基于大数据集域自适应快速算法的图像特征智能识别模型构建

通常采用图像特征智能识别以提高对图像高频成分的识别度。基于大数据集域自适应快速算法构建图像特征智能识别模型。在图像特征智能识别模型构建过程中,对于图像特征智能识别过程中容易产生伪图像特征识别、细节性模糊与图像特征智能识别的不间断性问题,使用大数据集域自适应快速算法可以提高图像特征智能识别的效率。经过实验表明,基于大数据集域自适应快速算法的识别特征模型能够有效提升微小图像特征平均识别率,且鲁棒性较好。

基于人工智能的图像识别与分类技术分析

阐述深度学习原理以及关键图像处理步骤,探讨图像预处理、特征提取、分类器设计、分类决策与后处理等关键技术,通过一系列实验设计和结果分析,剖析不同技术在图像处理中的性能表现。

砂样岩屑图像特征的岩性智能高效识别

在录井过程中,岩屑的岩性分析主要依靠人工,效率较低且稳定性较差,难以在钻进地层过程中快速识别岩性变化。为此,提出基于砂样图像中颗粒岩屑纹理、色泽和形状等特征的岩性智能识别方法。首先,计算砂样图像的像素值梯度并求取颗粒质心,采用分水岭算法获取颗粒岩屑轮廓线并标记;然后,采用图像分割算法从砂样图像中分离出待检测的单个颗粒岩屑图像,建立颗粒岩屑图像样本库;最后,利用注意力机制及特征融合模块改进MobileNetV2网络,提取颗粒岩屑特征并分类,实现单个颗粒岩屑图像岩性识别,进而获取砂样岩性成分比。该方法将以往岩性智能识别过程中常采用的砂样整体识别方式转变为对砂样中单颗粒岩屑的岩性识别,大幅度减少了颗粒岩屑之间的相互干扰。多个油气区块的砂样图像测试结果表明,该方法对灰岩、泥岩、砂岩和页岩的识别准确率均不低于92%,一组砂样图像岩性分析的用时小于10 s。

基于四叉树算法的智能实时图像识别模型设计与分析

图像识别与特征提取为图像处理中的基本技术,只是根据单一图像特征无法可靠、精准地描述图像信息。通过四叉树分裂合并特点,提出了基于四叉树算法的智能实时图像识别模型。通过四叉树实现图像区域分割,之后提取分割图像的颜色直方图信息,利用局部特征算法提取特融合特征信息,对图像特征信息进行识别。最后,实现此方法的实例仿真,结果表明提取完整特征能够将图像特征信息表示出来,而且冗余度比较小,尺度不变形。

基于特征增强的汽车发动机积碳程度识别模型

汽车发动机积碳的长期累积容易加速汽车老化,及时检测并清理可以有效延长汽车使用寿命。对此提出了一种基于视觉图像的积碳程度识别方法,首先针对积碳图像数据量小且类别分布不均的问题对数据进行预处理,其次基于积碳图像特征分布范围广及细粒度特点设计了一个特征重采样模块,从空间和通道两个方向加强特征表达,最后设计了一个轻量化的积碳程度识别模型方便检测部署。结果表明,与其他方法相比,该方法具有较高的预测速度,为179帧/s,且测试精度为84.5%,满足实际需求。

模型水轮机空化现象智能识别方法

为了更加准确地判断模型水轮机是否发生空化现象,提出了一种基于图像识别的模型水轮机多态图像智能识别方法。该方法通过机器预处理及二值化处理对目标水轮机转轮图像进行特征提取,并构造目标特征矩阵;将该目标特征矩阵与经专家库得到的修正系数或修正区间相乘后输入到空化识别模型中,并与模型中存储的模板图像的修正特征矩阵进行比对,实现模型水轮机的空化识别。工程应用结果表明:该方法的识别准确率约为80%,存在少许“错杀”现象,但可以满足使用要求;相较于现有方法,该方法不仅能提高水轮机空化识别的速度,还能提高识别质量,实现水轮机空化检测的智能化、数字化、简单化。

番茄早疫病可见光图像识别模型研究

以番茄为代表的茄科作物在全球经济作物中占据重要地位,番茄在其生长过程中易受多种病害的侵染,其中早疫病是严重危害番茄的一种病害,可造成番茄减产甚至绝收,因此番茄早疫病的防治工作对农业生产具有重要意义。为了能够快速、准确地识别出番茄早疫病,提出一种基于可见光图像结合深度学习技术检测番茄早疫病的方法。通过培养一批番茄植株,对其离体叶片接种茄链格孢菌,使接种样本感染早疫病,然后使用可见光图像采集设备连续采集样本的可见光图像,监测样本的变化,得出番茄叶片感染早疫病后的最早显症时间。通过归一化、背景分割、数据扩增和通道转换等方式进行数据预处理,并提取可见光图像颜色特征的一阶矩、二阶矩、三阶矩,同时结合对比度、差异性、同质性、相关性和角二阶矩等常见纹理特征进行深入分析,利用深度学习技术建立番茄早疫病的识别模型。结果表明,基于可见光图像结合深度学习技术检测番茄早疫病是可行的,建立的番茄早疫病识别模型准确率最高达到91.78%,使用该方法检测番茄早疫病具有检测速度快、识别精度高等优点。利用深度学习技术建立的番茄早疫病可见光图像识别模型可推广用于其他作物病害的检测,为作物病害的无人机遥感监测等应用场景提供技术支持。

基于多尺度特征和元学习的图像识别算法研究

在计算机视觉与图像识别技术中,随着输入分辨率的变化,卷积神经网络方法的识别效果也不同。多尺度特征学习可以将图像的精度和细节结合在一起,结合图像的多个尺度信息进行分析。元学习让计算机模拟人的大脑,学习如何去学习,可以更高效灵活地实现图像分类。因此,结合多尺度特征和元学习进行图像识别算法研究具有较高的研究价值。通过膨胀卷积产生了不同分辨率的输入图像;使用元学习产生不同输入分辨率下神经网络的卷积权重;对于不同输入分辨率的模型使用知识蒸馏。

环太湖蓝藻图像智能识别系统设计与应用

太湖部分地区蓝藻水华频发,对水生态环境和人类健康造成严重威胁。为提升蓝藻水华监测与预警能力,利用已建环太湖蓝藻视频监控资源,基于人工智能图像识别技术,依托AI开放平台,开展模型自动化训练和本地化布署;提出表观蓝藻水华强度分析评价体系,对模型识别成果进行加工应用、集成展示,构建环太湖蓝藻图像智能识别系统。结果表明:系统实现监控点表观蓝藻水华分布形态的在线识别与强度分析评价,使蓝藻调查由被动巡查转为主动监测和实时预警,大幅提高太湖蓝藻水华强度监测与预警能力,为其他类似环境监测问题提供可借鉴的解决方案。

基于YOLOv3的风电场目标图像识别智能巡检方法

设计一种基于YOLOv3的风电场目标图像识别智能巡检方法,利用搭载工业相机的无人机来采集风电场目标原始图像,通过直方图均衡变化和自适应增强方法,去除风电场目标图像中的噪声,完成风电场目标原始图像预处理。基于YOLOv3网络进行目标图像检测,通过卷积操作后,输出不同尺度特征图并进行融合。根据识别结果,进行故障判断、预警及相应处理,实现风电场目标图像识别的智能巡检。实验证明,该方法图像识别准确率较高,巡检效果良好。

基于Transform模型的图像识别与处理技术探索

文中提出了一种基于Transform模型的图像识别与处理技术,通过对图像进行变换和特征提取,实现了对复杂图像的高效识别和处理。首先,介绍了Transform模型的原理和应用背景,然后描述了基于该模型的图像处理流程,并通过实验验证了该技术在图像识别与处理领域的有效性。该研究成果为图像处理领域的进一步发展提供了新的思路和方法。

基于烧结机尾红外热图像特征的烧结完成度智能识别

烧结完成度是烧结热状态的直观体现,其精准识别对提升烧结过程稳定性和生产效率、降低烧结生产能耗具有重要意义。由于烧结现场生产环境恶劣,燃烧反应复杂,烟气和物料对流换热频繁,烧结完成度实时精准识别困难,目前仍依赖于“人工看火”。针对存在的问题,提出一种基于烧结机尾红外热图像特征的烧结完成度智能识别方法。该方法首先对红外热图像进行预处理,提出一种双阶段关键帧提取方法,获取受扬尘干扰小,红层完整清晰的关键帧图像;然后基于热图像RGB属性中R通道值变化趋势精准提取烧结红层ROI区域;并基于图像结构纹理分解挖掘隐含的料层信息,获取分区料层高度;设计并提取燃烧层高度占比分布等特征表征烧结完成度;最后构建DS-CEFNet智能识别模型,融合图像深层特征和手工设计的浅层特征,实现烧结完成度精准识别。结果表明,所提模型对烧结完成度的识别准确率达96%,具有良好的应用价值。

基于生物特征图像智能识别的安全系统技术建构应用--评《安全系统中的多模态生物特征识别与智能图像处理》

基于生物特征的图像智能识别在现实中已有广泛应用,如面容解锁、指纹解锁等技术在智能设备安全保护中较为常见,既为设备和用户提供了安全保障,又给安全识别带来了一定便捷。与传统密码安全保护方式相比,基于生物特征的图像智能识别安全技术优势更为明显,具有唯一性且不容易被窃取。信息时代,需要保护的个人设备和账号增多,且不少场所也需要快速识别用户身份安全并依此做出准入决策,因此,基于生物特征的智能图像识别处理技术具有现实应用价值。

基于智能图像的纸张微小破损特征识别

微小破损特征参数的进一步明确对于改进造纸工艺、优化造纸生产参数等方面都具有十分重要的作用。在此背景下,研究一种基于智能图像的纸张微小破损特征识别方法。针对采集到的待识别纸张的图像,实施灰度化、去噪以及对比度增强处理。基于CNN检测破损纸张图像,寻找存在破损特征的纸张图像。从存在破损特征的纸张图像中分割出破损区域,得到纸张破损局部图像。采用Roberts算子检测破损边缘轮廓并计算破损特征参数,包括破损边缘轮廓长度、破损面积、圆形度、矩形度。结果表明:纸张破损检测结果与人工实际检测结果一致,说明卷积神经网络能够准确检测出存在破损的纸张;所研究方法计算出了每种破损类型的具体特征参数,实现了纸张微小破损特征识别研究。

基于特征融合Transformer的EfficientNet v2网络对马铃薯叶片病害的识别

马铃薯叶片病害是影响马铃薯质量和产量的主要因素,为了能够快速准确地识别马铃薯叶片病害并采取对应的防控和救治措施,本研究提出一种新型马铃薯叶片病害识别方法。该方法利用EfficientNet v2网络提取图像特征,通过4个不同尺度的网络层进行金字塔融合,从而捕捉不同尺度下的图像细节和上下文信息,并在金字塔融合中的每个下采样环节都添加1个CBAM注意力机制模块,且每个CBAM模块后都加入Vision Transformer的Encoder模块进行特征增强,帮助提升所提取特征的丰富性和抽象能力,最后使用softmax进行分类。研究提出的模型识别准确率达到98.26%,相比改进之前提升3.47百分点,且其loss收敛更快,宏平均值与加权平均值都有明显提升。消融试验表明,该模型在各项指标上的表现最优,超过基线模型和融合模型,大幅提高图像分类识别任务模型的性能表现。该方法可有效提高病害区域的识别能力和检测准确率,且能在强干扰的环境下做到高精度识别,具有良好的鲁棒性和适应性,同时能解决病害识别中泛化能力弱、精度低、计算效率低等问题。

视频监控图像斑点特征智能提取与仿真

视频监控具有便捷、低成本的应用优势,但是摄像机获取的图像质量受环境影响较大,如当室外环境复杂或夜晚可视程度偏低时,很难及时获取监控异常情况。为此提出视频监控智能视觉图像斑点特征提取方法。利用智能视频监控系统采集视觉图像,通过图像灰度处理和图像二值化处理预处理采集到的视觉图像,将预处理后的视觉图像输入至视觉问答模型中,实现视频监控智能视觉图像斑点特征的提取。实验结果验证了所提方法提取的斑点特征与原图像具有一致性,可视化效果更好,且半点特征分布具有较高合理性,上述图像斑点特征提取方法应用下监控视频的图像分辨率更高,更利于监控视频的后续处理。

基于图像识别的矿山相似材料试验模型变形信息提取

相似材料模型试验是研究矿山开采沉陷及损害的重要手段,试验中获取高精度的模型变形信息至关重要,现有的多种模型变形测量方法在数据采集精度和效率方面仍存在一定的局限性。以陕北某矿的多煤层循环开采与充填开采为模型开展相似材料模拟试验,利用非量测相机近距离拍摄模型得到高分辨率的序列图像,通过图像畸变纠正、自动拼接及特征识别,高精度获取相似材料模型的变形量。首先分析模型测点标志和相机参数对变形测量精度的影响,确定最佳的模型拍摄方案,即使用非量测相机距离模型1.5~2.0 m处进行正射拍照,形成横向重叠度大于55%,竖向重叠度大于30%的图像序列;进一步利用双线性插值方法对所得到的图像进行畸变校正处理,运用全自动稳健的图像拼接算法,使用Harris角点检测算子进行特征点提取,利用RANSAC算法对伪匹配点进行分类处理,通过颜色插值法对接边处进行颜色过渡与平滑等一系列自动处理,从而对图像序列进行拼接,所生成的模型全景图像分辨率较常规的固定相机姿态一次拍摄模型全景的图像提高约10倍。图像处理过程中以测点标志为训练网络,基于Faster R-CNN算法加入置信度,通过选取合适的滑动模板进行区域分析,显著提高了测点标志的识别速率和准确率。结果表明,模型试验中测点坐标提取的精度优于0.027 mm,相当于实地测量精度5.4 mm,完全满足矿山相似材料模型试验要求。通过制作比例尺1∶200的试验模型,模拟分析了多煤层循环开采引起的上覆岩层变形破坏特征,地表最大下沉量达-18.937 mm;在采空区充填情况下,覆岩下部发生微弱变形,地表下沉不超过2 mm。试验结果为矿山相似材料模型试验数据的高效、精准采集提供了有效的技术手段。

基于图像特征的智能肺癌识别(英文)

提出一种基于图像特征进行计算机辅助医学诊断的智能算法.该算法使用神经网络技术有效地从彩色细胞切片图像中识别出肺癌细胞.首先,通过图像预处理和图像分割技术提取出切片图像中细胞的形状和颜色特征.接着,将这些图像特征输入训练好的肺癌分类识别神经网络,智能地识别出肺癌细胞.

一种改进的视觉词包模型的船舶识别方法

船舶识别在船舶贸易和军事活动中具有重要意义。目前的研究主要依赖于深度学习的方法,但这类方法对数据集规模和硬件要求较高,通常需要GPU等高性能硬件,限制了其在实际应用中的推广。针对这一挑战,提出了一种改进的视觉词包模型,用于快速识别船舶目标。首先利用SIFT和SURF方法提取船舶图像的局部特征,并将两种特征进行快速匹配和融合。随后,采用基于图论的方法确定图像的感兴趣区域(ROI),以减少背景的影响。接着,通过聚类算法将ROI区域内的特征转换为视觉单词,并构建视觉词典,从而用视觉单词直方图描述每幅图像。该方法还采用空间金字塔核式模型描述图像特征之间的空间关系,并通过支持向量机进行有监督的学习分类。在模型中,视觉词典的大小和分辨率水平是关键参数,通过实验对其进行了深入研究。当视觉词典大小设置为300,分辨率水平设置为2时,模型的准确率、精确率超过了96%,实验结果验证了该模型的有效性。

图像识别中的深度学习模型剪枝技术

为了探索用少量的图像数据指导模型剪枝,同时缩短确定裁剪哪些卷积核的时间,该文提出了一种基于卷积核输出特征图的和值的期望进行模型剪枝的策略。将少量的图像输入剪枝前的深度学习模型中,将同一层卷积核输出的特征图根据和值的期望进行排序,按照一定的剪枝率剪去较小期望值对应的卷积核。根据该文提出的模型剪枝策略,在3个通用的公开数据集CIFAR-10、CIFAR-100、ILSVRC-2012上进行了测试,并与目前主流的一些模型剪枝算法进行了对比。实验证明,该文提出的模型剪枝策略在VGG-16-BN上参数量压缩87.3%,每秒浮点运算次数(FLOPs)压缩78.6%,该模型在CIFAR-10上仍能达到93.19%的分类识别精度。在CIFAR-100数据集上,模型剪枝策略在ResNet-56上FLOPs压缩67%,仍能达到67.96%的分类识别精度。