多比例车辆目标的分类识别

应用卷积神经网络(CNN)进行车型分类识别时,系统研究了车辆目标在图像中的比例变化对CNN识别率的影响,发现比例过大或过小都会降低识别率。针对这种影响,研究和分析了卷积核尺寸、堆叠卷积结构和加入批归一化(BN)层对多比例车辆目标的识别效果。建立了6个具有不同目标比例的数据集,分别测试经典CNN模型Lenet-5和构建的4个不同结构的CNN模型。以Lenet-5的实验结果为参照,并对比不同模型的实验结果,研究了不同层次结构对消除目标比例影响的作用。其中表现最优的模型能够把识别率的波动稳定在1.0%以内,最高识别率为97.33%。多种目标比例混合后测试模型,发现CNN对于目标比例为50%的样本识别率最高。实验结果为CNN在车辆目标分类识别的研究和应用提供了参考价值。

水泥磨台时产量阶段性下降的应对措施

1工艺流程及主要设备参数 我公司有两条HFCG160-140辊压机＋Ф4.2m×13m双闭路水泥联合粉磨生产线,设计生产能力170t/h。主要生产P·O42.5水泥,水泥质量控制指标比表面积385m2/kg,45μm筛筛余2.0%以内,水泥配比：熟料78.0%、炉渣4.5%、脱硫石膏5.6%和矿渣微粉11.9%（采用磨尾掺加）。该粉磨系统的工艺流程见图1,主要设备配置情况见表1。

基于卷积神经网络的高光谱遥感地物多分类识别

在进行遥感图像多分类识别时,针对使用传统方法遇到的分类模型特征提取困难、分类精度不理想、分类种类少等问题,研究了卷积神经网络(CNN)模型在高光谱遥感地物多分类识别中的可行性及不同CNN模型对高光谱遥感地物多分类的识别效果。从ISPRS(International Society for Photogrammetry and Remote Sensing)提供的Vaihingen及Google Earth中采集数据,制作了包含6类地物的数据集一。在此基础上增加10类地物制作数据集二,再增14类地物制作数据集三。在预处理图像数据之后,通过设置神经网络结构、调整模型参数、对比神经网络模型等,上述3类数据集的地物分类识别率均达到95%以上。通过分析不同CNN模型对高光谱遥感地物多分类识别效果的影响,证实了CNN模型在高光谱遥感地物多分类识别应用的可行性且具有较高的识别率。实验结果为CNN模型在高光谱遥感地物多分类识别中的应用提供了一定的参考。

复杂背景下车型识别分类器

细粒度车型图像的类间特征差异小,在复杂图片背景中识别干扰因素多。为提高模型在复杂背景中对图像的特征提取能力和识别准确度,提出了基于支持向量机(SVM)和深度卷积神经网络(DCNN)的分类器集成模型Softmax-SVM。它将交叉熵代价函数与hinge损失函数相结合,代替Softmax函数层,减少了过拟合的发生。同时,设计了一个10层的DCNN提取特征,避免了手工提取特征的难题。实验数据集为复杂背景下的27类精细车型图像,尤其还包含同一汽车厂商的相近车型。实验结果表明,在不进行大量预处理的前提下,Softmax-SVM分类器识别269张测试样本能够获得97.78%的准确率,识别每张样本的时间为0.759s,明显优于传统模式识别方法和未改进前的DCNN模型。因此,基于DCNN的Softmax-SVM分类器能够适应环境的复杂变化,兼顾识别精度与效率,为复杂背景下的细粒度车型分类提供了实际参考价值。