一种向量场卷积外力加速的GAC模型

结合参数活动轮廓模型和几何活动轮廓模型的优势,提出一种向量场卷积(VFC)外力加速的侧地活动轮廓(GAC)模型。利用外力场优势,通过引入基于VFC力场的双向边界吸引力和自适应膨胀力,自适应地调整模型曲线的演化方向。实验结果表明,该模型可以克服参数活动轮廓模型不能处理拓扑结构变化的问题,避免传统GAC模型曲线单边演化的现象,能够提取深度凹陷的目标边界,对初始轮廓不敏感,对图像噪声和弱边界具有较高的鲁棒性。

一种基于改进卷积神经网络的玉米病害高效识别模型

目的:针对深度学习模型在玉米病害识别过程中存在精确度低、综合性能差等问题,提出一种改进的卷积神经网络模型,以期取得更好的识别效果。方法:构建由4个卷积层、4个最大池化层和3个全连接层组成的玉米病害识别模型,利用Dropout策略、L2正则化、早停法等优化网络,通过设置不同的初始学习率和批大小,对复杂环境下的6种典型的玉米病害进行分类试验研究,并与LeNet、AlexNet和GoogLeNet网络模型进行性能对比。结果:改进优化后的模型在玉米病害测试集上的识别准确率达到了98.27%,较改进前提高1.25%,单幅图像的平均识别时间缩短了0.0077 s。与对比模型相比,新模型的识别时间最短,测试准确率比LeNet、AlexNet分别提高了15.52%、4.81%,损失值分别减少了0.8052、0.1578,性能曲线变化更平稳。结论:该模型具有识别速度更快、泛化能力更强、鲁棒性更好、识别精度高等特点,为玉米病害的精准高效识别提供了新的方法。

基于改进区域全卷积网络的电网图像自主识别及运行态势感知模型研究

针对基于先验特征的电网图像自主判读机制存在的诸多不足,提出了一种基于改进区域全卷积网络的电网图像自主识别及运行态势感知模型。首先构建电网运行图像特征数据池;然后构建电网运行图像异常特征全息感知机制;最后实现电网运行异常态势精准感知。模型效能分析结果表明,模型可以自主学习辨识换流站运行图像异常特征知识,换流站运行图像异常自主识别均值准确率达93.27%,换流站运行异常态势感知均值有效率达96.65%,为电网一线运维工作者提供了良好辅助。

改进的参数活动轮廓模型

为扩大参数活动轮廓模型外力场的捕获范围,消除噪声对弱边界分割的影响,文中结合参数活动轮廓模型和卷积向量场的优点,提出了一种新的参数活动轮廓模型.该模型通过Harris矩阵得到梯度图像,依据局部区域的均值和方差估计噪声的概率,进而确定参数活动轮廓模型和卷积向量场的作用权重,最后得到一个全局向量场.合成梯度图像和医学图像的仿真实验结果表明,文中模型能够准确地分割出图像目标,具有一定程度的抗噪性.

一种改进的VFC Snake模型

为了克服VFC(vector field convolution)Snake模型对图像弱边界的泄露问题,对其作了两点改进:a)重新定义了向量场核的模,有效降低了VFC外力对向量模参数的敏感性;b)综合利用VFC外力和图像势能力,给出动态VFC外力。随着模型曲线的形变,不断调整外力,使得曲线精确定位到目标边界上。最后通过实验证明了改进后的VFC Snake模型对噪声具有鲁棒性、对参数变化不敏感,且能够收敛到图像弱边界处。

卷积神经网络模型研究分析

文章讲述卷积神经网络的思想、基础知识,介绍了经典的卷积神经网络的方法,引入了卷积神经网络的最新改进方法,并对各个模型架构进行了分析,最后,通过实验,展示了多种方法性能,为研究者选择模型进行科研和教学提供了依据。

基于卷积神经网络的入侵昆虫识别研究

现有昆虫相关识别算法识别种类较少,缺少针对数量庞大种类众多的入侵昆虫分类识别算法,难以为入侵昆虫综合系统的识别功能提供稳定高效的技术支持。该研究对31类入侵昆虫图像进行数据采集,并对图像数据进行处理与数据集划分,基于四种卷积神经网络模型DenseNet121、MobileNetV3、ResNet101和ShuffleNet对其进行训练测试分析讨论。结果表明,在入侵昆虫综合识别系统识别功能后台算法应用上,MobileNetV3表现出更好的综合性能。根据MobileNetV3模型现有缺陷和模型特性,对MobileNetV3模型指定瓶颈层的注意力机制和激活函数进行改进,改进后模型的准确率为92.8%,单张测试集图像的平均识别时间0.012 s,相较于原MobileNetV3模型分别提高0.5%、缩短15.2%,可以很好满足多昆虫识别分类需求。

基于改进LeNet-5模型的木材表面典型缺陷识别方法研究

针对传统木材缺陷识别方法效率低、精度不高及泛化能力差等问题,对传统LeNet-5模型进行改进:通过分别增加卷积层和池化层的层数至4层,以增加网络深度;采用批量归一化算法,以解决内部协变量位移过拟合的问题;改用Leaky Relu函数作为激活函数,并加入稀疏分类交叉熵作为损失函数,使用Adam作为优化器,来优化网络模型。应用改进LeNet-5模型对辐射松木材常见缺陷(结疤、裂痕)及无缺陷样本集进行识别试验,结果表明:相对于传统LeNet-5模型以及VGG19、AlexNet、ResNet-50三种经典模型,改进LeNet-5模型的训练集准确率最高为99.87%、验证集为99.43%,运算时间缩短,木材缺陷识别精度和效率提高。

基于改进全卷积网络的皮肤病变图像分割

针对皮肤病变图像在病变区域的形状、纹理、与周围未发生病变区域对比度相对较低等因素,提出一种基于改进全卷积网络的皮肤病变图像分割算法。采用全卷积网络提取皮肤病变图像的形状纹理等特征,引入Jaccard-Diceloss损失函数解决皮肤病变图像中病变与背景区别过大的问题,进一步提高整体的分割性能。对输入皮肤病变图像进行预处理,使用VGG16模型对改进全卷积网络进行微调训练及测试。通过实验得到各项皮肤病变图像分割结果的评估指标值,其结果表明,改进全卷积网络对于皮肤病变图像的分割效果最优,在其它医学图像分割问题上有极大的应用前景。

基于深度学习及改进模糊KMeans的寻常型银屑病智能诊断方法

为了解决寻常型银屑病在样本分布不平衡的数据中可能会导致的深度学习模型诊断效果下降等问题,通过结合改进模糊KMeans聚类算法对高聚类复杂度数据的处理能力以及Visual Geometry Group 13(VGG13)深度卷积神经网络模型的预测能力,提出一种基于改进模糊KMeans聚类算法的VGG13深度卷积神经网络(VGG13-KMeans)模型,并将其应用于寻常型银屑病的诊断任务中。实验结果表明,相较于VGG13以及ResNet18两种方法,本文方法更适用于对银屑病特征的识别。

基于改进ConvNeXt模型的压气机变几何系统T-step预测方法

为了实时监控航空发动机压气机变几何系统的状态并获取警告信号,提出一种基于改进ConvNeXt模型的T步(T-step)预测方法。与仿真数据和特定试验条件下生成的数据集相比,T-step预测方法采用了飞机数据采集系统记录的实际飞行数据。证实了采用改进ConvNeXt模型预测压气机变几何系统参数的可行性,并在发动机过渡状态和稳态下分别进行了试验验证。结果表明:采用改进ConvNeXt模型的T步(T-step)预测方法能精准地预测压气机VSV角度和VBV开度的变化,最低可达2.132°和7.077°,预测误差在可接受范围内。该方法能识别和预测各类型航空发动机不同运行状态的变几何系统参数的角度,获得相对准确的结果。

基于MISSA-CNN-BiLSTM模型的尾矿坝位移预测

为应对尾矿坝位移预测所面临的复杂情况和精度要求,提出一种基于多算法耦合的尾矿坝位移动态预测模型。首先,基于时间序列分解模型将累计位移分为趋势项和周期项,利用高斯回归时间序列预测模型预测趋势项位移;然后,运用不同Copula函数研究诱发因素与周期项位移的整体相关性,鉴于周期项位移影响因素多样性与强非线性的特点,采用多策略融合的改进麻雀搜索算法改进麻雀搜索算法(MISSA)-卷积神经网络(CNN)-双向长短期记忆(BiLSTM)模型预测周期项位移;最后,将高斯回归趋势项位移预测值和MISSA-CNN-BiLSTM周期项位移预测值叠加。结果表明:尾矿坝累积位移预测值与实测值基本一致,预测结果相关性系数R为0.996,均方根误差(RMSE)为0.13 mm,建立的MISSA-CNN-BiLSTM多算法耦合模型预测精度较高,且能较好地预测尾矿坝位移的阶跃型变化。

Snake参数轮廓模型的构建与改进

本文以Snake参数轮廓模型的构建与改进作为主要研究课题,首先对Snake参数轮廓模型进行了构建,而后基于当前模型存在的局限对Snake参数轮廓模型进行了改进及仿真,获得了很好的分割效果。

基于微型YOLOv3的煤矸识别模型改进研究

针对煤炭开采过程中含有矸石伴生物的问题,提出了一种改进的基于微型YOLOv3的煤矸石快速识别模型,该模型包含空间金字塔池(SPP)网络、挤压激励(SE)模块和膨胀卷积模块。首先,SPP网络通过单个卷积层对图像进行预处理,得到合适的图像的尺寸;然后,采用SE模块,增强了RGB图像中各通道间的关联性,使网络能够准确捕捉关键信息,提高网络灵敏度;最后,在不增加参数的情况下,利用扩大接受域的膨胀卷积进一步优化,实现煤矸石的快速识别。结果表明,与微型YOLOv3相比,所提模型的平均交叉过并(Avg IOU)高达0.49%,每张图像所需时间和损耗分别降低了7.41%和51.30%。该网络的平均精度比Faster RCNN提高3.14%,达到0.994。研究表明,该模型是一种高效、快速的矸石分选识别模型,对煤矸石智能分选方法的选择具有一定的借鉴意义。

基于改进卷积神经网络的火灾实时检测方法

针对火灾检测时间长,影响最佳抢救时间的问题,设计了基于改进CNN的火灾实时检测方法。提取火灾图像数据,充分分析火势与烟势;基于改进CNN构建火灾检测模型,缩短检测时间,提高火灾检测精准度,进而实现火灾高效检测。采用对比实验的方式,验证该方法的检测时间较短,可符合实时性需求,极具推广价值。

基于卷积神经网络的Retinex低照度图像增强

利用传统Retinex模型进行低照度图像分解和增强时,需要人工不断地进行参数调试以达到最优解,这会降低整个过程的效率。此外,现有的基于Retinex理论的低照度图像增强方法在进行图像增强时未能很好地兼顾反射分量和光照分量,会存在低照度图反射分量噪点多、光照分量亮度低且细节不够突出的问题。基于此,提出了一种数据驱动的深层网络来学习低照度图像的分解和增强,通过端到端的网络训练来进行模型参数的学习。该网络先将低照度图分解为反射分量和光照分量,针对反射分量噪点多的问题,采用改进的去噪卷积神经网络(New Denoising Convolutional Neural Network,NDnCNN)模型进行去噪;针对光照分量亮度低、细节不够突出的问题,引入卷积块注意力模型(Convolutional Block Attention Model,CBAM)进行细节增强并指导网络进行光照分量的修正;最后用去噪后的反射分量和修正后的光照分量进行图像重建。经测试,增强后的低照度图亮度提升,细节突出,信息丰富,图像失真小且真实自然。

基于改进CNN的公交车内拥挤状态识别

针对传统的视频图像处理方法对公交车内乘客拥挤状态的检测受运动阴影、动态背景及场景光照变化等因素的影响问题,提出了一种基于改进卷积神经网络VGG-16的公交车内拥挤状态识别方法。该方法在VGG-16的模型基础上,优化全连接层层数,使用迁移学习共享VGG-16预训练模型的各层权值参数进行训练。相对于文中的传统图像处理方法、AlexNet模型、GooleNet模型以及标准VGG-16模型,改进的VGG-16模型对公交车拥挤状态的识别准确率最高,识别精度能够达到96.1%。模型的损失值比标准VGG-16模型收敛得更快,模型表现得更加稳定。实验证明:改进后的VGG-16模型能够更好地提取公交内拥挤状态的特征,解决公交车内拥挤状态的识别问题。

基于卷积神经网络的图像分类研究进展

基于卷积神经网络的图像分类算法的优势是传统方法无法比拟的。卷积神经网络利用其设计好的网络结构和权值共享的特点,能够从数量庞大的训练数据中学习图像底层到高级语义的抽象特征,而且端到端的学习省去了在每一个独立学习任务执行之前所做的数据标注。多年来,卷积神经网络经过科研人员的探索和尝试,从最开始的多层神经网络模型,演变出多种优化结构,性能不断提高。本文介绍了基于卷积神经网络图像分类算法的研究进展,叙述了卷积神经网络在图像分类中的经典模型和近年来的改进方法,并对各个模型进行分析,展示各种方法在ImageNet公共数据集上的性能表现,最后对基于卷积神经网络的图像分类算法的研究进行总结和展望。

基于改进U-Net网络对输电塔陶瓷绝缘子表面缺陷的识别算法

针对传统巡检方法对输电塔陶瓷绝缘子表面缺陷识别存在效率低、精度差、漏检率高的问题,采用基于改进U-net网络的无人机智能巡检方法,对输电塔中的陶瓷绝缘子表面缺陷进行检测与识别。运用空洞卷积矩阵对U-net网络中的卷积层进行膨胀系数优化,增大卷积核感受野提升缺陷细节信息的完整性;采用全尺度跳跃连接模型融合高位特征信息与低维特征信息,提高陶瓷绝缘子表面缺陷特征的准确性。实验结果表明:基于改进U-net网络的无人机智能巡检方法对陶瓷绝缘子的表面缺陷检测,其识别准确率(Accuarcy)为97.6%、平均精度(mPA)为95.28%、平均交并比(mIOU)为91.56%。与U-net相比,此方法对陶瓷绝缘子表面缺陷的巡检精度提高了7.8%。

基于ICNN-BiGRU的轴承故障诊断模型

在实际使用过程中,基于深度学习模型的滚动轴承故障诊断方法易受环境噪声的干扰,为此,提出了一种基于改进卷积神经网络双向门控循环单元(ICNN-BiGRU)的滚动轴承故障诊断模型(方法)。首先,使用Laplace小波对采集到的滚动轴承振动信号进行了相关滤波,得到了功率谱;然后,利用ICNN-BiGRU自动提取了功率谱特征,在卷积神经网络基础上引入了动态选择机制和自注意力机制,根据轴承不同故障状态定位了相关的特征信息,从而实现了轴承故障特征提取和故障诊断;最后,通过西安交通大学昇阳科技(XJTU-SY)联合实验室的滚动轴承加速寿命试验数据集,对ICNN-BiGRU模型与其他深度学习模型进行了对比,以验证ICNN-BiGRU模型的优越性。研究结果表明:相比于其他深度学习模型,ICNN-BiGRU模型的故障诊断精度更高,其诊断准确率可达99.65%;在不同背景噪声的干扰下,相比于其他深度学习模型,ICNN-BiGRU模型的特征学习能力更强,具有一定的工程参考价值。