基于三维卷积神经网络的高光谱图像分类

针对传统高光谱图像分类方法难以有效提取空间-光谱联合信息以及卷积神经网络难以有效关注到重要特征的现象,论文提出了基于卷积神经网络的3D-CNN结合CBAM注意力机制的高光谱图像分类方法。高光谱数据由于其高维性,给特征提取方面带来了困难,因此,论文采用三维卷积神经网络(3D-CNN)提取特征,结合视觉注意力机制使卷积神经网络更好地关注重要特征。通过在两个公共数据集上验证,证明论文方法能够取得较好的分类精度。

基于RPCA的皮革图像缺陷检测

提出了一种皮革视觉缺陷检测算法。通过分析皮革图像的低秩特征,将皮革图像缺陷检测问题转变为从低秩背景图像中分离稀疏矩阵图像。首先采用Gaussian高通滤波器对图像进行了预处理,然后利用鲁棒性主成成分分析(RPCA)对图像进行低秩稀疏分解,并采用效率较高的非精确增广拉格朗日乘子法(IALM)求解。对分解后的稀疏图像进行了后处理,最终在二值图像中获得缺陷的形状和位置。该算法的效率及准确率已经在实验中进行了验证,并与现有算法进行了比较。实验表明,该算法可以用来检测各种不同种类和大小的缺陷,检测准确率高且能够提供完整的缺陷掩模。

基于粒子群优化BP神经网络的超声波缺陷位置预测

海洋设备的无损检测对于保障设备安全使用至关重要,由于设备所处的海洋环境特殊,要实现对海洋设备缺陷位置的准确估计难度较大。论文提出了一种基于粒子群优化BP神经网络(PSO-BP)预测设备缺陷位置的方法。通过模拟了海洋检测环境,用钢板作为实验对象,用超声波探伤仪对缺陷钢板进行了数据采集,获取了水下钢板的实时数据。通过粒子群算法对BP网络进行优化后对数据进行分析,对比缺陷出现的实际位置和预测位置,证明了粒子群优化的BP神经网络对于超声波检测的缺陷出现位置具有较好的预测效果。