基于多尺度重叠滑动池化的SSD果冻杂质检测方法

提出一种基于SSD的杂质检测方法,用于检测生产线中果冻内部的杂质,并标注出杂质的类型和位置。在预处理阶段,提出滑动图像块分割方法,将整张果冻图像分割成若干图像块,避免杂质占比过小,造成准确率低的现象。使用迁移学习的方法,将神经网络在ImageNet数据库上学习到的特征迁移到果冻数据库中,加快网络收敛速度,同时,在一定程度上避免了过拟合现象。提出多尺度重叠滑动池化(SOSP)方法,取代第五层池化以取得更加鲁棒的特征池化。最后,将一幅图下的所有分割块上的检测结果进行整合,得到整张图像的检测结果。实验结果表明,本文提出的方法有效可行,对多种缺陷平均准确率达到0.7271。相比其他方法,本文的算法更具鲁棒性,可应用到果冻生产线中。

一种基于卷积神经网络的图像分类算法

研究一种基于卷积神经网络的图像分类算法,该方法是以5个卷积层和3个全连接层构成模型,第1、2、5个卷积层连接有最大池化层,输出层采用softmax激活函数。为了提升模型的性能,在隐藏层采用了ReLU激活函数,同时引入了重叠池化方法。为抑制模型产生过拟合,采用了数据增强策略。实验结果表明,该模型的图像分类精度明显优于传统机器学习方法。

基于卷积门控循环网络的滚动轴承故障诊断

针对许多基于深度学习的滚动轴承故障诊断方法在小样本数据集下诊断性能下降的问题,提出一种基于卷积门控循环神经网络的轴承故障诊断模型。该模型使用两层的卷积网络来从输入信号中提取特征,同时使用tanh函数作为激活函数,且池化层使用大池化核来进行重叠下采样。将所提取得到的高层特征连接到双向门控循环网络。合并循环网络正向和逆向的最后一个状态,并连接一层全连接层进行输出。选用凯斯西储大学的轴承故障数据集来验证模型在小样本数据集下的诊断性能,实验结果表明,相比于其他类型的模型,该模型在仅有20个训练样本的情况下依然保持97%的识别准确率。

基于卷积神经网络的鞋型识别方法

“监控+鞋印”是目前公安机关刑事侦查的重要技战法,其基本原理是依据犯罪现场鞋印推断嫌疑人所穿鞋型,然后到周边监控视频中检索嫌疑鞋型。针对“监控+鞋印”技战法自动化程度低下的问题,提出一种基于卷积神经网络的鞋型识别方法,实现对嫌疑鞋型的自动识别。根据鞋型识别独有特点,在DeepID的基础上设计卷积神经网络框架,并构建鞋型样本数据库(50双鞋型样本,共计160231幅图像)。运用Caffe框架结合不同网络模型对鞋型图像数据进行训练和测试,实验设计的初始网络结构由两层卷积、两层池化、两层全连接组成。实验比对了不同的第一层全连接层输出元素数目对网络性能与训练效率的影响,又在不改变输出特征图大小的情况下比对了不同网络深度的实验结果,在优化模型的基础上引用重叠池化得到实验最优网络模型。实验结果表明,卷积神经网络对于鞋型有很好的识别效果,识别精度值最高达96.06%,为鞋型识别提供了一种新的途径。