基于卷积神经网络LeNet-5的车牌字符识别研究

将卷积神经网络LeNet-5引入到车牌字符识别中。为了适应目前中国车牌字符识别的需要,对传统的卷积神经网络LeNet-5的结构进行了改进,主要是改变输出单元的个数与增加卷积层C5特征图的个数。研究结果表明,改进后的LeNet-5比传统的LeNet-5的识别率有所提高,识别率达到98.68%。另外,与BP神经网络进行了比较研究,从实验中可以看出在字符识别的正确率和识别速度上都优于BP神经网络。卷积神经网络在车牌识别中具有很好地应用前景。

基于卷积神经网络LeNet-5的货运列车车号识别研究

针对货运列车车号字符识别,提出了基于卷积神经网络Le Net-5的改进识别方法,考虑到卷积神经网络的层次化以及局部领域等结构特点,对网络中各层特征图的数量及大小等参数进行相应的改进,形成了适用于货运车号识别的新网络模型。实验结果表明,该方法对车号的断裂、污损等问题的解决有较强的鲁棒性,达到了较高的识别率,为整个车号识别系统的精确性提供了保障。

基于改进的卷积神经网络LeNet-5的车型识别方法

针对现有车型识别算法的耗时长、特征提取复杂、识别率低等问题,引入了基于深度学习的卷积神经网络(convolutional neural network,CNN)方法。此方法具有鲁棒性好、泛化能力强、识别度高等优点,因而被广泛使用于图像识别领域。在对公路中的四种主要车型(大巴车、面包车、轿车、卡车)的分类实验中,改进后的卷积神经网络LeNet-5使车型训练、测试结果均达到了98%以上,优于传统的SIFT+SVM算法;另外,还研究了改进网络中的Dropout层对车型识别效果的影响。与传统算法相比,经过改进后的卷积神经网络LeNet-5,在减少检测时间和提高识别率等方面都有了显著提高,在车型识别上具有明显的优势。

基于权重分摊的LeNet-5卷积神经网络防御策略

随着神经网络在自动驾驶、医疗诊断等关键领域的应用不断深入,如何确保神经网络的鲁棒性和安全性已成为当前研究的热点和挑战。在对抗攻击、数据中毒攻击、后门攻击等众多攻击方式中,随机翻转攻击是一种对安全性影响极大的攻击,其通过改变模型内部的权重参数来攻击网络,以降低网络性能。为应对此攻击方式,研究了一种基于权重分摊的防御策略。通过计算和分析权重的梯度来确定关键神经元,并为这些神经元添加冗余结构,使错误的权重最终被稀释,以提高模型的容错能力。为了验证这一防御策略,以LeNet-5模型为实验对象进行实验。实验表明,在相同的攻击条件下,经过防御后的模型相较于原始LeNet-5模型,容错精度提升了6.5%,相较于Inception-LeNet-5模型在全连接层上容错精度提升了1.9%。

基于改进YOLOv5卷积神经网络的SAR图像目标识别

提出一种改进YOLOv5网络,并将其用于SAR图像目标识别。为了优化网络性能,文中进行了三个方面的改进:使用宽度比和高度比作为标注框之间的距离度量,并采用k-means聚类方法生成先验锚点框,作为预测框优化时的框尺寸初始值;改进框回归损失函数,引入Scylla交并比来代替竞争性交并比,以提高对密集分布目标的定位精度;改进置信度损失函数,使用焦点损失来替代二元交叉熵,以提高在复杂背景下的目标识别精度。基于MSAR数据集,选择了YOLOv3、常规YOLOv5作为对比网络,进行了大量的SAR图像目标识别实验。实验结果表明,相比两种对比网络,改进YOLOv5网络对各种目标均具有更高的识别准确率、召回率和F1值,以及更高的综合指标平均精度值和平均精度均值。

基于卷积神经网络的5G 移动通信干扰信号检测

针对5G移动通信信号中存在干扰影响通信性能的问题,提出基于卷积神经网络的5G移动通信干扰信号检测方法。融合软、硬阈值函数优点改进小波阈值函数,对包含干扰信号的5G移动通信信号进行去噪处理,通过傅里叶变换构造时频图并归一化处理,采用引入动量的随机梯度下降算法,训练改进的卷积神经网络,输入归一化后时频图,最终输出干扰信号检测结果。实验结果表明,所提方法去噪能力更强、训练损失更小、训练精度和检测精度更高。

应用双通道卷积神经网络的交通标识识别方法

针对交通标识识别问题,传统的LeNet-5网络结构对于交通标识识别准确率低,识别速度慢,并且忽略天气等自然因素的影响。通过卷积神经网络技术,提出一种基于LeNet-5改进的双通道、多尺度的网络结构模型。在双通道结构中每个通道包含两个分支结构,且每个通道的卷积个数和图像尺度不同,通过不同尺度图像的特征提取,使图像特征变得更为丰富。其次,改进后的网络结构大大增加卷积核的个数。最后,通过更改Sigmoid激活函数为ReLu激活函数,更改随机梯度下降算法为Adam算法,并添加Dropout层来防止过拟合,从而提高交通标识识别率。改进网络的识别率为98.6%,上下浮动0.5%,相对与传统的LeNet-5网络结构,识别率提高15%以上,验证得出改进的网络结构具有一定的鲁棒性。

基于卷积神经网络的手写数字识别技术研究

手写数字识别与我们的生活和工作息息相关,传统的人工判断手写数字方式需要耗费大量精力,并且存在准确性不高和时效性不能保证的弊端。为解决这一问题,采用卷积神经网络方法来进行手写数字识别。首先将MNIST数据集划分为训练集与测试集,其次在MATLAB上搭建训练LeNet-5与AlexNet两种卷积神经网络模型,之后将测试集导入模型,测试性能,最后再将验证集导入验证模型性能。实验结果表明,AlexNet模型对验证集识别率高于LeNet-5模型,且AlexNet模型的稳定性优于LeNet-5。

基于高精度传感器和卷积神经网络的智能灌溉系统研究

为了实现智能精准灌溉,以STM32为主控板,将基于卷积神经网络图像识别技术应用在灌溉系统中.结合EC-5土壤水分和温度传感器来检测土壤的湿度和实时温度,利用图像识别技术对土壤不同的干旱情况下植物叶片状态的识别.通过结合农作物叶片状态和土壤的湿度情况进行精准灌溉.在Keil5中完成各个功能模块的软件设计,通过主控板将采集到的数据与设定值做对比,实现对植物的精准灌溉.同时,用户可以在手机端上实时观察土壤湿度和植物的状态,也可以通过手机端进行远程操作.经测试,本系统可以实现对植物的精准灌溉.

采用经量级卷积神经网络的电力线路故障检测方法

针对目前基于深度学习的电力线路巡检中目标检测速度慢、准确率低的问题,提出了一种采用经量级卷积神经网络的电力线路故障检测方法,对销钉缺陷、绝缘子自爆以及鸟巢这三种常见故障进行检测。在YOLOv5(You Only Look Once v5)算法的基础上,首先使用Ghost模块设计轻量级网络,减小网络的参数量和计算时间,提高了线路巡检的实时性;其次,利用跨层级联的方式改进特征金字塔,更好地融合特征,提高了网络的精度;最后,使用CIoU Loss损失函数加快网络的收敛速度。经过实验验证,原来的YOLOv3模型和YOLOv5模型进行对比,巡检平均精度均值提高了3.49%和1.23%,巡检时间分别降低了10.752ms和5.577ms,验证了方法的有效性。

基于卷积神经网络的遥感图像目标分类

近年来,大量对地观测遥感卫星被成功发射并在轨运行,无人机等新型遥感平台也在不断发展更新,传统的人工目视解译已不能满足遥感影像解译在效率和精度方面的需求,深度学习在遥感影像处理方面表现出较好的可靠性和高效性。基于深度学习的遥感影像地类识别技术数据处理及特征提取能力较强,能够有效提升识别精度,使地类信息获取更加智能化,因而被广泛应用于遥感影像地类处理。遥感影像应用的核心和关键是遥感影像解译,遥感影像大数据时代智能解译提供了新的解决方案,已经成为测绘遥感学科发展的重要驱动力量。本文就遥感影像分类开展研究,首先介绍了本文所使用的DOTA数据集和YOLOv5算法,其次,建立遥感影像识别的YOLOv5项目工程,并且设置算法的关键参数;最后,根据识别结果与可视化面板对模型进行分析。遥感图像信息容量大、各类地物交错复杂,在识别方面有一定的挑战。本文的研究结果对遥感技术更好的应用提供了基础,为人类生活提供更多帮助。

基于LeNet-5卷积神经网络的物探野外手写数字识别方法与实现

物探队野外采集作业时,往往需要野外操作手拍摄作业过程,其中包括当前作业位置的桩号信息,以此来协助室内质检人员对采集的视频数据进行质检工作。传统质检工作常常是由质检人员观看野外作业视频,通过查看视频中所展示的桩号信息是否正确,从而完成该项质检内容,上述质检流程浪费了大量的人力、物力,质检效率较低。本文详细介绍了LeNet-5卷积神经网络模型,并在此基础上利用Matlab软件,实现了对LeNet-5模型的训练和测试。通过训练效果图和测试结果可以看出,LeNet-5卷积神经网络模型可以快速、准确的识别物探工区手写数字,具有较好的准确性、时效性和可重复性。

基于Lenet-5的卷积神经网络改进算法

在当前语音识别和图像识别领域,卷积神经网络已经取得了很大的成功。现有的Lenet-5卷积神经网络是多层网络结构,但是大量实验表明,从全链接层到输入层的回调影响了最终的精度,特别是在有限数据量的情况下。因此提出了单层回调的Lenet-5算法,即在Lenet-5卷积神经网络的卷积层后添加一个临时输出层,与真实标签进行比较,根据误差函数对层间参数进行回调,并用全球手写数字MNIST数据集进行训练和测试。实验表明,即使在有限数据量的情况下算法的精度仍能得到提高。

基于深度卷积神经网络的甲状腺超声图像良恶性结节识别方法研究

目的探讨深度卷积神经网络在甲状腺结节超声图像的自动检测和良恶性分类中应用价值。方法回顾性选取1012幅甲状腺结节的超声图像并对其进行标记,构建YOLOv5网络模型,精准定位甲状腺结节所在位置并自动裁减结节所在区域,同时构建GoogLeNet网络模型对裁减后结节的图像进行良恶性分类。结果在所采集的数据集中,目标检测网络对甲状腺结节位置检测的平均精确度均值为96.2%;分类网络对良恶性结节分类的敏感度为0.885,特异度为0.822,准确度为0.866,AUC值为0.92,显著高于AlexNet模型(AUC=0.81)、VGG模型(AUC=0.86)和MobileNet模型(AUC=0.76)。结论深度卷积神经网络模型对超声图像中的甲状腺良恶性结节具有较高的定位和识别能力,有助于提高影像自动诊断的准确性。

基于改进的LeNet-5卷积神经网络交通标志的识别

针对目前现有交通标志识别算法耗时长、识别率低等问题,提出了一种改进的LeNet-5卷积神经网络模型(Improved LeNet-5 Convolutional Neural Network,ILN-CNN).首先,对原有的LeNet-5卷积神经网络模型构造2个相对独立的不同卷积核的子卷积网络,用于加快特征提取;其次,增加子网络中卷积核的个数,以增强网络区分不同交通标志的能力;最后,添加激活函数ReLU,增加Dropout层,以达到加快函数收敛,避免CNN过度拟合,降低神经元间互适应的效果.实验结果表明:与传统的系统结构相比,ILN-CNN对交通标志的识别准确率达到93.558%;比BP神经网络模型、支持向量机分类算法分别提高了12.206%和4.018%,并且在识别时间上具有一定的优势.

基于实值时间卷积神经网络的功放预失真研究

为了实现传输速率高达千兆比特每秒(Gbps)的目标,5G通信系统需要更宽的传输带宽和更高的调制度,这些对射频功放的线性度提出了更加苛刻的要求。必须对功放的非线性进行线性化。文中构建了一种基于实值时间卷积神经网络(Real-Valued Temporal Convolutional Networks,RVTCN)模型的数字预失真器。RVTCN模型利用扩大因果卷积(Dilated Causal Convolution, DCC)提取功放的当前时序信息,把记忆信息存储在残差块(Residual Block,RB)中,不断获取时序特征并保存于网络中。为了验证RVTCN线性化的性能,文中采用了100 MHz带宽的5G NR信号,对中心频率3.5 GHz的Doherty功放进行了预失真线性化实验验证。实验结果表明:该RVTCN模型具有射频功放的动态非线性行为建模能力,其归一化均方误差可达-40 d B;RVTCN预失真器对测试功放的相邻信道功率比(ACPR)改善可达19.5 d B左右。

融合注意力机制的YOLOv5深度神经网络杂草识别方法

在YOLOv5深度神经网络基础上融合CA注意力机制,设计了田间杂草自动识别模型。对不同天气、不同背景下拍摄的包含农作物的杂草图片进行背景分割和数据增强等预处理后,利用深度卷积神经网络进行特征提取,采用随机梯度下降进行模型训练,并与YOLOv4、SSD、Faster R-CNN等方法进行对比实验,改进后的杂草模型具有更强的分类和检测能力,基本解决杂草与农作物相似度较高的问题。实验结果显示,融合CA注意力机制的YOLOv5的杂草识别模型大小为14.1 MB,识别精度达到0.911,召回率为0.950,F1为0.88,平均准确率为0.904,单张杂草图像检测平均耗时仅为20 ms,整体性能最好。模型能够准确识别出独立、与农作物交叉和贴近等不同空间位置的长茎尖叶杂草,为作物生长精准管理和田间精准喷药提供技术支持。

基于改进SPP-x的YOLOv5神经网络水稻叶片病害识别检测

针对YOLOv5模型在水稻病害叶片检测计算复杂度高,计算速度慢的问题,提出一种基于改进SPP-x的YOLOv5模型水稻病害叶片识别检测方法。首先,将原主干网中SPP模块中3个不同尺寸(5×5、9×9、13×13)的MaxPool层替换为3个尺寸相同的5×5 MaxPool层连接,后面通过1×1卷积层来调整输出特征维数,再将YOLOv5网络中优化器替换为Adam,从而构建新的YOLOv5网络结构。通过试验比较SGD和Adam优化器在训练集上的收敛速度,结果表明:改进后的SPP-x模块在运算时间上仅是原SPP的50%,计算精度值达到97%,mAP_0.5和mAP_0.5:0.95两项指标分别收敛于0.983和0.822。试验发现改进SPP-x的YOLOv5模型单张图像检测速度0.34 s,效果良好,能够有效地辅助水稻病害识别。

一种改进的LeNet-5卷积神经网络算法

LeNet-5卷积神经网络是一种手写数字识别的模型。其通过对输入数据的卷积、激活和池化操作,提取特征值,以达到图像分类。文章在卷积神经网络优化原则的基础上,提出了改良的LeNet-5卷积神经网络模型,该模型优化了激活函数,使用全连接层代替了最后的卷积层,提高了计算速度和稳定性。选取MNIST作为数据集进行了实验,该改进模型的实验结果表明,具其备更好的辨别精度。

基于LeNet-5卷积神经网络的车牌字符识别

针对车牌字符类别多、背景复杂等特点,以卷积神经网络LeNet-5模型为基础,通过去除全连接层F6层以及增加卷积层C1和C3层特征图的数目改进网络结构,通过字符分割,大小归一化、去除噪声、二值化、字符区居中、去除复杂背景等预处理,构建神经网络模型。结果表明:简化后的LeNet-5神经网络模型比传统的LeNet-5神经网络模型更为简单,其车牌字符识别算法准确率为99.96%。该研究对提高车牌字符识别的准确性提供了一定的参考。