基于卷积神经网络的人群密度分析防踩踏系统

随着城市化进程的加快,节日聚会等大型活动越来越多,在这种人群密集的环境中,人民群众的生命安全受到很大的威胁。鉴于此问题,提出了一种基于卷积神经网络的人群密度分析防踩踏方法,利用已有的人群计数手段CAN人群计数模型和ShanghaiTech数据集,辅以计算图片中场景的实际面积,实现了图片中人群密度的识别,并按照3种不同的密集程度划分预警状态,给出相应的防范措施,以达到防踩踏的目的。实验结果表明,本系统对于防止人群密集程度过大导致的踩踏事故具有较大的可行性和较高的可靠性。

基于密度聚类模态分解的卷积神经网络和长短期记忆网络短期风电功率预测

近年来,随着碳达峰和碳中和“双碳”战略目标的提出,风力发电已成为可再生能源发电的关键部分。为提高风电功率短期预测的准确度,提出基于密度聚类与自适应噪声完备集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和卷积神经网络与长短期记忆网络结合的短期风电功率预测方法。首先,利用密度聚类将风电功率与天气特征分成不同类别的数据集,通过自适应噪声完备集成经验模态分解算法将不同类别的数据进行频域分解得到子序列分量。以此为基础,将不同的子序列分量与天气特征进行特征选择,输入到卷积神经网络与长短期记忆网络的预测模型。最后,将不同的预测结果进行叠加得到最终的预测结果。整个预测过程通过聚类、分解和特征选择,有效提高了短期风电功率预测的准确度。

基于多源数据融合与卷积长短期记忆神经网络的聚合物挤出过程熔体密度监测方法

聚合物挤出过程中熔体密度是影响产品质量的关键因素。由于挤出加工过程的高温、高压复杂工况,寻求能准确、在线监测聚合物挤出过程中熔体密度的方法是一个具有挑战性的问题。尽管基于机器学习的质量监测方法提供了一种解决方案,但在聚合物挤出加工过程中,由于数据类型、工艺参数、操作环境等多变性因素的影响,传统的机器学习方法可能难以捕捉聚合物加工中不同输入参数和输出质量参数之间的复杂关系,使得监测任务难以获得理想的准确性。本文提出了一种基于多源数据融合与卷积长短期记忆神经网络(CNN–LSTM)的熔体密度监测方法,用于在线监测聚碳酸酯–丙烯腈–丁二烯–苯乙烯共聚物(PC/ABS)共混体系的熔体密度。首先,通过实时采集安装在挤出机模头处的近红外、拉曼及超声3种传感器数据,对3种传感数据进行预处理并融合后作为输入;然后,通过合理设计的网络结构,构建CNN–LSTM监测模型,利用CNN的特征提取能力与LSTM的预测能力,最终实现对聚合物共混过程中的熔体密度的实时监测。基于独立开发的多源传感数据实时采集装置获取的数据,利用所提方法对PC/ABS共混挤出过程的熔体密度进行实时监测,结果表明:本文方法能够准确监测聚合物熔体密度,其在测试集上的均方根误差和决定系数分别为0.975 5、0.006 3 g/cm3,比传统的卷积神经网络方法、长短期记忆网络方法、岭回归方法、偏最小二乘回归方法、多层感知机方法和支持向量机回归方法具有更高的预测精度;本文方法的10次输入平均预测时间为1.523 5 s,能够满足实际生产过程的实时监测。综上所述,所提出的基于多源数据融合与CNN–LSTM的熔体密度监测方法显著提高了聚合物挤出过程中熔体密度的实时监测精度,为挤出过程中聚合物的质量提供了可靠的技术支持。

卷积神经网络下的复杂场景人群计数算法研究

针对复杂场景,提出了一种基于注意力机制的多尺度融合算法,用于解决复杂场景中的人群计数问题。算法利用卷积神经网络(CNN)进行特征提取,引入通道和空间注意力机制以提高背景和人头目标的识别性能,并自适应校正位置信息。通过卷积池化金字塔和多分支特征融合结构,实现了多尺度特征的优化。采用联合损失函数,包括欧式几何距离损失函数和人数损失函数,提高了人群计数的准确性。实验结果表明,在CNN的运行环境下,该算法在平均绝对误差(MAE)和平均方误差(MSE)等评估指标上优于近年来的主流人群计数方法,对partA和partB数据集都取得显著改进。

基于卷积神经网络的实时人群密度估计

针对传统实时人群密度估计方法存在误差大、分类效果不佳等缺陷,提出了基于卷积神经网络的实时人群密度估计方法。通过对比4种常见网络结构:Alex Net、VGGNet、Goog Le Net和Res Net的准确度与实时性,选择综合性较好的Goog Le Net作为人群密度估计的模型,利用关键帧截取技术实现人群密度的实时估计并简要分析人群密度特征图。最后用实例验证了该方法的实时性与准确度,证明了其可行性。

基于深度神经网络的机会性CT骨质疏松筛查和骨密度预测研究

目的建立并评价基于机会性CT检查的骨质疏松筛查分类和骨密度值预测的深度学习神经网络模型。方法以定量计算机断层扫描(Quantitative Computed Tomography,QCT)骨密度测定为标准,将199例机会性CT检查数据用于建立密集卷积网络的深度学习神经网络的骨密度二分类模型和骨密度值预测回归模型,以五折交叉验证和随机分组的方法进行测试,并以来自不同设备的42例机会性CT检查病例进行独立测试,计算和评价模型的性能参数。结果受试者工作特征(Receiver Operating Characteristic,ROC)曲线显示:骨密度二分类模型的测试集和独立测试集的ROC曲线下面积均值分别为0.974、0.938,测试集的F1得分、召回率、精准度、特异性、准确度均≥0.91,独立测试集的上述评价参数均>0.862。在训练集、测试集和独立测试集上,骨密度值预测回归模型的平均绝对误差分别为1.42、8.52和13.89,均方根误差分别为1.93、10.80、20.36,预测值与QCT骨密度值呈极强正相关。结论基于机会性CT检查的深度学习神经网络模型对骨密度正常和降低具有较强的分类能力,且可较准确地预测骨密度值,避免多余的辐射风险,减少时间、经济消耗,有效扩大骨质疏松筛查的范围。

基于卷积神经网络的樟子松木材密度近红外预测模型优化

近红外光谱分析技术在木材密度的预测方面具有独特的优势,是一种方便且快速的无损检测技术。卷积神经网络作为经典的深度学习模型之一,能够利用卷积和池化操作提取数据中的特征映射进行学习,与传统的学习模型相比具有更强的模型表达能力。为此将卷积神经网络用于近红外光谱预测木材的气干密度,以樟子松为研究对象,获取样本木材横切面的近红外光谱数据,采用杠杆值与学生化残差t检验(HLSR)法剔除奇异样本,采用SGS+MC+Auto(Savitzky-Golay smoothing+mean centering+autoscaling)对光谱数据进行预处理,通过竞争性自适应重加权算法(competitive adaptive reweighted sampling method,CARS)对特征波长进行提取,构建卷积神经网络模型,预测樟子松的气干密度;并与偏最小二乘回归(partial least squares regression,PLSR)、支持向量机(support vector regression,SVR)和BPNN(backpropagation network)神经网络的预测结果进行对比。结果表明,当校正集比例小于0.65时,模型预测结果略低于PLSR模型。但当校正集比例大于0.7时,卷积神经网络(convolution neural network,CNN)模型的预测精度优于其他模型,且随着训练样本比例的增加,模型的性能和稳定性也随之提升。研究表明CNN可以显著提高近红外预测木材气干密度的模型精度,实现基于近红外技术的木材密度有效预测。为木材气干密度无损检测提供了理论基础和科学依据。

基于深度时空卷积神经网络的人群异常行为检测和定位

在对公共场所人群异常行为的检测中,传统的检测手段存在准确率低、训练样本缺失等问题,为此,本文提出了一种基于深度时空卷积神经网络(Deep SpatioTemporal Convolutional Neural Network, DSTCNN)的人群异常行为检测与定位方法。根据视频监控中人群的行为特点以及静态图像等多种特征,将二维卷积扩展到三维空间,能够更好地定位人群异常行为,同时将视频分成若干个区域,在所获取的区域采集数据样本后,将样本数据输入设计的深度时空卷积神经网络中进行训练和分类,有利于更进一步地实现对人群异常行为的检测和定位分析。

基于多信息卷积神经网络的人群密度估计

针对现有人群密度估计方法在实际应用中容易受到环境干扰、适应性不强等限制,提出一种基于多信息卷积神经网络的人群密度估计方法。首先,根据样本数据的特点生成数据密度图标注与数据增强;然后,为适应不同真实场景的巨大差异,提取图像的色调、色饱和度、灰度(H SG)信息作为训练数据的输入,并利用共享卷积层、结合两个子网络不同卷积深度的特征构建网络模型;最后,对网络输出的密度图进行积分,得到相应的人数。与主流方法对比,在Shanghaitech数据集上进行的相关实验证明了所提方法的良好性能。

基于并行卷积神经网络的人群密度估计方法

人群密度自动估计是智能视频分析的研究内容之一.目标之间相互遮挡、背景复杂等因素影响了人群密度估计的准确性.随着数据规模的不断扩大,深入学习已经成为数据处理中非常有用的工具.本文提出了一种并行卷积神经网络模型,对人群密度进行估计并分类.首先,将图片进行分块并将之作为并行卷积神经网络的输入;然后,基于不同区域采用不同的卷积核提取不同的特征,并进行特征融合;最后,将其进行分类,并得到分类结果.实验表明:该网络具有较好的学习及分类效果和较高的运算速度,对人群密度能够进行较为准确和快速的估计.

基于改进的卷积神经网络的人群密度估计

人群密度估计是视频监控的一个研究热点,为了得到更为准确的估计率,将卷积神经网络应用到人群密度估计中。卷积神经网络在特征提取时能够高效自适应学习深层次的特征,体现了其在深度学习领域的优越性,但在预处理时会出现振荡现象,且卷积层与子采样层间特征图的大小匹配会影响计算速度和时间。对此,提出离散小波变换替换卷积神经网络中的子采样层,并对网络中的权重矩阵进行重新计算,通过权重自适应改善预处理时的振荡现象,提高卷积网络中特征图大小的匹配度,并将之应用到人群密度估计,以有效地提高数据间的相关性,增强网络的学习能力,提高人群密度等级分类的准确率。实验结果表明,改进后的网络具有较好的学习及分类效果和鲁棒性,对人群密度能够进行较为准确和快速的估计。

基于深度卷积神经网络的人群密度估计方法

人群密度自动估计作为人群控制和管理的方法,是当前视频监控中的一个重要研究领域。现有的方法通过提取复杂的特征来进行人群密度估计,由于人群遮挡、透视效果和环境复杂等条件限制,难以满足实际应用中的需求,而深度卷积神经网络在特征学习上具有较强的能力。提出了一种基于深度卷积神经网络DCNN(Deep Convolution Neural Network)的方法来进行自然场景下人群密度估计。首先,为了消除摄像机透视效果,以图像中行人身高作为尺度基准,将图像分成多个子图像块。其次,设计一种新的深度卷积神经网络结构,利用多种不同的卷积核提取人群图像的深层次特征进行人群密度估计。实验结果证明该方法在自然场景下人群密度估计具有良好的稳定性和鲁棒性。

基于深度卷积神经网络的田间麦穗密度估计及计数

小麦的最终产量可由单位面积的小麦麦穗数侧面反映,为了快速准确统计小麦麦穗数,该研究给出一种在单幅图像上利用深度卷积神经网络估计田间麦穗密度图并进行麦穗计数的方法。首先对采集的田间小麦图像进行直方图均衡化及阈值分割预处理,以减少图像中光照及一些复杂背景对计数的影响;然后根据灌浆期田间小麦图像麦穗密集的特点,引入拥挤场景识别网络(Congested Scene Recognition Network,CSRNet)构建麦穗密度图估计模型,并采用迁移学习方法,利用小麦图像公开数据集对模型进行预训练,再用所采集的小麦图像数据集进行模型参数调整和优化;利用得到的模型生成单幅小麦图像的麦穗密度图,根据密度图中所有密度值的总和对图像进行麦穗计数。最后根据对单幅麦穗图像的试验数据,构建田间麦穗计数函数模型,实现田间小麦麦穗数估计。通过对所采集的安农170、苏麦188、乐麦608和宁麦24这4个品种共296幅小麦图像进行试验,平均绝对误差(Mean Absolute Error,MAE)和均方根误差(Root Mean Squared Error,RMSE)分别为16.44和17.89,4个品种小麦的麦穗计数值与真实值的决定系数R^2均在0.9左右,表明该方法对单幅图像小麦麦穗计数精度较高。此外,通过对田间小麦麦穗数进行估计试验,结果表明,随面积的增大麦穗估计的误差越小,研究结果可以为小麦的产量自动估计提供参考。

用于人群密度估计的多级融合卷积神经网络

针对数据集中的大目标和小目标难以同时检测、深层语义信息与浅层细节信息难以同时处理等问题,提出了将VGG16中不同尺寸特征图进行融合的多级融合卷积神经网络,以获得信息含量更大的特征图,更加准确地估计人群密度情况。选用VGG16作为骨干网络,将骨干网络中两个不同尺寸的特征层进行融合,并使用多通道空洞卷积,从不同大小感受野获取信息。通过多层级多通道的信息融合,网络框架接受信息的能力得到增强。为了验证模型的性能,提供了ShanghaiTech数据集的测试结果。研究结果表明,该网络框架回归的密度图更加精准,人群密度估计结果更加准确,具有更加优越的鲁棒性。

基于卷积神经网络的高效量子态层析方法

通过系统梳理多种量子态层析技术的重构算法,并结合MATLAB数值模拟,比较并分析了线性重构与回归估计、极大似然估计,以及基于深度神经网络量子态层析方法的重构效果.结果表明:基于卷积神经网络重构算法在1~3量子比特时,能够用较短时间均实现>99.5%的保真度;相较于其他经典重构算法,基于卷积神经网络重构算法在算法复杂度及保真度上具有显著优势;又因其对复杂模型具有较好的拟合能力,且辅助解决了估计密度矩阵中出现负本征值的问题,使得重构所得估计密度矩阵全部具有物理意义.

面向人群计数的对偶卷积神经网络

基于卷积神经网络(CNN)人群计数方法的核心是如何构建能将人群图有效映射为密度图的CNN模型,进而从密度图准确地估计出人群数量.传统构建CNN的方法只考虑了人群图到密度图的映射,并未考虑密度图到人群图的映射,以及该映射对模型性能的影响.为了解决以上问题,提出一种基于卷积神经网络的对偶模型(Dual Convolutional Neural Networks,DualCNN)以提高模型将人群图映射为密度图准确性.DualCNN包含有两个映射子模型:1)将人群图映射到密度图的卷积神经模型,2)将密度图映射到人群图的对偶卷积神经模型.在学习过程中,通过两个子模型的相互影响,进而达到提高卷积神经模型在人群计数问题上的性能.在UCF_CC_50数据集和ShangHaitech数据集上的实验结果表明,该方法能有效提升CNN的计数性能,尤其在UCF_CC_50数据集中,DualCNN将MCNN和CSRNet的平均绝对误差(MAE)分别降低15.6%和15.8%,最小均方误差(MSE)分别降低18.1%和28.8%.

基于一维卷积神经网络结合便携式拉曼光谱特级初榨橄榄油掺假定量分析

针对造假手段的不断提升的现状及廉价的橄榄果渣油很可能成为特级初榨橄榄油掺假的潜在原材料等问题。因此,本研究重点围绕深度学习算法辅助非接触式无损伤光谱检测技术量化特级初榨橄榄油的掺假行为。将过期橄榄果渣油和特级初榨橄榄油按不同体积比例混合,从而制备出不同浓度的掺假混合油品。使用785 nm便携式拉曼光谱仪对这些混合油品进行拉曼光谱采集,并结合一维卷积神经网络算法建立掺假量化模型。采用密度泛函理论基于B3LYP/6-31+G(d,p)基组计算亚油酸分子的理论振动光谱,以进一步解析特级初榨橄榄油的拉曼光谱。结果表明,基于具有深度结构的前馈神经网络与785 nm便携式拉曼光谱技术联用的技术方案是定量分析植物油掺假的有力工具,80个混合油品的4000条光谱数据量化模型的决定系数均优于0.97,其中评价模型测试集定量分析的决定系数达到了0.9704,均方根误差小于0.0499。该技术在快速评估特级初榨橄榄油掺假方面具有很好的应用潜力,为规范国内橄榄油市场和维护消费者合法权益提供了一种有益的参考方案。

一种基于多尺度融合卷积神经网络的人群计数方法

人群间的相互遮挡和多变的空间尺度是基于单幅图像人群计数算法面临的主要挑战。近年来,基于深度学习的人群计数算法在该问题上取得了显著的成效,然而越来越深的网络结构给模型的训练和应用带来了困难。为了解决上述问题,提出了一种基于多尺度融合卷积神经网络(multi-scale fusion convolution neural network,MSF-CNN)的人群计数方法。方法采用三列不同大小卷积核的卷积神经网络来提取不同空间尺度的图像特征,同时在网络结构中引入融合层将提取到的特征进行融合并求取密度图,最后对密度图积分求和得到人群数量。在ShanghaiTech数据集及UCF_CC_50数据集上的实验结果表明,该方法能够适应复杂的场景,有效减少人群间相互遮挡和空间尺度的变化对计数结果的影响,同时模型易于训练,明显优于现有人群计数方法。

基于卷积神经网络的多尺度融合特征图在人群密度估计中的应用

提出了一种以Unet++为基础的卷积神经网络,适用于人群密度估计。该网络的优点是用并行连接的方式进行多尺度融合,结合浅层网络的细节信息和深层网络的高阶语义信息来消除两者之间过大的语义鸿沟。此外,还引入了膨胀卷积来提高网络性能。在Shanghai Tech和UCF_CC_50两个通用人群密度估计数据集上进行实验,选取平均绝对误差(MAE)和均方误差(MSE)作为评价指标。实验结果表明,在这两个数据集上该网络均有效降低了MAE和MSE,说明其在人群密度估计方面有较好的准确度和鲁棒性。

基于卷积神经网络进行电影院人群分布统计

基于传统算法检测人脸提取特征来预测人的性别和年龄,构建一种基于卷积神经网络(Convolutional Neural Network,CNN)的电影院人群分布统计模型.该模型包括人脸检测模型和卷积神经网络模型两部分,根据性别和年龄对人群进行精确分类,从而得到电影院人群的分布,为电影院投放电影提供可靠的依据.在Adience公开数据集上的实验结果表明:该模型对于电影院人群分布统计的准确率高达77.92%.