基于改进全卷积神经网络的玉米叶片病斑分割

玉米叶部病斑的准确分割是识别玉米叶部病害类别、实现作物精准施药的关键。为了准确分割出玉米叶部的病斑区域,提出了一种基于改进全卷积神经网络（Fully Convolutional Neural Network,FCN）的玉米叶片病斑分割方法。该方法的网络结构主要包括一个编码网络和对应的解码网络,在解码网络之后添加一个像素级别的分类器。编码网络结构是在传统VGG16网络的基础上进行改进,解码网络主要是对编码网络中的下采样层进行反卷积操作,通过对解码网络不断地进行训练,可以恢复编码网络输出特征图的分辨率,得到更为精确的分割效果。利用该研究方法与FCN、DeepLabV3、PSP Net等图像分割网络模型在不同的评价指标上进行比较,结果表明研究方法具有较好的分割性能,可以准确分割出玉米叶部的病斑区域。     

基于多尺度卷积神经网络的人脸润饰检测算法

针对目前人脸润饰检测算法特征提取复杂、识别率低的问题,提出了一种基于多尺度卷积神经网络的人脸润饰检测算法.不同于传统的卷积神经网络,本文的网络增加了图像预处理,利用基于方向梯度直方图（Histograms of Oriented Gradient,HOG）特征的人脸提取算法从原始图像中提取出人脸部分;在第一个池化层后连接局部归一化（Local Response Normalization,LRN）层,加速模型的收敛;提出了多尺度卷积层,将大小为1×1,3×3和5×5的卷积核进行级联,提高模型分类效果.实验结果表明,本文算法的检测精度在人脸润饰数据集LFW和ND-ⅢTD分别达到99.5%和92.9%,相比于主流网络结构和最新人脸润饰检测算法,检测精度有显著提高.     

基于轻量级卷积神经网络的植物叶片病害识别方法

针对目前农业信息领域植物病害识别精度较低、实时性较差的问题,提出了一种基于轻量级卷积神经网络（CNN）的植物叶片病害识别方法。在原有网络中引入深度可分离卷积（DSC）和全局平均池化（GAP）方法,分别用来代替标准卷积运算操作并对网络末端的全连接层部分进行替换。同时,批归一化的技巧也被运用到训练网络的过程中,以改善中间层数据分布并提高收敛速度。为全面而可靠地评估所提方法的性能,在公开的植物叶片病害图像数据集PlantVillage上进行实验,选取损失函数收敛曲线、测试精度、参数内存需求等指标来验证改进策略的有效性。实验结果表明,改进后的网络具有较高的病害识别精度（99.427%）以及较小的内存空间占用（6.47 MB）,可见其与其他基于神经网络的叶片识别技术相比具有优势,工程实用性较强。     

基于卷积神经网络的图像目标检测优化算法研究

文章提出基于卷积神经网络的图像目标检测优化算法。以最小代价函数作为卷积神经网络的学习目标,构建图像目标检测的深度残差网络模型,通过感兴趣区域网络获取图像目标候选区域,获取图像目标的分类层输出和预测层输出。实验结果表明：该算法检测到图像精度在97.36%以上。     

基于多源融合FCN的图像分割

图像分割任务中,传统的基于人工设计特征方法工作量大、复杂度高、分割割精度较低,现有的基于全卷积神经网络(Fully Convolutional Networks,FCN)的方法在分割边缘上不够精细。为了提高图像分割算法的分割精度,提出基于多源融合的全卷积神级网络模型,输入图片经过Sobel算子提取边缘特征获得特征矩阵,与RGB和灰度图像一起作为输入,将传统全卷积网络拓展成具有多种输入源的分割模型。在PASCAL VOC 2012图像分割数据集上进行实验验证,结果显示该模型提高了图像分割的精度,具有良好的实时性和鲁棒性。     

基于混合神经网络的图像复原方法

针对传统图像复原方法对先验知识的依赖性问题,提出一种基于混合神经网络的图像复原方法。混合神经网络由卷积神经网络（Convolutional Neural Network）与BP神经网络组成。首先,通过训练卷积神经网络初步建立退化图像与真实图像之间的非线性映射关系,再利用训练好的卷积网络模型提取特征向量作为BP神经网络的输入。最后,通过训练BP神经网络实现图像复原。实验表明,该方法具有较高可行性,在小尺度的模糊核上的复原效果优于现有方法。     

基于深度卷积神经网络的车型识别

传统的基于卷积神经网络的车型识别算法存在识别相似车型的准确率不高,以及在网络训练时只能使用图像的灰度图从而丢失了图像的颜色信息等缺陷。对此,提出一种基于深度卷积神经网络(Deep Convolution Neural Network,DCNN)的提取图像特征的方法,运用深度卷积神经网络对背景较复杂的车型进行网络训练,以达到识别车型的目的。文中采用先进的深度学习框架Caffe,基于AlexNet结构提出了深度卷积神经网络的模型,分别对车型的图像进行训练,并与传统CNN算法进行比较。实验结果显示,DCNN网络模型的准确率达到了96.9%,比其他算法的准确率更高。     

基于YOLOv5模型的大豆叶部斑病识别方法

针对目前大豆叶部病害识别方法存在的准确率低和鲁棒性差等问题，提出了一种基于改进型的YOLOv5-卷积神经网络（Convolutional Neural Network,CNN）的大豆叶片斑病图像识别方法。首先，对采集的大豆叶部病害图像进行预处理；其次，采用改进型深度学习网络提取特征，并训练分类模型，实现对大豆叶部斑病的快速识别；最后，通过和传统机器视觉系统相结合，完成了对大豆叶片斑病的智能化识别。实验结果表明，该研究方法能够有效提高大豆叶部斑病图像的识别精度和稳定性，在实际生产过程中，可根据田间条件选择不同光照强度下的大豆叶片，以验证所提算法的实用性和适用范围。     

基于遗传神经网络的大豆叶片病斑图像分割技术研究

针对作物叶部病斑区域图像边界模糊和不确定性等因素,以大豆病叶为对象,提出采用遗传神经网络对叶片病斑进行分割的方法,引入遗传算法优化神经网络的权值和阈值,提高了网络训练速度,避免了传统BP算法的局部最小值.通过对大豆灰斑病病斑图像分割的实验表明,该方法速度快且稳定性好,精度高且鲁棒性好.     

改进卷积神经网络在遥感图像分类中的应用

针对传统卷积神经网络（CNN）稀疏网络结构无法保留全连接网络密集计算的高效性和实验过程中激活函数的经验性选择造成结果不准确或计算量大的问题,提出一种改进卷积神经网络方法对遥感图像进行分类。首先,利用Inception模块的不同尺度卷积核提取图像多尺度特征,然后利用Maxout模型学习隐藏层节点的激活函数,最后通过Softmax方法对图像进行分类。在美国土地使用分类数据集（UCM_LandUse_21）上进行的实验结果表明,在卷积层数相同的情况下,所提方法比传统的CNN方法分类精度提高了约3.66%,比同样也基于多尺度深度卷积神经网络（MS_DCNN）方法分类精度提高了2.11%,比基于低层特征和中层特征的视觉词典等方法分类精度更是提高了10%以上。因此,所提方法具有较高的分类效率,适用于图像分类。     

基于U-Net的高分辨率遥感图像语义分割方法

图像分割是遥感解译的重要基础环节,高分辨率遥感图像中包含复杂的地物目标信息,传统分割方法应用受到极大限制,以深度卷积神经网络为代表的分割方法在诸多领域取得了突破进展。针对高分辨遥感图像分割问题,提出一种基于U-Net改进的深度卷积神经网络,实现了端到端的像素级语义分割。对原始数据集做了扩充,对每一类地物目标训练一个二分类模型,随后将各预测子图组合生成最终语义分割图像。采用了集成学习策略来提高分割精度,在“CCF卫星影像的AI分类与识别竞赛”数据集上取得了94%的训练准确率和90%的测试准确率。实验结果表明,该网络在拥有较高分割准确率的同时还具有良好的泛化能力,能够用于实际工程。     

基于卷积神经网络的霉变烟叶图像识别方法研究

针对人工在线精选霉变烟叶时,存在效率低下、容易漏检等缺点,提出了一种基于卷积神经网络模型对霉变烟叶图像进行筛选、分类识别的方法.首先建立烟叶数据集,然后搭建卷积神经网络模型,利用卷积神经网络先初步提取特征,再筛选提取主要特征,然后进行各部分的特征汇总;最后实现图像的分类,从而实现了快速、准确的识别霉变烟叶图像和正常烟叶...     

基于改进U-Net网络的多尺度番茄病害分割算法

针对当前农作物病害分割与识别模型病斑分割精度低、数据集不充分、训练速度过慢等问题,构建了一种基于改进的U-Net网络多尺度番茄叶部病害分割算法。在U-Net网络结构基础上进行改进,减小图像输入尺寸,在编码器中使用非对称Inception多通道卷积替换传统卷积,实现多尺度提取病害特征,提升模型准确度;在解码器中加入注意力模块,关注番茄病害边缘,减小上采样噪声;引入GN加速模型收敛,并将改进U-Net网络用在PlantVillage数据集上进行预训练,提高模型的分割准确度和速度。改进后的方法准确率、召回率和MIoU分别为92.9%、91.1%、93.6%,实验结果表明,该方法能够有效地提高模型对番茄的病害分割性能。     

基于卷积神经网络的焊缝表面缺陷检测方法

针对工业激光焊接中,采用传统方法进行焊缝质量检测效率低下的问题,提出了一种基于卷积神经网络的工业钢板表面焊缝缺陷检测方法;首先基于卷积神经网络,搭建了一个多分类模型框架,并分析了各层中所用到的函数及相关参数;然后基于工业数控机床和工业相机进行了焊缝数据采集,并对这些数据进行了分类、增强、扩增等前期预处理;最后基于数控机器轴,采用滑动窗口检测的形式采集实际待测图像,并通过实验对比了传统的机器学习算法在该类图像数据中的性能评估;经实验证实,通过卷积神经网络训练得到的多分类模型,焊缝缺陷检测精度能达到97%以上,且每张待测图像的测试时间均在300 ms左右,远超机器学习算法,在准确性和实时性上均能达到实际工业要求。     

基于卷积神经网络的虫情图像分割和计数方法

为提高虫情图像的分割和计数的准确率,提出了一种基于卷积神经网络的虫情图像分割和计数方法。该方法基于U-Net模型构造了一种昆虫图像分割的模型Insect-Net,将完整的虫情图像和切割后的虫情图像分别输入模型后,提取两者特征进行融合。将融合后的特征输入1个1×1的卷积层得到最终分割结果,再将得到的结果二值化后,采用轮廓检测算法将昆虫目标与背景分离并计数。实验结果表明,该方法在虫情图像中取得了较高的分割正确率和计数正确率,分别为94.4%和89.2%。用深度学习和卷积神经网络的方法有效提高了虫情图像的计数精度,并且为昆虫识别分类提供了大量的无背景数据集。     

基于全卷积神经网络的肝脏CT影像分割研究

针对腹部CT影像邻近器官对比度较低及因个体肝脏形状差异较大等引起肝脏分割困难的问题,提出了全卷积神经网络肝脏分割模型。首先通过卷积神经网络提取图像深层、抽象的特征,再通过反卷积运算对提取到的特征映射进行插值重构后得到分割结果。由于单纯进行反卷积得到的分割结果往往比较粗糙,因此,在反卷积之前,先融合高层与低层的特征,并且通过增加反卷积的层数、减少反卷积步长,得到了更为精确的分割结果。与传统卷积神经网络的分割方法相比,该模型可以充分利用CT影像的空间信息。实验数据表明该模型能够使腹部CT影像肝脏分割具有较高的精度。     

基于异卷积神经网络的入侵检测

网络已经深入人们生产生活的各领域。然而,由于存在大量的非法入侵行为,网络所面临的安全问题也越来越严峻。因此,检测入侵以保障网络安全是一个亟待解决的问题。针对此,本文提出一种基于异卷积神经网络的入侵检测方法,采用深度学习的卷积神经网络模型完成对入侵数据的特征提取,然后根据2种不同结构的卷积神经网络训练数据,从而得到最优模型,用以判断网络入侵。最后,使用KDD 99数据进行对比实验,验证本文方法的准确性和精确性。