基于深度学习Caffe框架的瓜蒌子完整度检测方法

为了进一步发展农业方向的自动化、无人化,改善在农产品检测方面使用人工检测的速度慢、精度低、费时费力的现状,为了降低图像处理中计算所使用的数据量,同时也为了提高图像信息的易读性,将构建瓜蒌子图像采集系统获取与环境颜色对比度明显的待检测瓜蒌子图像。利用深度学习Caffe框架中的深度卷积神经网络模型对瓜篓子完整度进行综合识别,使用了深度学习Caffe架构中的深度卷积式神经网络模型对瓜篓子的完整程度进行了综合辨识。结果得到瓜篓子整齐程度的综合识别率,再与支持向量机语言(SVM)的加以对比。深度学习Caffe架构下的深度卷积神经网络模式的识别率,相对于支持向量机器(SVM)的方式进行了提升,且成效更加突出。

Caffe深度学习框架下的电力系统异常数据智能捕获研究

文章基于Caffe深度学习框架构建了一种电力系统异常数据智能捕获系统,从自动化协议栈的多层架构、异常数据拷贝及数据捕获映射条件等方面进行具体异常数据智能捕获分析,验证了该体系的实际异常数据处理量及处理效率等。

基于Caffe深度学习框架的车牌数字字符识别算法研究

在车牌字符识别的某些场合中,获得的字符通常存在切割不均匀、光照对比度强烈、遮挡严重等强噪声污染.针对被强噪声污染的数字字符,提出一种基于Caffe深度学习框架的字符识别算法,在Caffe框架下搭建卷积神经网络,并对网络参数训练获得了一个鲁棒性强、识别精度高的网络结构.实验结果表明,在低噪声、中度噪声、强噪声污染情况下,文章中提出的方法相比当前典型的识别方法,在数字字符识别上均具有较好的识别能力,平均识别率高出将近5%,而在强噪声污染情况下,识别效果具有更加明显的优势.

深度学习框架Caffe在图像分类中的应用

2006年深度学习的提出为机器学习领域带来新的革命,深度学习的成功不仅依赖于理论和模型上的突破,也离不开大数据环境下的海量训练样本以及不断革新的先进计算技术。在GPU被应用于科学计算之前,神经网络特别是大型神经网络的训练时间往往令人生畏。GPU特别适应于并行计算的特性给神经网络的训练速度带来数十倍的提升。开源的GPU计算框架也不断地推陈出新,推动深度学习在各方面的应用,Caffe就是其中的一种。由于简单易用、性能强大,Caffe框架受到了广泛的认可。利用Caffe框架对印章类型进行识别,所采用的两种模型都取得极好的实验效果,对印章的自动识别提供新的参考。

基于Caffe框架的人脸定位与识别系统的设计

人脸识别是生物特征识别的重要内容,其应用范围也越来越广,如手机的人脸解锁,支付宝的刷脸支付和公共区域的犯罪分子检测等。文章提出了一种基于Caffe框架的人脸定位与识别系统的设计方法。该方法中的人脸定位采用多任务卷积神经网络(Multi-task convolutional neural network,简称MTCNN),并基于Caffe框架实现卷积神经网络(Convolutional Neural Networks,简称CNN)来对人脸进行分类与识别,采用YouTube以及Labeled Faces数据集作为实验数据集,实现了人脸定位和人脸识别功能,取得了较好的定位与识别效果。

基于深度学习框架Caffe的路面裂缝识别研究

近年来,大规模训练数据和GPU的出现使得长期受到冷落的深度学习重新进入人们的视野。深度学习在图像分类上表现出极高的性能,Caffe作为深度学习的开源框架因其强大性能且简单易用而广受推荐。在路面破损检测中,提前对破损图像和完好图像进行分类可以极大提高检测系统性能。文章利用caffe框架对破损图像进行识别取得了较好的实验效果。

基于Caffe的猪肉新鲜度分级的设计与实现

为了提高猪肉新鲜度检测的实时性,提出了基于Caffe框架与ResNet残差神经网络的猪肉新鲜度分级的新方法。根据理化试验结果将猪肉的新鲜度分为7级,并在理化试验前拍摄对应的猪肉照片作为样本进行网络训练。在网络训练完成后分别用同源和异源样本图片对系统分级准确率进行验证,结果显示系统分级的准确率均达到95%以上,说明该系统能够很好地对猪肉新鲜度进行分级。与传统的理化试验检测新鲜度的方法相比,在保证了分级准确率较高的同时,检测过程简单、实时性高、无损,是一种更高效的猪肉新鲜度分级方法。

基于Caffe深度学习框架的标签缺陷检测应用研究

本文根据深度学习模型智能化的特点,提出了一种基于Caffe框架的深度学习缺陷检测模型,该模型的创新点主要表现在使用Dropout函数在图像特征抽象过程中,不断地踢除提取到的一般特征点,保留有效特征点,从而提高模型的分类识别率。实验结果表明,该方法的分类识别率高达97. 66%。与传统深度学习标签缺陷检测算法相比,该研究更加注重图像有效特征的提取,很大程度上提高了模型检测准确率,同时无需进行复杂的模板制作,实现方法简单,适应性强。

基于投影法和Caffe框架的身份证分割算法

身份证的识别关键在于对身份证字符良好的分割提取,对身份证图像进行预处理,其中包括:图像矫正、增强、分块处理。结合行列投影、身份证先验知识和Caffe框架实现对身份证图像的分割。该分割方法有效地解决了数字和汉字混合的分割难题,取得了较好的分割效果,提高了字符分割准确率。

基于Caffe的生姜病害识别系统研究与设计

以自然环境下采集到的生姜病害图片为基础,对炭疽病、姜瘟病、根结线虫病和白星病进行研究分析,提出一种基于卷积神经网络的生姜病害识别系统。首先是对收集来的图片进行二值化和轮廓分割等预处理,从而增强数据的可靠性。其次,将处理后的图像数据交由优化后的卷积神经网络模型进行分析、学习,并在Caffe框架下进行模拟仿真。最后,在已训练好的网络模型基础上利用Qt软件设计人机交互界面,从而达到数据可视化提高系统使用的便捷性。结果表明优化后的模型识别率达到了96%,可以较好地预测和识别生姜的相关病害。

基于Caffe卷积神经网络的大豆病害检测系统

以常见的大豆病害图片为样本,研究分析了大豆的叶斑病、花叶病、霜霉病和灰斑病,并利用卷积神经网络技术设计了针对大豆的病害检测系统。通过对病害图片的二值化和轮廓分割等预处理来获得神经网络模型的训练集,并在此基础上对模型进行了多方面的优化,利用Caffe框架对优化后的网络模型进行了识别率等方面的实验验证。此外,为提高模型使用的便捷性,本实验使用了Qt软件为该系统设计了人机交互界面,从而进一步实现了数据可视化。

基于“神威太湖之光”的Caffe分布式扩展研究

随着深度学习的快速发展,其规模越来越大,需要的计算越来越复杂。分布式扩展技术可以有效提高大规模数据的处理能力。基于神威太湖之光超算平台对深度学习框架Caffe进行分布式扩展研究,对比同步方式下参数服务器分布式扩展方法和去中心化的分布式扩展方法。实验表明,同步方式下,去中心化的分布式扩展方法相比参数服务器分布式扩展方法在通信效率方面具有明显的优势,对特定的模型通信性能提高可达98倍。

基于卷积神经网络Caffe框架的图像分类

2013年贾扬清博士在Github上发布了一款深度学习框架"Caffe",为众多研究人员和工程师们提供了一套简单易用且性能强大的深度学习开源框架。本文首先对Caffe框架简单介绍,其次阐述深度学习中应用的卷积神经网络原理,最后介绍如何利用Caffe框架进行图像分类。

基于Caffe的图像分类技术框架

计算机技术水平的不断提高为深度学习理论的成功实践提供了必要的技术基础,互联网大数据时代可以为深度学习框架提供数量巨大的训练样本。Caffe作为GPU计算框架的一种,可以有效提高神经网络的训练效率,促进深度学习应用范围的拓展。Caffe框架凭借其出色的综合性能和简单的操作方式受到了各界的青睐。本文就基于Caffe的图像分类技术框架进行了分析。

异构并行平台的Caffe推理速度提升方法

随着计算机硬件性能的提高,目前在个人终端上也开始出现使用预训练机器学习模型进行推理的运用.Caffe是一款流行的深度学习框架,擅长图像分类等任务,但是在默认状态下只能单核运行,无法充分发挥异构并行计算设备的计算能力.深度学习对于计算性能的要求较高,如果能并行化以充分使用所有计算设备,就能提升计算速度和使用体验.由于CPU和GPU的计算性能之比在不同模型下存在差异,因此不能简单将任务均分到多个计算设备.而任务拆分过多或者需要等待多设备完成任务后同步的调度算法会引入更多开销.因此,还需要设计合适的调度算法减少设备空闲时间,才能获得更好的性能.已有一些提高Caffe并行表现的方法,但是对于具体平台有限制且使用难度较高,无法简单充分利用异构并行计算设备的计算能力.本文将Caffe接口扩展,使得自定义程序可以调用异构并行平台的多核或多计算设备使用Caffe进行深度学习推理.接着将目前已有的多种调度算法运用到此类任务上并考察了运行效果.为了减少已有调度算法的同步开销,本文提出了先进先出调度和快速分块调度两种新的算法.测试表明,使用快速分块调度算法结合异构并行计算设备,Caffe的推理速度相比只使用单个CPU核心或者单个GPU都大幅提升.而且,相比已有调度算法中表现最好的HAT算法,本文提出的快速分块调度算法在MNIST和Cifar-10两个数据集上分别减少了7.4%和21.0%的计算性能浪费.

基于Caffe的并行绘制系统帧绘制时间预测

在具有多个绘制节点的并行绘制系统中,负载均衡算法起到至关重要的作用,直接影响到并行绘制系统的工作效率和系统资源的利用率。传统方法利用基于绘制历史所预测下一帧的绘制时间来作为负载均衡算法的负载划分依据,这种方法在突变场景中负载估计准确度较低。针对基于绘制历史算法中的问题,采用深度学习的方法来预测下一帧绘制的时间。该方法通过采用Caffe深度学习框架,首先采集并行绘制系统中影响负载的数据,然后输入采集到的数据集训练和测试设计的神经网络模型,最后在预测下一帧绘制时间时,调用训练好的模型实时获得下一帧的绘制时间。通过实验验证,深度学习方法提高了突变场景中下一帧绘制时间预测的准确度,并且预测所需时间满足了并行绘制系统的实时需求。该方法在预测准确度和预测耗时方面都达到的并行绘制系统负载平衡能够接受的范围。

基于Caffe的路面裂缝识别研究

随着中国高速公路发展从大规模建设阶段向大规模养护阶段的转变,高效和自动化的路面破损检测技术具有越来越重要的研究意义和应用价值。本文通过对裂缝图片进行预处理,利用caffe进行训练,实现了一套裂缝识别的算法模型,并通过对比实验证明了该模型能有效的提高路面裂缝识别的准确率。

深度学习框架Caffe在图像分类中的应用探析

深度学习框架Caffe是一种新型图像分类工具,不仅可以提升图像分类速度,而且可以提升图像分类精确度。因此,笔者以Caffe在图像分类中的应用为切入点,阐述了Caffe基本结构,从脚本下载、算法设计、模型设计3个方面,对Caffe在图像分类中的设计进行了适当探析。

基于异构多核平台的Caffe框架物体分类算法实现与加速

随着深度学习的快速发展,神经网络和深度学习算法已经广泛应用于图像处理。基于FPGA的神经网络加速设计,搭建了以快速特征嵌入的卷积结构(Caffe)框架、卷积神经网络为核心的物体识别系统,该系统使用Zynq-7000系列异构多核架构芯片实现。完成了神经网络模型与参数的移植、多层结构的神经网络构建、计算密集度分析以及硬件加速设计。结果表明,设计的基于异构多核平台的Caffe框架物体分类系统实现了物体的识别和分类,且识别速度远超传统CPU架构的识别速度,从而为后续的深入研究提供一种新思路。

基于caffe的三种花的分类

从网上下载3种花的图片,利用基于Caffe的卷积神经网络进行分类,比较了5种深度神经网络的分类效果。证明了在这种情况下通过对原始训练样例采用平移技术来增加训练样例数能显著地提高了分类效果,分类准确率提高11%,损失函数从0.88降到0.57,Kappa值从0.63升到0.75。