颗粒形混合农产品的图像检测与分类

颗粒形农产品种类繁多,多种产品混杂在一起的事经常发生,如何将各种产品检测与分类是一个重要研究课题。该文利用计算机视觉技术,实现了大米、黄豆、绿豆颗粒形混合产品的图像检测与分类。首先对获取的图像进行二值化处理,利用形态学分水?算法对粘连颗粒进行分割处理,利用八邻域分析方法提取目标连通区域边缘并标记,最后提取各颗粒的形状特征参数与颜色特征参数,将提取的特征参数与大米、黄豆、绿豆颗粒形产品的标准参数进行比较,实现了颗粒形混合产品的检测与分类。该算法的分类精度达95.6%,对颗粒形农产品自动检测应用具有一定指导意义。

复杂生产过程的小故障检测与分类方法

为监测复杂生产过程的状态,根据多元统计过程控制方法和支持向量机理论,将累积和控制图原理扩展为多变量的形式对过程数据进行预处理,并通过主元分析方法提取复杂生产过程的关键信息,得到有效的小故障数据,进而构建计算正常数据的统计量阀值及故障数据的Hotelling T平方统计值(T2)和平方预测误差值,实现了复杂生产过程的小故障模式检测,并采用支持向量机多分类方法将检测到的故障进行了分类.沥青混合料生产过程的仿真研究表明:在集料均值发生小波动、周期性上升和下降3种小故障模式下,故障检测识别率均达到95%,与主元分析方法相比平均提高了75%;分类准确率达到92.5%,与BP神经网络方法相比提高了19.3%.

高分辨侧扫及合成孔径声纳图像与回波中类似水雷目标计算机检测与分类

计算机辅助目标识别与分类技术有可能可靠地在海底发现水雷及其它感兴趣的目标,高效省时,一致性强,不受操作员个体因素影响。自90年代以来,是多个研究部门的热点课题。近年来,合成孔径侧扫声纳技术日趋成熟,能提供更高分辨率的声图,更是促进了自动识别与分类的发展。本文综合评述了高分辨侧扫及合成孔径声纳图像与回波中类似水雷目标(Mine like object,MLO),计算机检测与分类(Computer aided detection/computeraided classification,CAD/CAC),研究的发展,现状及趋向。

计算机辅助铝合金焊缝X射线底片的缺陷检测与分类

X射线底片缺陷计算机辅助分类是目前无损检测领域的研究热点之一,主要包括:底片信息的数字化获取、缺陷区域提取、特征参数设计与计算、缺陷分类和底片评定等内容。针对铝合金构件焊缝射线图像对比度低、边缘模糊、背景起伏等特点导致传统边缘提取及图像分割方法不能有效提取缺陷的现实,在图像处理时用背景相减、数学形态学等方法对缺陷进行了有效地提取,并根据缺陷特征参数进行缺陷的分类。对于线型缺陷(如裂纹)检测问题,由于其特殊的难度,对其检测问题进行了专门的研究和探讨。

基于谱分解动态散射成像的细胞无标记检测与分类方法

细胞成像及检测技术在医学研究及临床诊断领域具有重要的研究意义和应用价值,而无标记与高通量检测尤其具有挑战。本研究基于动态散射理论的细胞成像方法,搭建了动态散射成像系统,提出了基于谱分解的动态信号提取算法,结合机器学习算法实现了无标记、高通量的细胞分类。采用血细胞、EG7-OVA肿瘤细胞、A549肺癌肿瘤细胞进行实验验证,结果表明本文提出的方法对血细胞与肿瘤细胞识别准确率可达98%以上,对于血细胞、EG7-OVA细胞和A549细胞之间的三分类识别率约为91%。本文实现的细胞检测和分类方法具有临床应用前景。

基于颜色和形状的交通标志检测与分类

本文旨在分析对比现有颜色分割算法的基础上,提出一种基于HSI颜色模型的颜色分割算法,该算法对在不同复杂背景下拍摄的图片,能够分割出人们感兴趣的颜色并排除大部分干扰颜色。在交通标志识别系统应用中,主要提取红、黄、蓝三种颜色,并且算法应能有效地排除其他颜色,尤其是绿色的干扰,可以接受一定的噪声影响。在此基础上,利用形状特征进行交通标志的检测与分类。实验结果表明,系统能实现复杂场景中交通标志的准确定位,但交通标志分类方法仍有待改进。

基于大样本的随机森林恶意代码检测与分类算法

随着互联网的快速发展,计算机安全问题已经提高到国家安全的战略角度。但是在互联网上传播的恶意代码数量、种类等都在增加。针对恶意代码数量庞大、传统特征检测覆盖面不够广、准确度不高的问题,提出了在大样本下基于随机森林的恶意代码检测算法。大样本下,将PE文件结构特征和敏感API作为输入特征,采用随机森林算法对恶意代码进行检测。实验结果表明,大样本下,随机森林算法是一种优秀的用于恶意代码检测的算法,即使在恶意代码样本量庞大的情况下,仍然具有良好的分类效果,其在现实应用中具有重要的价值。

管道漏磁信号分类的多特征融合网络研究

【目的】地下管道如预应力钢筒混凝土管(PCCP)等检漏是城市基础设施管理和维护中至关重要的一项工作。提出一种识别地下管道弱磁分布类型的磁异常多特征融合网络(MMF)。【方法】充分利用标准正交基函数(OBF)和最小熵(MED)两种检测特征,以全面而准确地捕捉漏磁信号的复杂特性。首先,在不同物径距离上利用OBF和MED进行磁异常检测,获取实测目标磁场特征;其次,融合磁场特征设计多特征融合网络MMF,并引入多头注意力机制捕捉序列磁场中的复杂关系和特征;最后,采用多特征熵权法MFEW,根据输入特征熵分配网络权重。【结果】实验结果显示,MMF网络异常分类达到了98.86%的精度,AUC评估结果为99.25%,同时模型更加精简,具有更高的计算效率,能够在相对较短的训练时间内取得令人满意的性能。

基于卷积神经网络的排水管道缺陷智能检测与分类

针对传统排水管道缺陷检测中需要消耗大量人力的问题,基于人工智能算法——卷积神经网络(CNN),建立自动检测和评估排水管道缺陷的智能系统。对CCTV视频图像中六种常见的管道状态(裂缝、错口、障碍物、残墙坝根、树根和正常类别)进行模型学习、训练和测试。CNN模型训练和验证的正确率分别为100%和97%,六类管道状态的平均识别准确率达到90%,证明所构建的模型在不需要相关检测专业知识的情况下,可以很好地识别本研究中的管道缺陷类型。其中,CNN模型对树根和错口的检测具有较高置信度,其次是残墙坝根和裂缝,障碍物和正常类别的分类精度最低。深度学习在排水管道缺陷自动检测领域具有可行性,模型具有良好的泛化能力,可为管道缺陷检测提供科学、准确的检测工具。

基于神经网络—模糊集的多元过程质量异常检测及分类

传统的多元控制图用于多元质量过程监控难以给出异常相关的进一步信息。而对于与过程异常关联的质量特性或其组合的检测及其偏移量的测定或定性,对于异常原因的快速诊断、纠正措施的及时制定意义重大,从而减少过程异常导致的不合格产品量。本文提出一种利用神经网络和模糊集技术对多元过程质量异常进行检测及分类的方法,神经网络模块利用其模式识别功能对过程偏移信号作出解释,确定引发异常的质量特性或其组合;模糊分类模块利用其模糊聚类功能对神经网络的输出信号加以分类,确定异常质量特性或其组合的偏移程度。并以ARL为评价指标,与多元T2控制图做了比较。

新型高光谱图像快速实时目标检测与分类方法

针对逐像元处理的高光谱图像实时线性约束最小方差(LCMV)检测与分类算法计算量大、运行速度慢的问题,在LCMV检测与分类算法的基础上,提出了两种逐行的实时LCMV目标检测与分类算法。首先对LCMV算法进行了因果化,提出了逐行处理的实时因果LCMV(CR-LCMV)检测与分类算法,再利用Woodbury引理,推导出了逐行处理的实时递归因果LCMV(RCR-LCMV)检测与分类算法。实验结果表明:与LCMV检测与分类算法相比,两种新型实时算法均能在不影响检测精度的情况下实时地检测目标与对目标进行分类,且所需的数据存储空间大大降低;与逐像元处理的实时LCMV算法相比,两种新型实时算法可获得几乎与之相同的检测精度,计算复杂度大大降低,实时处理能力更强,算法在运行时间上具有明显的优越性。

基于音频事件检测和分类的音频监控系统背景模型自适应方法研究

随着监控系统中音频传感器应用的与日俱增,音频事件检测与分类已成为一个重要的研究课题。音频系统所处的音频环境(不同场所、不同噪声)非常复杂,以致检测与分类音频事件异常困难。因此,进行背景模型自适应从而适应不断变化的音频环境变得十分重要。提出了利用受限的最大似然线性回归方法对背景模型进行自适应。采用实际监控场景中的音频数据和模拟录制数据,研究了背景模型自适应方法以及如何有效地进行背景模型自适应。实验结果表明背景模型自适应可以提高目标声音事件的检测性能,减少系统误报。

基于LGJMS-GMPHDF的多机动目标联合检测、跟踪与分类算法

线性高斯跳变马尔可夫系统模型下的高斯混合概率假设密度滤波器(LGJMS-GMPHDF)为杂波背景下多机动目标跟踪提供了一种有效方法。该文将类别辅助信息引入LGJMS-GMPHDF,提出了一种密集杂波背景下多机动目标联合检测、跟踪与分类算法。该算法在LGJMS-GMPHDF中用属性向量扩展单目标状态向量,用位置和属性的组合测量似然函数代替单目标位置及杂波位置测量似然函数,提高了不同类目标与杂波测量间的鉴别能力,进而改善了目标数目及状态的估计精度;在更新目标状态的同时,对目标属性信息进行更新。该算法实现了时变数目的目标状态和类别估计。杂波背景下交叉和临近并行机动目标的跟踪实验验证了该文算法的联合检测、跟踪与分类性能。

微波雷达辅助视频车辆分类检测器

车辆检测与分类系统是智能交通系统中的一个重要组成部分,其功能是检测路上车流量并对车辆进行分类,为道路监控和交通规划提供信息。本文提出了一种微波雷达辅助视频车辆检测与分类系统,微波雷达检测模块对经过的车辆进行检测,并触发视频分类模块结合雷达传感器信息对车辆进行分类。实验表明,该系统车辆检测率达到98%,车辆分类的准确率达到84%。

公路视频实时车辆检测分类与车流量统计算法

公路视频实时车辆检测分类与车流量统计是计算机视觉领域的一个经典问题。传统设置检测带法,易漏检复检,自动化性不好。基于深度网络的one-stage算法实时性好,但是经常会把变化的背景、运动的非车辆物体纳入其中,同时对光照变化敏感,夜间分类效果不好。因此,提出采用one-stage做目标检测,并不直接获取分类结果,而是根据标注框将物体切割出来,去除背景,提升抗背景扰动性能和分类效果;再送入一个经过迁移学习的浅层神经网络;将分类输出和目标检测网络的位置输出合并送入一个全图匹配算法,进行车流量统计。该方法在保障实时性的同时降低了漏检和复检率。

基于雷达测量的多目标联合检测、跟踪与分类方法

利用雷达测量中的目标速度、加速度等属性信息,基于跳转马尔科夫系统模型高斯混合概率假设密度滤波算法,提出了一种多目标联合检测、跟踪与分类方法.该方法在进行雷达多目标测量信息处理的多模型混合高斯概率假设密度滤波过程中,对各高斯项编号,进行航迹提取,在滤波处理的同时形成带有航迹编号的明确航迹,并进行航迹管理;同时,根据目标运动模型,联合利用目标加速度控制输入与速度估计进行多目标分类.仿真试验验证了该方法能够在检测、跟踪的同时,对目标航迹进行有效类型识别.

多传感器目标检测跟踪与分类算法

在目标准确检测优化的研究中,单传感器联合检测、跟踪和分类算法是一种新型算法,可以同时对目标进行检测、状态估计和类别判断。然而上述算法估计目标数目、状态与类别性能较差。采用多传感器方法对目标进行观测,可以显著提高目标检测、跟踪与分类效果。提出基于粒子概率假设密度(PFPHD)滤波器的多传感器联合检测、跟踪和分类算法。首先通过对各传感器信号进行建模,提取目标的属性量测,然后引入目标的属性信息对目标状态空间进行重新建模,从而得到目标综合状态,最后利用多个传感器的量测对综合状态进行序贯处理。仿真结果表明,与单传感器联合算法相比,上述算法能够更准确判断多目标类别,目标数目估计精度和跟踪精度均提高20%以上,验证了算法的有效性和可行性。

基于改进经验小波变换和改进多视角深度矩阵分解的直流配电网故障检测方案

为快速检测及可靠识别直流配电网故障,提出一种基于改进经验小波变换和改进多视角深度矩阵分解的直流配电网故障检测方案。通过最小二乘法非线性拟合故障电流局部的相频谱函数,基于此在一定的条件下修改经验小波函数的相频响应,使之尽可能与故障电流的局部相频特性相匹配;运用改进经验小波变换分解电流,计算细节分量c_(3)的模极大值,构造故障检测判据;设计一种权重自学习网络,依据数据对分类任务的重要性分配不同的权重,嵌套于多视角深度矩阵分解模型前端,运用改进多视角深度矩阵分解模型对电流分量c_(1)—c_(3)、极间电压u_(dc)这4个视角的数据进行故障特征提取,通过软分配层实现故障的分类。仿真测试结果表明,所提故障检测方案能够满足故障检测速动性、可靠性的要求,故障分类准确度高,为后续故障处理奠定了良好基础。

无人车目标识别主干网络技术特点对比分析

目标识别是无人车自动驾驶视觉感知模块的核心技术之一。当前,目标识别主要依靠主干网络提取特征,进而对目标进行分类与回归。通常情况下,无人车嵌入式计算平台的计算与存储能力有限,为了降低主干网络的算力与存储量,提升无人车的计算速度与效率,对目标分类任务的主干网络进行综合比较分析。围绕卷积核、感受野、池化层、全连接层、激活函数等,以cifar10和cifar100为实验数据,从理论分析与数据实践层面,对主干网络算子的选择与网络搭建进行分析对比,总结、归纳特征提取主干网络搭建的主要思路与做法。结果表明,该分析结论对目标分类主干网络在嵌入式无人车系统中的应用具有一定的理论指导与参考价值。

SCTD1.0:声呐常见目标检测数据集

近年来,卷积神经网络(CNN)在大规模自然图像数据集(如ImageNet,COCO)中获得了广泛应用,但在声呐图像检测识别领域的应用研究较缺乏,其存在声呐图像目标检测和分类数据集缺乏且水下目标样本往往面临样本稀少、不平衡等问题。针对这一问题,在进行广泛收集声呐图像的基础上,构建了一个完全公开的、可以用于开展声呐图像检测和分类研究的声呐常见目标检测数据集SCTD1.0,该数据集目前已包含水下沉船、失事飞机残骸、遇难者3类典型目标,共计596个样本。在SCTD1.0的基础上,文中采用迁移学习的方式测试了检测和分类的基准,具体来说:针对检测任务,使用特征金字塔网络对多尺度特征进行组合利用,比较了YOLOv3,Faster R-CNN,Cascade R-CNN这3种检测框架在本数据集上的性能表现;针对分类任务,对比了VGGNet,ResNet50,DenseNet 3种网络的分类性能,分类准确率达到了90%左右。