基于卷积神经网络的视频烟雾探测追踪技术研究

摘 要：火灾探测预警技术是有效降低火灾损失、辅助扑救火灾,保护人民生命财产安全的重要技术保障,是对烟雾进行探测较为有效的手段之一。目前,大部分烟雾探测报警装置主要设置于室内空间场所,仅具备探测和报警功能,同时误报率相对较高,也无法同步传递实时视频画面信息,对室外空间区域也无法进行探测。针对上述情况,基于视频监控系统对烟雾进行实时探测研究。通过对CNN架构进行改进,在EfficientNet中加入残差模块Res-EfficientNet,更精准的探测和识别烟雾。通过STRCF实现对烟雾的精度定位。为提高探测准确率,还考虑了烟雾偏振传输特性,如烟雾的扩散和半透明状态。为了能够更好地探测视频中的烟雾,将空间频率的能量作为滤波器的一维约束项,在基准数据集上进行了试验,试验结果表明,准确率提高了3%。     

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...     

基于改进2DCNN的高光谱遥感图像处理研究

针对传统遥感图像处理中的时间成本和人工成本高、效率低等问题,以提高遥感高光谱图像分类中的处理速度、精度,降低参数量为目标,提出改进的2DCNN模型En-De-2CP-2DCNN.首先,使用1DCNN、2DCNN与3DCNN在Pavia University HSI数据集上分别进行分类实验,对比分析各自优缺点.其次,在保持较快的处理速度和不增加模型参数量的前提下,选择2DCNN为基础模型,参考SegNet的Encoder-Decoder结构,融入双卷积池化思想进行基础模型改进,同时优化学习策略.结果表明:En-De-2CP-2DCNN模型F1为99.96％,达到3DCNN的同等水平(99.36％),较改进前(97.28％)提高2.68个百分点;处理速度(5 s／epoch)和1DCNN位于同一量级,快于3DCNN(96 s／epoch);参数量(2.01 MB)较改进前降低了1.54 MB,虽高于3DCNN(316 KB),但远低于1DCNN(19.21 MB).En-De-2CP-2DCNN模型在处理速度和参数量方面的改进,有利于进一步实现移动端的轻量化部署.     

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3D CNN的肺结节假阳性筛查模型

通过肺部CT影像进行肺结节检测是肺癌早期筛查的重要手段,而候选结节的假阳性筛查是结节检测的关键部分.传统的结节检测方法严重依赖先验知识,流程繁琐,性能并不理想.在深度学习中,卷积神经网络可以在通用的学习过程中提取图像的特征.该文以密集神经网络为基础设计了一个三维结节假阳性筛查模型—三维卷积神经网络模型(TDN-CNN)...     

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CNN的人体姿态识别

姿态识别是人机交互中重要的研究课题之一，随着机器学习与神经网络的发展，研究的方式和成果趋于多样化，姿态识别的应用价值也日趋广泛。本文通过构建卷积神经网络模型，该模型共有11层，在对采样的数据集中5种人体姿态进行卷积与池化操作，最后进入全连接层进行分类，从而完成对数据集的训练和识别。结果显示，相较于机器学习方法，该模型的识别性能更加优秀，且免去了复杂的特征提取方式设计，让网络自身提取特征进行识别分类，效果更好。     

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。