基于深度学习的无人机检测和识别研究综述

近年来,由于在各行各业发挥了不可替代作用,无人机产业和应用得到了迅速发展。然而,无人机的“黑飞”、携带危险物品等事件频繁发生,对社会安全构成了严重威胁。因此,无人机的检测和识别变得尤为迫切和必要。随着无人机类型不断地变化,传统的检测与识别方法已不再适应当前需求。深度学习技术的快速发展为无人机检测与识别提供了一种高效且准确的解决方案。深度学习模型具备自主学习特征的能力,能够从大规模数据中提取高级特征,并且在无人机检测与识别任务中表现出色。该模型不仅能够显著提高准确性,还能够适应各种复杂环境和无人机类型。对此,本文综述了基于深度学习的无人机检测与识别技术的最新进展,主要包括基于深度学习的无人机视觉检测和识别、基于深度学习的无人机音频检测和识别、基于深度学习的无人机雷达检测和识别以及基于深度学习的无人机射频检测和识别。最后,对目前无人机检测和识别现存问题进行分析,并展望了未来研究方向。

基于深度学习的交警动态手势检测与识别方法研究

文中基于深度学习方法设计了交警动态手势检测与识别算法,以Top-down的姿态估计方法获取交警人物关键点建立人体骨架图,采用时空图卷积的方式进行动作识别.设计交警目标检测算法、交警姿态估计算法和交警动态手势识别算法,对输入模型的骨架图设计了尺寸归一化,令算法对不同尺寸的骨架图具有相同的识别性能,提高了算法的鲁棒性.所设计的方法在限制容许错误率在10%、15%、25%以及50%的条件下能够达到最高96.32%的识别率.

基于CTPN+CRNN模型的文字检测和识别的功能与实现

本文通过对基于深度学习(Deep Learning,DL)技术处理文字检测和识别相关任务模型的功能研究,针对文献中水平分布的文字选取适合的模型,搭建模型环境并建立训练数据集和测试数据集,对模型进行实验和测试。结果表明,深度学习模型处理相关任务在理论和现实情况下都具有可行性,并提出了优化模型的可行性建议,以此展望此类模型未来在图书馆实施的业务场景。

基于深度学习的玉米田间杂草识别模型研究

【目的】针对现有田间杂草识别模型复杂、准确率不高等问题,研究玉米田间杂草识别算法,通过准确识别杂草图像,为提高田间杂草防控效果提供理论与技术支持。【方法】基于深度学习目标检测的方法,选取玉米田间4类常见杂草(早熟禾、藜、刺儿菜、莎草)作为试验数据集,建立了YOLOv3、YOLOv5、SSD目标检测模型,并进行了模型训练。【结果】YOLOv3模型的平均精准率为0.734,平均召回率为0.814,平均F1得分为0.789,mAP值为0.792;YOLOv5模型的平均精准率为0.914、平均召回率为0.967、平均F1得分为0.942、mAP值为0.961;SSD模型的mAP值为0.907。【结论】YOLOv5模型的mAP值为0.961,且其各项指标均优于YOLOv3和SSD目标检测模型。YOLOv5模型更适合用于作物田间精确除草的自动化作业。

基于投票网络解决样本非均衡的入侵检测识别模型

目前主流入侵检测系统通过学习人工标识的网络流量数据获得自动检测未知威胁的能力,但人工标识的数据出现偏差、缺失、小类样本过少等现象时,本应是攻击样本常会被认定为无害样本,致使入侵检测系统失效。大多数研究入侵检测的工作将整体性能作为检测性能的量化标准,而忽视了入侵检测的原始初衷,导致警告系统遭受攻击。针对以上问题,提出基于投票网络的智能识别模型来解决入侵检测系统训练数据不均衡的问题。通过可训练的投票模型,整合了传统机器学习模型与深度学习模型,在关注整体性能的同时,提升致命攻击的被检出率。实验结果显示,本模型在3种不同样本分布类型的数据集上均有较好的整体表现,并且有效地提高了小类别的检出率。

基于深度学习的轮胎压印字符检测与识别

在自动化装配线上轮胎与轮毂装配时,需要检测与识别轮胎表面的压印字符串,从而得到轮胎的品牌、型号、尺寸以及生产的年周号等信息,用以管理轮胎信息以及监控轮胎的流向。针对轮胎表面压印字符串的检测与识别问题,文章提出一种基于深度学习的轮胎胎面关键字符的检测与识别方法,搭建了可编程逻辑控制器(programmable logic controller,PLC)、工控机和工业相机的自动化检测与识别平台,通过霍夫变换及坐标变换对采集后的图像进行预处理,采用改进的更快速的区域卷积神经网络(faster region-based convolutional neural network,Faster RCNN)算法为基础检测出目标字符串位置,再通过卷积递归神经网络(convolutional recurrent neural network,CRNN)对检测出的目标字符串进行识别,同时利用编码规则校验识别结果,以提升识别结果的准确率。实验结果表明,改进后的算法在进行轮胎压印字符串的检测与识别时其准确率超过97.0%,满足工业生产应用需求。

基于改进深度学习的开关柜局部放电检测与故障识别

针对传统开关柜局部放电谱图提取需要依赖专家经验而缺乏泛化能力的问题,提出一种基于改进深度置信网络(DBN)—长短期记忆(LSTM)的开关柜局部放电检测与故障识别模型。该模型综合了DBN直接自主提取样本全局有效特征信息和LSTM善于挖掘特征图谱时域特征的优势,并采用Dropout技术降低DBN过拟合影响,以提高模型的泛化能力。结合四种典型开关柜局部放电模型的缺陷谱图对所提模型进行性能测试,并与其他算法进行对比,结果表明:所提算法对开关柜的故障识别具有良好的效果,综合故障准确率达到97%,所提模型的整体识别性能均优于单一DBN和LSTM以及DBNLSTM模型。

基于深度学习算法的遥感图像识别检测技术研究

为提高遥感图像识别准确性和效率,本研究基于深度学习改进方法,设计卷积神经网络改进算法模型。通过设计全局-局部Transformer模块、优化卷积层编码器、特征细化模块,旨在探索一种更高效的遥感图像识别检测技术。并通过测试实验来研究改进算法有效性。结果表明,与传统深度学习算法相比,卷积神经网络改进算法在遥感图像识别精度和处理速度上有显著提升,展示了较强的泛化能力和鲁棒性。

基于深度学习的变电设备红外图像识别检测技术应用探析

变电设备的安全运行是确保电力系统长期稳定工作的基石。对变电设备的运行状态进行实时监测,有助于及时发现设备故障,进一步预防潜在风险,确保电网的安全稳定运行。红外图像检测是一种用于变电设备的无损实时监测方法,广泛应用于变电设备的状态监测。设备监测的关键在于对设备红外图像的准确识别和定位。本文通过介绍传统算法和深度学习算法在变电设备红外图像中的识别检测技术应用,有助于研究人员选取合适的视觉检测方法,实现对变电设备的实时监测,提升站内主设备的运行状态监测与故障诊断能力。这样大大提高了变电站的安全性和可靠性,为站内主设备的安全运行提供保障,提升变电站运行效率,减少非计划停电时间,对提高电网运行效率具有重要意义。

基于深度学习技术的农作物病虫害检测识别系统的研究

传统的病虫害监测方法依赖于人工视觉识别,缺乏客观性和准确性,且效率低下、成本高昂,深度学习技术的发展为农作物病虫害监测识别提供了新的解决方案。阐述了深度学习技术在农作物病虫害识别中的应用优势,探讨了基于深度学习技术的农作物病虫害监测识别系统构建,介绍了深度学习技术在农作物病虫害监测中的应用。

基于深度学习的鱼类特征点检测与体征识别方法

为确保鱼类养殖过程中生长状况实时监控及科学化养殖管理,需要实现高效化、自动化的鱼类体征识别。基于此,提出基于深度学习的关键特征点检测模型结合双目视觉的鱼类体征识别方法。基于预处理后的单目视觉数据集对融入金字塔分割注意力的高分辨率网络模型展开训练,获得鱼类关键特征点检测模型,在此基础上能够对双目视觉图像中各特征点进行快速检测识别与匹配,从而根据双目视觉系统内部参数计算各特征点真实坐标并计算获得对应体征参数。试验结果表明,建立的关键特征点检测模型对各特征点PCK值均大于0.85,识别得到的体征参数相对误差均小于10%,能够为鱼类体征快速准确识别提供支撑,有效助力鱼类养殖科学化、智能化发展。

基于轻量级深度网络的信号检测与样式识别

信号检测与识别是无线通信、频谱感知等领域的核心技术之一。基于深度学习技术的信号检测与识别方法是近年来的研究热点。深度学习模型通常具有巨量的模型参数和较高的计算复杂度,导致模型的推理应用需要依托高性能计算平台。为了实现基于深度学习的信号检测与样式识别技术在端侧低成本设备上的推理应用,研究面向信号检测与识别深度学习模型的轻量化技术。通过提出一种基于组件重要性度量的模型稀疏化方法,以及基于模仿学习的轻量化模型参数优化策略,在确保信号检测识别准确性能的前提下大大精简了模型结构。

基于深度信任网络模型的乌东选煤厂铁路车号图像识别方法

精准识别铁路车号可以为煤厂装车提供依据,从而保证装车环节高效顺利地完成。为此,提出了基于深度信任网络模型的乌东选煤厂铁路车号图像识别方法。首先,利用高速摄像机设备采集原始的车号图像,并利用索贝尔算子检测图像边界;然后,根据列车车号的字体笔画宽度特点,采笔画宽度变换算法定位确定图像中的车号区域,并利用LBP算法提取车号区域内的特征;最后,将提取的特征输入到深度信任网络模型中,在训练网络模型并不断更新参数后,准确识别车号图像。实验表明:该方法能够精准识别乌东选煤厂铁路列车车号图像。在深度信任网络模型中,当受限玻尔兹曼机网络为4层、隐含层节点个数为128个时,该模型的分类识别能力最强,训练损失最小,性能最佳。

基于深度学习的变电设备缺陷检测与识别算法研究

提出了一种基于深度学习的变电设备缺陷检测与识别算法。针对变电站环境下采集图像质量差的问题,首先采用生成对抗网络进行预处理以改善图像质量。随后采用改进的单阶段目标检测算法用于检测与识别变电设备的缺陷。结果表明,所提算法在缺陷识别精度和效率方面显著提升,为智能化变电站的监控与维护提供了有效的技术支持。

基于深度学习的商品识别方法与检测算法研究

由于人们对美好生活的向往愈发强烈,消费已经成为拉动我国经济发展的重要引擎,而在消费过程中强化消费体验也是提升消费者服务效益的关键所在。为了能够在提升消费体验的同时降低人力的投入,引入智能化商品识别工具,研究一种利用注意力机理进行特征抽取与学习的方法。文章简要介绍了深度学习方法和基于深度学习的商品识别方法,探讨了深度学习多目标商品检测算法,对比分析了改进后的MaskR-CNN,可有效防止因网络复杂性的提高而造成的性能下降,从而提高了检测效率和检测精度。

基于深度强化学习的电磁频谱自适应检测与识别

电磁频谱自适应检测与识别是通信系统、雷达和电子侦察等领域的关键问题之一。本研究提出了一种基于深度强化学习的新方法,用于电磁频谱的自适应检测和识别。传统的频谱感知和识别方法受限于复杂的信号环境和频谱动态性,难以实现高效的自适应性。本研究引入深度强化学习,将智能体(agent)应用于频谱感知和决策制定,以实现自适应性和高性能的频谱识别。实验结果表明,该方法在不同环境下均取得了显著的性能提升,为电磁频谱的自适应检测和识别提供了一种新的创新途径。

基于深度学习的自然场景文本检测与识别研究

自然场景文本检测与识别技术主要应用于自动驾驶、车牌识别、智能机器人等多个场景,实用价值高,研究前景广阔。然而,自然场景的背景复杂,增加了区分文本的难度,因此相比传统的用于印刷文本检测及识别的OCR技术,自然场景的文本检测与识别难度更高。文中提出了一种基于深度学习的自然场景文本检测与识别模型,其利用图像分割技术构建自然场景文本检测模型,并阐述了模型结构及组件。此外,还利用了压缩与激励神经网络技术来构建自然场景文本识别模型。

基于深度学习的32位烟码现场检测识别系统

在卷烟市场检查中,主要依靠稽查人员人工辨认烟码信息,效率较低且成本较高。为此,设计一种基于深度学习的卷烟32位激光烟码现场检测识别系统。首先,构建字符识别模型与烟码样本数据集,使用具有字符感知能力的融合网络对烟码检测目标进行多字符识别分类。其次,构建烟码信息数据库,开发手机端应用程序。最后,进行识别测试。测试结果表明,该系统能够正确检测并识别32位的全部烟码信息,具有较高的正确率。

深度学习算法在新能源汽车图像识别故障检测方法中的应用

新能源汽车图像识别技术可以实现车辆状态的非接触式检测,使故障检测更加自动化和智能化。其视觉检测范围广,可以检测电机、电控、电池等多个系统的故障。相比传统人工检测,新能源汽车图像识别技术可以更全面地检测复杂故障模式。深度学习算法克服了传统方法对图像复杂背景和特征提取的局限,可以大幅提升故障检测准确率。该文介绍深度学习算法在新能源汽车图像识别故障检测方法中应用的必要性,阐述深度学习算法在新能源汽车图像识别故障检测方法中的具体应用及应用前景,为新能源汽车智能故障诊断和维护提供有力支撑,推动新能源汽车产业的可持续发展。

基于深度学习的端到端车牌信息检测与识别

在智能交通系统中,车牌检测与识别是实现车辆管理和监控的重要环节,传统的车牌识别算法在定位准确性、识别效率和实时性方面存在诸多问题。文章提出一种基于深度学习的端到端车牌检测与识别系统,通过YOLOv8n算法进行车牌定位,利用空间变换网络(STN)对倾斜车牌进行矫正,并通过PaddleOCR进行字符识别。实验结果表明,该方法在CCPD数据集上的识别准确率达到98.5%,单张图像的检测识别时间控制在80ms以内,优于传统方法。