基于多特征融合的红外图像分类研究

针对传统红外图像目标分类方法准确率低的问题,提出了一种用结合多特征融合的粒子群优化(Particle Swarm Optimization,PSO)算法来优化支持向量机(Support Vector Machine,SVM)的方法。该方法采用方向梯度直方图(Histogram of Oriented Gradient,HOG)和局部二值模式(Local Binary Pattern,LBP)两类特征描述红外图像中目标的轮廓特征和局部纹理,从不同的方面展现红外图像的特点,在图像的特征表达上具有一定的互补性。在特征提取后对样本数据进行凸包算法计算,得到一些具有代表性的样本数据,从而提高分类计算效率;在分类模型训练时,采用PSO算法优化SVM,寻找SVM的最优惩罚因子和核参数,从而提高分类模型的准确率。实验结果表明,多特征融合的分类模型的准确率比单一特征的分类模型提高近10%,且经PSO优化的SVM最终模型的分类准确率高达99%。

基于卷积神经网络的膝关节炎患者的膝盖红外图像分类

目的:研究膝关节炎患者膝盖温度分布情况,有助于患者膝关节炎症的判断。方法:提出一种基于卷积神经网络的膝关节炎症的诊断方法,利用卷积神经网络识别膝盖红外图像的特征,最后把膝关节红外图像分为患者和健康者两类。在相同条件下采集400张患者膝关节红外图像和400张健康者膝关节红外图像,分别抽取若干张患者和健康者的膝关节红外图像的一部分作为训练集,剩余图像作为测试集。结果:在相同训练、测试情况下,卷积神经网络分类模型测试集判断准确度达99%,高于SVM分类模型的判断准确度。结论:卷积神经网络可作为诊断膝关节炎症的一种辅助方法。

基于改进卷积神经网络的电力设备红外图像分类识别方法

随着电力设备故障诊断技术的不断发展、红外测温诊断技术不断成熟,如何快速有效地对各类电气设备红外测温图像进行分类识别,是今后故障诊断智能化发展的关键环节之一。通过对红外测温图像分类识别方法进行研究,提出了一种基于改进卷积神经网络的电力设备红外图像分类识别方法。首先,通过旋转、翻转等方法对收集的红外图像进行数据增强;然后,建立基于改进MobileNetV2的电力设备红外图像分类识别模型,将电力设备红外测温图像通过迁移学习进行加权训练,利用Focal Loss函数改进神经网络的损失函数;最后,通过Softmax分类方法实现电力设备红外图像分类识别。试验表明,使用改进MobileNetV2的分类识别模型对电力设备红外图像进行分类识别的总平均准确率为92.62%,红外图像检测速度为116 f/s,具备较好的收敛速度与识别能力,为电力设备智能巡检提供了新思路。

基于迁移学习的红外图像分类

针对红外目标分类的问题,采用将Inception-v3模型进行迁移并用迭代法对网络结构进行改进的方法,对适用于红外目标分类的神经网络进行了研究。迁移后的模型经过训练能对红外图像的特征进行学习和表达,训练后的卷积神经网络模型能对不同数据格式的红外图像进行分类。实验结果表明,该迁移模型比已有的红外图像分类模型鲁棒性更好,红外图像分类准确率达98%以上,并且能够对不同数据格式的红外目标图像进行分类。

一种基于特征分类的红外图像自适应匹配增强的新方法

提出了一种基于特征分类的红外图像自适应匹配增强的新方法。先对大量红外图像的特点做深入分析,对图像进行归纳分类,共分为4类,并用状态空间特征参量表征。针对这些不同特点的红外图像,研究与之相匹配的增强算法。最终完成针对不同的红外图像,自动判断图像类型,并选择相应的参数和算法做增强处理,达到增强算法自适应匹配目的。这样有针对性地对不同特征的红外图像进行增强,提高了增强算法的适用范围。经过MATLAB验证得算法可行,并且增强效果很好。