基于雾天交通标志识别算法的研究

针对雾霾天气导致交通标志难以被准确识别的问题,本文提出在雾霾天气下快速实现交通标志检测识别算法的研究。通过全局直方图均衡、局部直方图均衡、单尺度Retinex和多尺度Retinex四种去雾算法实现含雾图像的去雾处理。采用YOLOv1目标检测算法对交通标志目标进行精准定位和检测。通过Alex-Net分类识别模型实现对LISA交通标志数据集中14类交通标志的识别。结果表明,本文的方法能使快速准确地对雾天交通标志进行检测、分类和识别。

基于改进卷积神经网络的车型识别

为解决传统车型识别方法提取特征信息单一、识别精度不高、效率低的问题,将卷积神经网络引入目标识别问题中,利用其清晰、高效的泛化能力完成车型的特征学习,围绕模型的框架结构设计和内部参数优化两个方面进行研究,提出一种基于改进的Alex Net网络模型。将循环神经网络与卷积神经网络融合嵌入二级框架,设计自定义池化方式并对参数更新过程方法进行合理组合,通过提取浅层和高层的组合特征保证训练过程输入信息的多样性,使特征表达更加精确,网络性能更加高效。将该模型应用于视频监控图像车型识别任务中,通过在BIT-vehicle数据集上的一系列对比实验验证了所提模型的有效性。

基于ANNet网络的RGB-D图像的目标检测

由于深度图像采集设备的广泛使用,使得利用RGB-D图像进行目标检测成为计算机视觉领域研究热点。为了使得利用卷积神经网络所提取的特征更具有鲁棒性,设计了一种改进的卷积神经网络(本文称为ANNet),以提高检测准确率。为了提高卷积层中局部感受区域的模型分辨能力,针对AlexN et网络中卷积层中卷积核与下层数据块的线性特性,将部分卷积层改进为带有多层感知机的非线性卷积层。在NYUD2数据集上实验,结果表明,使用改进后的网络结构,在彩色图像上的检测结果提升了3%,在RGB-D图像上的检测结果提升了4%。

基于图像识别的果蔬自助结算系统

实现对缺少条形码的水果蔬菜的识别与结算,是超市自助结算的一大难题;为在资源有限的结算终端设备上实现超市果蔬的识别与分类,提出了一种基于神经网络的果蔬识别算法;通过增加网络宽度的方法改进Alex Net,提升识别性能;结合压力传感器、摄像头等硬件设备,在树莓派上进行实验,完成了果蔬自助结算系统的搭建;经实验测试,系统对果蔬的平均识别准确率可达98.25%,单次结算总耗时约7.48 s,仅为人工结算耗时的1/4,满足果蔬自助结算系统的实际应用需求。

基于AlexNet卷积神经网络模型的宁夏天然地震和非天然地震识别研究

宁夏回族自治区及周边天然地震和非天然地震频发,精确快速识别天然和非天然地震有利于震后应急响应、科学研究、赈灾救援等工作。基于AlexNet卷积神经网络模型,选取宁夏境内及周边130个地震事件(天然地震80个、非天然地震50个),对其进行了单个台站波形记录地震事件的训练和多个台站波形记录地震事件的测试,并将模型结果与宁夏测震台网人工编目结果进行比对,结果表明单个台站波形记录地震事件的训练结果中,AlexNet卷积神经网络模型对宁夏天然地震和非天然地震的正确识别率为99%;多个台站波形记录地震事件的测试结果中,此模型对宁夏天然地震和非天然地震的正确识别率为97.01%。AlexNet卷积神经网络模型作为人工智能领域的成熟技术之一,可以很好的运用于宁夏天然地震和非天然地震的识别工作之中。

基于增强AlexNet的深度学习的阿尔茨海默病的早期诊断

在中国,越来越多的老人正在忍受着阿尔茨海默病(Alzheimer's Disease,AD)的痛苦。阿尔茨海默病俗称老年痴呆症,临床上表现为失忆、丧失语言能力等。目前,中国的阿尔茨海默病患者人数已居世界第一。因此,早期诊断阿尔茨海默病变得十分急迫。研究表明,轻度认知障碍(Mild Cognitive Impairment,MCI)转化为阿尔茨海默病的概率很高,它是介于阿尔茨海默病和正常(Healthy Control,HC)之间的一种状态。随着大数据时代的来临,机器学习方法在疾病诊断方面受到热捧。所以,研究提出使用深度学习方法实现对阿尔茨海默病、轻度认知障碍和健康人群的诊断。数据库来自网络公开数据库ADNI。原始的核磁共振图像(Magnetic Resonance Imaging,MRI)的预处理得到首都医科大学附属北京天坛医院的指导。使用卷积神经网络对降维后的实验数据进行训练。因为目前的网络模型不是针对医学图像的,所以实验的重点在于改进现有网络模型,使之达到良好的诊断效果。改进的网络模型是在图像分类方面十分出色的AlexNet网络模型。实验根据阿尔茨海默病的特点提出改进原始模型的4种算法,采用并行方式计算,使用曙光W780-G20服务器,利用8块NVIDIA Tesla K80进行GPU计算,获得4个分类器:AD vs.HC,AD vs.MCI,MCI vs.HC和AD vs.MCI vs.HC。数据集中图像总数量超过7万张,耗时不超过30分钟。最终,通过绘制ROC曲线,计算敏感度、特异度、精确度,对测试结果进行评估,得到了较好的测试结果。

基于卷积神经网络的服装领型识别与分类研究

针对服装领型特征识别困难、分类效果不理想等问题,提出了一种基于Alex Net卷积神经网络的服装领型识别与分类方法,实现了服装衣领造型的自动识别与分类。首先,从电商平台收集服装样本图并对其进行剪裁和预处理,建立一个包含圆形领、方形领、一字领、V形领等15类服装领型的样本库;其次,利用Alex Net卷积神经网络中的卷积、池化操作,提取服装领型样本中的领型特征;最后,运用Softmax回归分类器来实现服装领型的分类。结果表明,该方法可以有效地对服装领型进行识别与分类,分类准确率达到98.67%,可以有效解决服装领型识别分类困难等问题,为服装商品的可视化分类提供有效方法。

迁移学习在设施蔬菜病虫害识别中的应用

随着人们生活水平的日益提高,消费者对新鲜蔬菜的需求日益增大,近40年来设施蔬菜产业快速发展,随着技术水平的提高和物联网设备的更新,设施蔬菜的技术含量显著提高。针对通过图像采集设备在短时间内获取的蔬菜病害图像有限,需要通过迁移学习技术来帮助训练卷积神经网络,该项目对不同类型的卷积神经网络的参数迁移进行了研究,采用Plant Village的部分数据集,将Alex Net的第1层卷积核参数通过区域插值方法计算处理后迁移到VGG16的第1层卷积核参数,再对VGG16进行训练。研究结果证明:该方法可行,迁移参数后的网络比随机初始化的网络准确率提升了4.98%。

并行交叉的深度卷积神经网络模型

目的图像分类与识别是计算机视觉领域的经典问题,是图像检索、目标识别及视频分析理解等技术的基础。目前,基于深度卷积神经网络(CNN)的模型已经在该领域取得了重大突破,其效果远远超过了传统的基于手工特征的模型。但很多深度模型神经元和参数规模巨大,训练困难。为此根据深度CNN模型和人眼视觉原理,提出并设计了一种深度并行交叉CNN模型(PCCNN模型)。方法该模型在Alex-Net基础上,通过两条深度CNN数据变换流,提取两组深度CNN特征;在模型顶端,经过两次混合交叉,得到1 024维的图像特征向量,最后使用Softmax回归对图像进行分类识别。结果与同类模型相比,该模型所提取的特征更具判别力,具有更好的分类识别性能;在Caltech101上top1识别精度达到63%左右,比VGG16高出近5%,比Goog Le Net高出近10%;在Caltech256上top1识别精度达到46%以上,比VGG16高出近5%,比Goog Le Net高出2.6%。结论 PCCNN模型用于图像分类与识别效果显著,在中等规模的数据集上具有比同类其他模型更好的性能,在大规模数据集上其性能有待于进一步验证;该模型也为其他深度CNN模型的设计提供了一种新的思路,即在控制深度的同时,提取更多的特征信息,提高深度模型性能。