基于改进U-Net卷积神经网络的数字图像智能分类方法

环境噪声和干扰可能会对数字图像智能分类方法的性能产生负面影响,导致分类速度慢。为此,研究基于改进U-Net卷积神经网络的数字图像智能分类方法。通过去噪、增强和标准化处理,提高数字图像的质量;利用改进U-Net卷积神经网络提高预处理后的图像的维度,使网络能够学习到更丰富的图像信息;采用分割算法将图像划分为多个区域,通过关键点精确定位技术,准确识别出图像中的关键特征点;对比待分类图像与已知类别的图像相似度,实现智能分类。实验结果表明:与传统的分类方法相比,新方法在分类速度更快,实际应用价值更高。

基于改进U-Net卷积神经网络的储层预测

传统的U-Net卷积神经网络大多存在深层网络梯度消失的问题。本文在U-Net卷积神经网络中加入残差模块,提出了一种改进U-Net卷积神经网络。残差模块保证了U-Net卷积神经网络在误差反向传播过程中梯度的存在,在一定程度上可以缓解梯度消失的问题。最后将改进U-Net卷积神经网络应用于实际储层预测中,实际数据测试结果表明基于改进U-Net卷积神经网络在岩性识别以及"甜点"预测上均能取得较好的效果。

基于U-Net卷积神经网络的织物压力传感阵列串扰解决方法

为解决压阻式柔性压力传感阵列中存在的异常传感单元与串扰现象导致采集到的压力数据不准确的问题,构建了具有32×32个传感单元的压阻式柔性织物压力传感阵列系统,对传感单元检测值出现异常的原因进行了分析,采用中值滤波算法对系统获取的压力分布云图中的异常值进行处理;针对串扰现象,构建了U-Net卷积神经网络模型,采用机器学习方法对织物压力传感阵列系统生成的压力云图进行修正,设计了模型输入、输出数据集的采集方法。结果表明,经中值滤波算法处理后的压力云图的峰值信噪比处于30~40 dB之间,反映出中值滤波算法对异常值处理的效果较为理想;U-Net卷积神经网络模型训练过程中的均方根误差最终达到7.1,表明模型获得了较好的训练效果,通过与无串扰效应的柔性压力传感阵列采集的压力云图进行对比,表明U-Net模型能够有效消除串扰现象对织物压力传感阵列压力云图显示结果的影响。

基于3D U-Net++卷积神经网络的断层识别方法及应用

断层解释是地震资料解释的基础与关键,准确合理的断层识别对油气开采有着至关重要的作用。随着油田对断层解释精度需求的日益提高,单纯通过基于人工的如相干体、曲率等属性的传统断层解释方法,其精度已无法满足要求。笔者在U-Net卷积神经网络模型的基础上进行改进,得出了一种自动断层识别方法,能够从任意三维地震图像中自动提取断层。文中该模型在足量样本集训练下,对两区块的实际地震数据进行自动断层识别,将识别结果进行分析对比。实验结果表明,该模型能够对任意三维地震数据进行自动断层识别,基于3D U-Net++网络模型的断层识别结果相比于传统U-Net网络识别结果准确性有明显提高,对潜山内部的小断层识别也表现出良好的效果,明显提高了常规、复杂断层识别的工作效率。

基于改进小波变换与卷积神经网络的干式空心电抗器红外图像去噪方法

针对传统小波变换法去除干式空心电抗器红外图像中夹带的噪声效果不理想的问题,提出了基于改进小波变换与卷积神经网络的干式空心电抗器红外图像去噪方法。首先利用卷积神经网络中的残差学习对图像中混合特征信息进行提取;然后通过改进小波变换对图像进行小波分解,并将分解后的分量输入至网络中进行训练;进而通过残差学习增强图像纹理细节信息,解决了传统图像去噪方法的不足;最后进行仿真比较。结果表明,所提方法可以降低网络计算难度,加快训练速度,同时具有良好的去噪性能,优于传统图像去噪方法。

基于改进卷积神经网络的频谱自适应通信传输

虽然无线通信应用十分广泛,但是无线通信环境越来越复杂,很容易受到各种电磁干扰和电磁攻击的影响,提高其抗干扰性能一直是无线通信关注的重点。针对这一问题,利用认知无线电的电磁频谱感知结果,提出了一种基于改进卷积神经网络的频谱自适应通信传输方法。首先,利用传统的卷积神经网络和改进卷积神经网络对典型干扰类型进行识别,并根据识别结果估计对应的干扰参数,在此基础上结合频谱感知结果,遵循高效频谱利用效率原则自适应选取不受干扰影响的频谱来进行通信传输,以此达到抗干扰通信传输和提升频谱利用效率的双重目的。通过仿真验证了文中所提方法对干扰类型的识别正确率达到了98%以上,干扰参数估计的平均绝对百分比误差低于0.01,最后,利用软件无线电平台开展了实际的频谱自适应通信传输实验,在不同信干比下均能实现正常通信,实验结果表明其抗干扰通信效果显著。

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。

基于改进卷积神经网络的图书馆馆藏图像分区识别

本文基于改进卷积神经网络,针对图书馆馆藏图像的内容分区识别问题,以报纸图像内容分割识别为例进行研究。传统的图像分区方法往往依赖手工设计的特征,无法适应不同图像的变化和复杂性。为了提高识别准确性和效率,本文提出了一种改进的卷积神经网络模型,并在报纸图像上进行了实验验证。实验结果表明,所提出的方法在报纸图像内容分割识别任务中取得了优秀的性能,能够准确地区分出不同的内容分区。

基于改进卷积神经网络的地表覆盖分类方法

卷积神经网络在高分辨率影像分类中对全局上下文信息的精炼能力不足,导致分类精度较低。针对此问题,文章提出基于改进卷积神经网络的地表覆盖分类方法。该方法采用基于自注意力模块的骨干网络增强聚合全局上下文信息的能力,在土地覆盖数据集中取得优于其他对比网络的分割效果。

基于改进卷积神经网络的可见光通信系统信道估计方法

为了提升可见光通信系统的通信质量,开展了基于改进卷积神经网络的可见光通信系统信道估计方法研究。首先,建立可见光通信系统信道模型,获取信道增益、LED限制带宽、频域响应的模等参数。其次,从可见光通信系统导频分布与导频间隔两个维度,设计系统导频结构,准确得出系统发送端想要传输的信道信息。利用改进卷积神经网络,开展可见光通信系统信道估计,求解信道估计结果。实验结果表明,该方法的信道估计误码率不存在大幅度波动,最高不超过0.5%,信道传输效果较好。

基于改进全卷积神经网络的体育运动员动作识别方法

传统的体育运动员动作识别方法,直接对运动员动作识别结果进行输出未对运动区域进行提取,识别精度低。该文提出基于改进全卷积神经网络的体育运动员动作识别方法,使用摄像机对体育运动员动作图像进行采集,并对图像进行基于改进全卷积神经网络的运动区域提取,体育运动员动作识别流程,输入动作图像并对结果进行输出,实现基于改进全卷积神经网络的体育运动员动作识别。实验结果表明该研究方法识别精度高,具有一定优势。

基于3D‑Ghost卷积神经网络的脑胶质瘤MRI图像分割算法3D‑GA‑Unet

脑胶质瘤是由于大脑和脊髓胶质癌变产生的、最常见的原发性颅脑肿瘤,其中恶性脑胶质瘤占比大且致死率高。利用磁共振成像(MRI)图像对脑胶质瘤定量分割和分级是目前诊治脑胶质瘤的主要方法。为提升脑胶质瘤的分割精度与速度,提出一种基于3D-Ghost卷积神经网络(CNN)的脑胶质瘤MRI图像分割算法:3D-GA-Unet。3DGA-Unet以3D U-Net(3D U-shaped Network)为基础框架,设计基于3D-Ghost CNN模块,利用线性运算增加有用信息输出、减少传统CNN中的冗余特征;添加基于坐标注意力(CA)的模块,利于获取更多于分割精度有利的图像信息。在公共脑胶质瘤数据集BraTS2018进行训练和验证,实验结果表明,3D-GA-Unet脑胶质瘤分割结果的周围水肿区域(WT)、坏死核心区域(TC)和增强肿瘤区域(ET)的平均Dice相似系数(DSC)分别达到0.8632、0.8473和0.8036,平均敏感度分别达到0.8676、0.9492和0.8315。3D-GA-Unet能精准分割脑胶质瘤图像,进一步提升分割效率,对脑胶质瘤的临床诊断有积极的意义。

基于卷积神经网络的标准课堂教学语音情感优化的方法研究

在人工智能时代下,深度学习技术逐渐融入教育研究领域的各个方面。教师教学语言是课堂教学的主要方式,教学情感作为教学评价的主要评估方式,深刻影响着教师的教学效果。本文基于卷积神经网络模型对教师语音情感进行识别,以语音情感描述模型和情感教学理论作为理论基础,按照“数据库建立—模型搭建—实践应用”的研究路径开展教师标准课堂教学语音情感的研究,建立教师课堂语音数据库,构建教师语音情感评价量表,还原真实课堂的精准采集、助力教师评价的高效开展,以此优化教师教学语音情感,赋能教学改进。

基于改进卷积神经网络的无人机异常飞行检测

在无人机异常飞行姿态检测过程中,受到姿态识别模型的影响,导致算法的时间复杂度较高。因此,提出了基于改进卷积神经网络的轻小型无人机异常飞行姿态检测算法。通过无人机姿态坐标的转换,获取图像采集位置。针对采集图像进行处理和分割,提高了图像特征采集精度。基于改进卷积神经网络构建识别模型,完成飞行姿态快速识别。最后,运用高斯混合模型聚类方法建立异常姿态判别规则,实现无人机异常飞行姿态检测。实验结果证明,比较两种对比方法,文中设计的检测算法分时间复杂度降低了48.27%和67.81%。

基于改进卷积神经网络的交通标志识别分类方法

交通标志识别系统是智能交通系统与先进辅助驾驶系统的重要组成部分,由于道路交通较为复杂,提高交通检测与识别算法的准确率和实时性是走向实际应用进程中需要解决的关键问题。文章提出一种基于参数优化的卷积神经网络方法,在对选用的数据集进行预处理操作基础上,适当调整CNN的规模、结构,使用网格法对相关参数进行协同优化,再使用改进的CNN模型在CTSDB数据集上进行训练和验证。结果表明:优化后的模型性能和稳健性均显著提高,且能够有效地完成交通标志的识别、分类任务。

基于改进SSD卷积神经网络的苹果定位与分级方法

为实现苹果果径与果形快速准确自动化分级,提出了基于改进型SSD卷积神经网络的苹果定位与分级算法。深度图像与两通道图像融合提高苹果分级效率,即对从顶部获取的苹果RGB图像进行通道分离,并提取分离通道中影响苹果识别精度最大的两个通道与基于ZED双目立体相机从苹果顶部获取的苹果部分深度图像进行融合,在融合图像中计算苹果的纵径相关信息,实现了基于顶部融合图像的多个苹果果形分级和信息输出;使用深度可分离卷积模块替换原SSD网络主干特征提取网络中部分标准卷积,实现了网络的轻量化。经过训练的算法在验证集下的识别召回率、精确率、mAP和F1值分别为93.68%、94.89%、98.37%和94.25%。通过对比分析了4种输入层识别精确率的差异,实验结果表明输入层的图像通道组合为DGB时对苹果的识别与分级mAP最高。在使用相同输入层的情况下,比较原SSD、Faster R-CNN与YOLO v5算法在不同果实数目下对苹果的实际识别定位与分级效果,并以mAP为评估值,实验结果表明改进型SSD在密集苹果的mAP与原SSD相当,比Faster R-CNN高1.33个百分点,比YOLO v5高14.23个百分点。并且在不同硬件条件下验证了该算法定位分级效率的优势,单幅图像在GPU下的检测时间为5.71 ms,在CPU下的检测时间为15.96 ms,检测视频的帧率达到175.17 f/s和62.64 f/s。该研究可为自动化分级设备在高速环境下精准定位并分级苹果提供理论基础。

基于改进卷积神经网络的输电线路异常检测研究

常规的异常检测方法通过全局网络特征增强的形式获取异常检测特征,此过程中网络泛化能力较弱,导致检测模型的损失增加,影响最终的检测精准度。因此,设计了基于改进卷积神经网络的输电线路异常检测方法。提取输电线路异常特征,生成特征图集并标记出线路异常位置。基于改进卷积神经网络构建线路异常检测模型,使输电线路的临界采样样本具有较低的冗余度,对输电线路进行导线直线检测。均衡输电线路异常检测的正负样本,增强网络泛化能力,从而降低检测模型的损失。采用对比实验的方式,验证了该方法的检测精准度更高,能够应用于实际生活中。

改进卷积神经网络的船舶纹理图形分割方法

船舶从生产到投入使用,在作业中难免会因为焊接节点的设计问题、货物装卸的操作不规范以及诸如线性尺度较大、吃水较多而受风、流等外部环境的影响而对船体结构造成腐蚀,最终导致船体外部出现裂纹,给船舶的航行带来安全隐患。因此加强关于船舶裂纹的排查,是保证船舶安全行驶的关键。本文从改进卷积神经网络入手,以工程船为例,通过对其船舶纹理进行图形分割研究,提升智能检测的精准度,从而为运维检修带来一定的帮助,并为海上作业的安全性检测提供理论支持。

基于改进卷积神经网络的番茄品质分级方法

为了解决番茄人工分级精度低、工作效率低等问题,基于卷积神经网络提出1种用于番茄品质分级的网络结构,并给予优化改进。设计的卷积神经网络由7个权重层(6个卷积层和1个全连接层)和4个池化层(3个最大池化层和1个全局平均池化层)构成,利用批量归一化和压缩激励模块(SE模块)进行网络结构优化。采用自采集的番茄图像数据集,通过数据增广将原1455张图片增广至8730张图片并进行训练和测试,用精确度、召回率、F1值(精确度和召回率的调和平均数)评估模型的各分类差异。优化后的网络模型测试精度为96.57%,比未优化的网络模型测试精度提高了2.58个百分点。并且与传统经典网络AlexNet、MobileNet-V2、NasNet-Mobile、ShuffleNet 4种模型相比,具有收敛速度更快的优势,训练时间减少了22%~96%,测试精度提高了0.18~1.89个百分点,单张照片测试时间降低了37%~83%,计算统一设备架构(CUDA)内存占用比例也得到了一定程度的降低。优化后的网络训练过程更加稳定,模型注意力更多地集中在整个番茄上,在一定程度上降低了背景干扰,提升了算法的鲁棒性与泛化能力。通过探究3种优化算法(SGDM、Adam、RMSprop)对模型的影响,发现与Adam、RMSprop优化算法相比,SGDM优化算法的模型测试精度分别提高了2.01个百分点和2.29个百分点;去除数据集的背景后再测试单一背景对模型性能的影响,发现模型的测试精度达到96.97%,相较于未去除背景的数据集,测试精度提高了0.40个百分点。本研究提出的卷积网络结构对简单番茄品质(分类数较少)的分级效果较好,可为番茄品质分级提供一定的理论支持。

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。