基于变分自编码器的输送带煤量分级算法研究

为了能够高效精准地对煤矿带式输送机上的煤量进行分级,提出了一种基于变分自编码器(VAE)的输送带煤量分级算法。首先为了解决真实场景图像往往存在许多噪声信息的问题,利用VAE对图像进行重构处理,使图像更加光滑以减少噪声信息对后续分级的干扰。然后为了提升输送带煤量的分级精度,利用卷积神经网络(CNN)对重构后的图像进行分级预测。实验结果表明,相对于对比方法,此该算法在各评价指标上均有提升,同时重构图像能够保留原始图像的关键信息。     

车辆颜色和型号识别算法研究与应用

针对目前基于机器学习的车辆颜色和型号识别方法的识别准确率低问题, 提出基于卷积神经网络的车辆颜色和型号识别方法。该方法使用Darknet网络中YOLOv3(You Only LookOnce Version 3)算法对车辆图片的车脸进行检测与定位, 再对车脸区域使用车辆颜色和型号识别算法同时识别车辆颜色和型号, 这是对车辆多属性同时识别的方法, 不同于车辆单一属性识别的方法。在公开车辆数据集(Peking University Vehicle Datasets, PKU-VD)上进行实验, 实验结果表明, 车辆颜色和型号同时识别准确率为93.75%, 车辆颜色单一属性识别准确率为94.98%, 车辆型号单一属性识别准确率98.38%, 明显优于基于机器学习的车辆属性识别算法, 从而验证该算法是可行且有效的。最后将车辆颜色和型号识别技术应用在智能停车场收费系统中。     

结合改进CNN和双约束损失函数的叠前地震数据低频补偿方法

陆地深层、超深层地震资料低频信息缺失、地震资料分辨率低,影响后续地震资料的准确解释。基于模型驱动的低频补偿方法依赖严格假设且参数调整不灵活;卷积神经网络(CNN)对细微变化的特征提取能力有限且梯度变化不明显、网络易陷入局部最优,导致低频欠补偿或补偿精度低。为此,提出一种结合改进CNN和双约束损失函数的叠前地震数据低频补偿方法。为解决梯度消失问题,在不增加CNN计算复杂度的前提下,加入可直接学习输入与输出之间残差特征的网络单元(残差块),并采用批归一化处理,使网络对细微变化更敏感,从而提高网络训练效率。为解决梯度变化不明显导致网络过早收敛的问题,以网络输出与原始地震记录差异和相关度为优化目标,通过均方误差和皮尔逊距离的加权求和建立双约束条件的损失函数计算补偿误差,使梯度变化更明显以保证梯度下降过程可跳出局部最优,从而提高低频补偿精度。合成数据和中国西部X地区实际叠前地震数据低频补偿处理结果验证了该方法的可行性和有效性。与基于CNN低频补偿方法及反褶积结合宽带俞式低通滤波器的低频补偿方法相比,在补偿低频成分的同时不会破坏原始信号的中高频信息。     

基于图像处理与卷积神经网络的零件识别

为了提高零件识别的正确率和效率,提出了一种基于图像处理与机器学习的零件识别算法。首先对图像进行基于饱和度的灰度化;接着通过显著性增强、最大类间方差法(OTSU)的二值化和形态学闭运算求得二值图像;再以改进的种子填充法提取零件区域;最后通过图像关键点的尺度不变特征转换(SIFT)特征与卷积神经网络(CNN)模型相结合的方...     

一种非开关型快速随机脉冲噪声降噪算法

为提高现有开关型随机脉冲噪声（Random-Valued Impulse Noise,RVIN）降噪算法的降噪性能,提出了一种基于卷积神经网络的非开关型RVIN快速降噪算法（Fast Non-switching RVIN Denoising Algorithm,FNRDA）.首先,利用噪声检测器随机地检测给定噪声图像中少量不同位置处的像素点;然后,将检测为RVIN噪声点的个数除以被检像素点总数转化为噪声比例值;最后,根据噪声比例值调用相应预先训练好的非开关型卷积神经网络降噪模型,快速且高质量地完成图像降噪任务.实验结果表明：所提出的非开关型FNRDA算法在各噪声比例下的综合性能（降噪效果和执行效率）优于经典的开关型RVIN降噪算法,适用于图像恢复、信号检测、无线通讯等实时系统中.     

基于改进卷积神经网络的单幅图像超分辨率重建方法

对于重建图像存在的边缘失真和纹理细节信息模糊的问题，提出一种基于改进卷积神经网络（CNN）的图像超分辨率重建方法。首先在底层特征提取层以三种插值方法和五种锐化方法进行多种预处理操作，并将只进行一次插值操作的图像和先进行一次插值后进行一次锐化的图像合并排列成三维矩阵；然后在非线性映射层将预处理后构成的三维特征映射作为深层残差网络的多通道输入，以获取更深层次的纹理细节信息；最后在重建层为减少图像重建时间在网络结构中引入亚像素卷积来完成图像重建操作。在多个常用数据集上的实验结果表明，与经典方法相比，所提方法重建图像的纹理细节信息和高频信息能得到更好的恢复，峰值信噪比（PSNR）平均增加0.23 dB，结构相似性（SSIM）平均增加0.0066。在保证图像重建时间的前提下，所提方法更好地保持重建图像的纹理细节并减少图像边缘失真，提升重建图像的性能。     

基于改进SSD的高效目标检测方法

为改善一阶段目标检测算法检测精度较差的缺陷，提出一种基于SSD的高效多目标定位检测算法FSD。该算法主要从两个方面对一阶段目标检测算法进行改进：设计了一个更高效的密集残差网络，即R-DenseNet，通过采用一种更窄的密集网络结构形式，在保持特征提取容量的同时降低了计算复杂度，从而提高了算法的检测和收敛性能；改进了损失函数，通过抑制易分样本在损失函数中的权重，提高算法的鲁棒性，改善了目标检测中样本失衡的现象。采用Tensorflow深度学习框架部署网络，并在搭载Nvidia Titan X的Ubuntu上开展实验，实验表明FSD在COCO和PASCAL VOC这两个目标检测数据集上上都取得了最高的检测精度，其中FSD300D的检测精度相比SSD300有3.7%提升，检测相率比SSD有10.87%提升。     

自然光照条件下植被几何光学四分量的提取算法

目的 几何光学四分量是指在太阳光照条件下传感器所能观测的4个光学分量，即光照植被、光照土壤、阴影植被和阴影土壤。四分量是构成遥感几何光学模型的重要内容。在近地表遥感应用中，相机俯视拍照是提取四分量的一个途径。准确快速地从图像数据中提取四分量对植被冠层结构参数反演和植被长势监测具有重要意义。方法 植被与土壤二分量的识别是四分量提取的基础。目前大多数二分类算法在自然光照条件复杂时分类误差较大。本文基于卷积神经网络（CNN）和阈值法实现了多种二分类和四分量提取算法。阈值法中，使用SHAR-LABFVC （shadow-resistant algorithm：LABFVC）实现植被与土壤的二分类，并在此基础上应用二次阈值分割获取四分量，称为二次阈值法；基于CNN的方法中，采用U-Net架构，并使用RGB和RGBV数据进行训练得到U-Net和U-Net-V模型，前者完成二分类和四分量任务，后者只完成四分量提取实验。最后，对一种结合U-Net与阈值法的混合算法进行四分量提取实验。结果 本文在18幅图像（1 800个子图）数据上进行了实验，结果表明，与目视解译得到的四分量真值相比较，U-Net-V和混合法精度最高，具有相近的均方根误差（RMSE）（0.06和0.07）和相关系数（0.95和0.94）；二次阈值法与U-Net模型精度略低于上述两种算法，RMSE分别是0.08和0.09，相关系数均为0.88。在二分类实验中，U-Net的分类正确率是91%，SHAR-LABFVC为85%。结论 通过对比实验表明，在二分类问题中，U-Net可以更好地应对复杂自然光照条件下的数字图像。在四分量提取实验中，混合法和U-Net-V的结果优于U-Net与二次阈值法，可以用于提取四分量。     

基于双重金字塔网络的视频目标分割方法

针对复杂视频场景中难以分割特定目标的问题，提出一种基于双重金字塔网络（DPN）的视频目标分割方法。首先，通过调制网络的单向传递让分割模型适应特定目标的外观。具体而言，从给定目标的视觉和空间信息中学习一种调制器，并通过调制器调节分割网络的中间层以适应特定目标的外观变化。然后，通过基于不同区域的上下文聚合的方法，在分割网络的最后一层中聚合全局上下文信息。最后，通过横向连接的自左而右结构，在所有尺度中构建高阶语义特征图。所提出的视频目标分割方法是一个可以端到端训练的分割网络。大量实验结果表明，所提方法在DAVIS2016数据集上的性能与较先进的使用在线微调的方法相比，可达到相竞争的结果，且在DAVIS2017数据集上性能较优。     

一种基于雷达图表示的数值型数据的CNN分类方法

卷积神经网络（convolutional neural networks， CNN）是一种广泛用于分析视觉图像的分类方法.由于数值数据存在着非线性、耦合性等复杂的空间关系，因此基于CNN的数值型数据的研究较少.本文的目的是找到一种可行的方法，将CNN的应用领域扩展到数值数据.于是提出了一种基于雷达图表示的数值型数据的CNN分类方法（Radar-CNN）.该算法首先将数值数据表示成雷达图形式，然后将其输入CNN中构建分类模型.为了进一步研究特征尺度和序列对性能的影响，提出了两种改进算法Rank Radar-CNN和SFS Radar-CNN.为了验证所提算法的有效性，引入TE化工过程数据集进行实验测试并比较，实验结果表明Radar-CNN及其改进算法具有优异的性能.