基于深度卷积神经网络的织物花型分类

针对织物纹理花型人工视觉分类效率低的问题,提出一种基于深度卷积神经网络(CNN)的条状、格子和波点纹理织物的识别分类方法.首先,建立由条状花型、格子花型和波点花型织物组成的图像样本集和标签数据集.然后,分别建立了基于GoogLeNet和AlexNet两种卷积神经网络的织物花型分类模型.最后,通过模型评价指标选择最优的训练迭代期.实验结果表明,利用深度卷积神经网络分类织物花型是可行有效的.

基于GoogLeNet的色织物花型分类

针对色织物花型人工视觉分类效率低的问题,提出了一种基于深度卷积神经网络(CNN)的色织物花型图像识别分类方法。构建了18种类别的色织物花型图像样本数据库,建立了基于GoogLeNet的色织物花型分类深度卷积神经网络,并通过实验分析选择最优的训练迭代期与学习率。结果表明利用深度神经网络分类识别色织物花型是可行、有效的。

基于离散余弦变换特征和隐马尔科夫模型的铜熔炼过程烟雾分级

为实现铜熔炼过程除尘风机转速的自动调节,提出了基于图像分析技术的烟雾浓度分级方法。通过采样窗对烟雾图像从上至下进行采样,形成时间序列,对每个采样子图进行离散余弦变换(DCT)特征提取,提取的系数视作该时刻隐马尔科夫模型(HMM)隐含状态产生的的观测值,一幅图像则分割成一个完整的HMM序列。通过对4种工况分别建立HMM,每种工况各用30幅图像训练估计模型参数,再对待测烟雾样本图像进行分类。实验结果表明,采用HMM分类的准确率最高可达95%,优于最小二乘支持向量机(LSSVM)的识别效果。