效率和精度,最终取得93.5%的识别准确率。该方法为一线生产单位将卷积神经网络应用于电力设备图像识别分类任务提供一种解决办法。     

卷烟包装外观缺陷数据集构建及深度学习检测技术研究

目的 为了提升烟包缺陷检测的准确率,构建卷烟包装外观缺陷识别基准数据集,并开展主流深度学习模型在卷烟包装外观缺陷智能检测中的应用研究。方法 首先,从生产运行中的ZB45型细支烟硬盒包装机组采集缺陷图像,经过人工审核与筛选后获取典型的缺陷数据。然后,根据缺陷的特征与成因,将缺陷数据划分为23个类别,并逐一进行目标检测框标注。最终,形成了包含13 000余张缺陷图像的卷烟包装外观缺陷识别基准数据集,并针对烟包缺陷识别、缺陷分类、目标检测、模型迁移4项任务开展实验。结果 结果表明,数据集能够满足高准确率深度学习模型的训练需求;通过模型迁移,能够利用该数据集大幅提高不同牌号卷烟的缺陷检测效果;DenseNet模型在烟包缺陷识别与缺陷分类任务上表现较好,准确率分别达到93.70%和95.43%,YOLOv5模型在缺陷目标检测任务上mAP@0.5值达到了96.61%。结论 该数据集能够作为烟包缺陷检测领域的基准数据集,研究成果将进一步支撑卷烟包装领域的数据应用与数字化转型。     

基于语义信息的场景识别方法研究

在场景识别任务中,由于场景图像类内变化大,类间相似度高,不同场景类别之间表现出相似的外观和对象分布,从而容易导致场景识别任务的失败.为解决该问题,本文提出一种基于语义分割及高效网络相结合的场景识别模型.该模型由语义分支和RGB分支两部分组成,语义分支在语义分割基础上进一步提取图像上下文信息,RGB分支采用高效网络来提取图像的全局特征,通过注意力机制将两个分支的输出特征进行融合,最终输入线性分类器以实现场景识别的预测.将提出的网络模型在ADE20K,MIT Indoor 67和SUN3973个数据集进行训练与测试,实验结果表明,提出的模型可以显著减少网络参数数量,同时提高场景识别的准确率.     

基于卷积神经网络的PCB缺陷图像识别

PCB缺陷图像检测是确保PCB生产质量的重要环节,但传统的人工PCB缺陷检测具有劳动强度大、工作效率低等不足.为此,本文研究了一种基于卷积神经网络的PCB缺陷图像识别方法,建立了包括三种PCB缺陷和无缺陷图像的数据集,基于ResNet101网络模型搭建了PCB缺陷图像识别分类模型.引入迁移学习的方法,基于在大数据集上充分训练好的模型结合PCB图像数据集,并训练该PCB缺陷图像识别模型.实验结果表明,ResNet101模型对无缺陷PCB图像和三类常见PCB缺陷图像的平均识别准确率达到91.98％,验证了该模型对PCB图像识别分类的有效性.     

基于深度学习的水体色度分类算法研究

运用深度学习技术进行非接触、快速水体色度检测与分类,采用无人机采集水体图像,运用色度仪对标定的图像完成分类,建立数据集。采用图像归一化处理减少环境因素对分类结果的影响,设计多特征的分步边缘检测算法,检测水域图像边缘,剔除无关像素。对VGG 16、GoogleNet-V3和ResNet 18卷积神经网络进行水体色度分类模型构建与训练,后筛选Inception结构和残差结构为基本构建单元,设计专门用于水体色度分类的WCNet 15与WCNet 21神经网络模型。在训练集上训练参数并利用验证集完成对2个模型的准确率的比较,筛选准确率高的WCNet 21模型作为最终水体色度分类模型。WCNet21模型的最优准确率可达97.8%,满足水体色度分类需求,可应用到具体的水体色度分类工作当中。     

一种基于彩色+深度的人脸识别算法

本文提出了一种基于彩色+深度(RGB-D)的人脸识别方法,以提高识别率.首先从Kinect获得一个具有丰富的头部姿势变化、光照变化等不同条件下的彩色+深度(RGB-D)图像,将获取的同一个人在不同条件下的多个图像看做一个图像集;其次将Kinect获得的原始深度数据用于姿态估计和脸区域的自动裁剪.根据估计的姿态将一组脸部图像集分成多个子图像集.对于分类,本文提出了一种基于块的协方差矩阵表示图像模型在黎曼流形上一个子图像集的方法以降维,并使用SVM模型分别学习每个子图像集,然后将所有子图像集的结果相融合得出最终的识别结果.本文所提出的方法已经在包含不同条件下超过5 000幅RGB-D图像数据集中进行了评估.实验结果表明本文算法可实现高达98.84%的识别率.     

Large scale compound classification for multi-resolution satellite data based on conditional random fields models

针对如何在算法层次上利用不同空间分辨率遥感数据提高地表分类精度的问题,提出了一种基于条件随机场模型的全新的多分辨率复合分类算法.该算法针对同一地区、不同覆盖范围的两种高低分辨率遥感图像,以广域低分辨率图像的高精度地表分类为目的,利用高低分辨率图像间的空间分辨率多对一关系,基于云理论构建“真实”似然特征映射,由用来描述光谱特征与类别关系的“真实”似然特征序列以及像元间上下文关系构建条件随机场模型的两类势函数,并在此基础上对广域低分辨率图像进行全局地表分类.该算法不仅提供了对多分类特征的支持,而且考虑了地物分布的空间连续性.多组高低分辨率图像组合下的复合分类及不同算法间的分类精度对比分析结果表明,该算法可有效提高广域低分辨率图像的分类精度,并具有良好的鲁棒性.     

基于卷积神经网络模型的遥感图像分类

研究了遥感图像的分类,针对遥感图像的支持向量机(SVM)等浅层结构分类模型特征提取困难、分类精度不理想等问题,设计了一种卷积神经网络(CNN)模型,该模型包含输入层、卷积层、全连接层以及输出层,采用Soft Max分类器进行分类。选取2010年6月6日Landsat TM5富锦市遥感图像为数据源进行了分类实验,实验表明该模型采用多层卷积池化层能够有效地提取非线性、不变的地物特征,有利于图像分类和目标检测。针对所选取的影像,该模型分类精度达到94.57%,比支持向量机分类精度提高了5%,在遥感图像分类中具有更大的优势。     

图像语义分割深度学习模型综述

阐述了图像语义分割实质上是像素级别的密集分类的概念,及其在计算机视觉领域中的核心地位和应用意义。全面综述了图像语义分割算法的常用分类方法及最新成果,详尽比较了图像语义分割深度学习模型在PASCAL VOC 2012数据集上的像素准确率、平均像素正确率、平均交叠率、频率加权交叠率四个方面的实际表现性能,同时给出了模型的平均耗时、底层框架、实现语言、代码可读性、部署难度信息。最后对语义分割领域的发展进行了总结和展望,指出了模型面临的训练数据集不足、参数优化困难和结构单一的问题。     

基于GoogLeNet的场景识别研究

场景识别技术属于机器视觉的研究内容,是图像理解的常见任务,一直受到广泛关注。随着人工智能专业的发展,卷积神经网络在图像理解与识别领域取得了许多成果。因此,该文基于常用的卷积神经网络模型GoogLeNet和残差网络设计了场景识别模型。通过设计的模型提取场景图像特征,并利用卷积神经网络模型进行场景识别,最终完成对场景的分类识别任务。实验结果证明了卷积神经网络在研究场景识别问题上的有效性。     

融合夹角度量的局部线性嵌入算法

局部线性嵌入(LLE)等流形学习算法中需要通过欧氏距离来度量数据点之间的近邻关系,但欧氏距离只表示两点间的直线距离,在高维空间中不一定能真实反映出图像数据点之间的空间分布情况.针对此问题,本文提出了融合数据间夹角和欧氏距离度量LLE近邻和分类的方法.该方法通过融合图像数据间的夹角和欧氏距离来度量图像数据点之间的近邻关系,寻找k个近邻点,实现更有效的局部重构,提取鉴别特征,然后用融合了数据间夹角的最近邻分类器对数据进行分类.在KSC和Indian Pine高光谱遥感影像数据集上的实验结果表明:在总体分类精度上,本文算法比LLE提升了1.54%～6.91％.     

基于迁移学习的钢金相组织分类与识别方法的研究

金相检验是分析钢内部组织的常用方法,其中检验图像由人工判别,容易受到主观因素的影响而造成结果的不确定.近年来,深度学习(Deep learning,DL)方法中的卷积神经网络(Convolutional neural networks,CNN)能从原始图像中学习复杂的特征,在图像分类与识别领域得到了广泛的应用.CNN建模需要大量的训练样本才能达到较好的泛化能力,材料科学与工程领域针对具体问题的数据集往往较小,不能满足CNN建模的条件,制约了DL在材料领域的应用.本研究基于lmageNet数据集预训练VGG19模型,对火力发电机组耐热钢金相检验图像进行识别,采用冻结全部卷积层权值和微调部分卷积层权值两种迁移学习方法,可以克服金相图像数据集较小的问题,实现小样本数据集的深度学习建模,两种方法的准确率分别为92.5％和94.2％.微调方式的迁移学习CNN模型具有较快的收敛速度、较高的训练精度与泛化能力,能够对金相组织图像进行较为准确的分类与识别,是一种智能的钢金相组织识别方法,也是自动化分类与识别钢金相组织的一种新方法.     

堆叠自编码器在样本不充足下的轴承故障诊断方法

深度学习作为一种实用的大数据处理工具,在机械智能故障诊断领域也受到广泛关注,许多研究者已经成功地将深度学习模型应用于故障诊断领域。但这些研究往往忽略了两个重要的问题:(1)当原始训练数据集不足时,模型训练过程不理想;(2)网络模型的学习内容不明确。为了克服上述不足,提出一种新的数据增强的堆叠自编码器(DESAE)框架,该框架由数据增强模块和故障分类模块组成。在数据增强模块中,采用SAE生成模拟信号,对不充足的训练数据进行增强。在故障分类模块中,利用增强的数据集训练另一个SAE模型并进行故障样本类型识别。同时,利用轴承数据集验证该方法的有效性。此外,为了更便于理解DESAE工作过程,对其各层学习特性进行可视化分析。     

面向视觉检测的深度学习图像分类网络及在零部件质量检测中应用

基于深度学习图像分类是视觉检测应用的基本任务。该文系统总结基于模型深度化图像分类网络、基于模型轻量化图像分类网络及其他优化网络主要思想、网络结构、实现技术、技术指标、应用场景,指出网络模型深度化、轻量化分别有助于提高图像分类准确性、实时性。最后,面向零部件质量检测需求,应根据其类型多少、结构复杂程度、特征异同等特点,结合实时性要求,选择合适的图像分类网络构建零部件质量智能检测系统。     

面向印刷质量控制的元学习盲图像质量评价方法

目的 为了更好地检测印刷图文复制效果,提高生产效率,提出一种针对图像复杂失真和内容变化的元学习盲图像质量评价模型.方法 首先在元训练部分,通过ResNet50网络获取多个失真数据集的共有失真先验知识;然后在元测试部分,融合ResNet50的多层次特征,实现对图像局部失真和全局失真的完整描述;最后通过特征降维、融合获得多层次特征的权值,建立图像质量评价网络模型.结果 模型在真实失真数据集LIVEC上SRCC达到0.87以及在合成失真数据集LIVE上SRCC达到0.97,且模型的预测性能和泛化性能都要优于其他算法.结论 所提出的元学习盲图像评价方法能够准确预测不同类型图像质量分数,可为印刷图像质量评价和印刷生产控制提供一定指导.     

基于遥感图像散乱数据点的三角曲面片插值构造

基于散乱数据点集构造三角插值曲面的方法，在CAD／CAM、科学计算可视化、图像处理等领域有着广泛的应用。本文介绍一种基于遥感图像散乱数据点的三角曲面片插值构造方法。该方法通过在遥感图像上选取局部极值点来构成平面散乱数据点集，并在此基础上进行三角剖分、优化和三角插值曲面构造。此方法在海洋遥感图像多尺度分解处理应用中取得了较为理想的结果。     

基于目标域自适应SVM分类器的微博情绪分类

目前微博数据上难以实现跨领域情绪分类,很多基于特征和实例的方法表现出分类准确度低和计算速度慢等问题.针对此问题,本文提出一种基于模型的自适应支持向量机(SVM)的微博情绪分类方法,简称MASVM.该方法可以将现有模型直接应用到新目标域数据.首先,在"多对一"SVM自适应模型的基础上,对源域数据集训练的分类器决策函数进行修改,创建出一个适应目标域分类器.然后,扩展多个分类器适应框架,根据基础分类器在较小目标域标签样本集合中的分配性能,学习基础分类器的权重控制.最后,最大限度使用通用语料库训练出的基础分类器,通过领域适应,将情绪分类的分类误差最小化.实验结果表明,所提方法在准确度和计算效率方面优于基准方法和其他类似方法的性能.另外,目标域标签数据的不同比例也会对分类性能造成影响.由于所提方法的性能优于域外基础模型和域自适应方法,表现出了与域内上界模型相近的性能,且具有计算速度优势,可以作为一种快速微博情绪分类方法加以应用。     

基于MTF-CNN的滚动轴承故障诊断方法EI北大核心CSCD

针对传统故障诊断方法在滚动轴承实际工况复杂多变、数据集较小时对轴承故障诊断识别准确率较低的问题,提出了MTF-CNN滚动轴承故障诊断模型。首先采用马尔科夫转移场(MTF)编码方式将原始一维振动信号转化为具有时间相关性的二维特征图像,然后将特征图作为卷积神经网络(CNN)的输入进行自动特征提取和故障诊断,最后实现对不同故障类型的分类。为了验证所提方法的有效性和优越性,选用凯斯西储大学滚动轴承数据进行试验验证,并在负载改变时和不同数据集规模下对所提出方法的泛化性能进行测试,同时与传统智能算法进行对比分析。结果表明,相较于其他常用的故障诊断方法,所提出模型在数据集较小、负载改变的环境下对滚动轴承故障诊断具有更好的泛化性能和识别效果。     

基于人工神经网络的光学图像标准化显示研究

光学图像作为二维或三维数据集,在地理、医学和遥感图像等领域是一种重要的通讯数据,因此,对光学图像的正确表达是进行数据通讯和分析的关键.基于医学图像标准DICOM中定义的灰度标准显示函数(GSDF),本文提出了一种光学图像显示方法.与DICOM不同的是,本方法采用人工神经网络获取GSDF模型,所有实验数据来自中国计量科学...