基于改进LeNet-5网络的堆芯燃料组件编码识别

在核电站堆芯核燃料组件水下组装作业中,需要通过视觉技术进行组件编码的识别以便准确定位组件的安装位置。针对水下环境中弱光照等问题导致了图像质量的降低,本文通过乘方增强算法、OSTU算法、CLAHE算法和拉普拉斯变换的方法来实现堆芯燃料组件编码字符水下图像的增强。为了提高编码识别效果,提出了一种整合LeNet-5网络和支持向量机(SVM)的模型,在网络中添加BN(Batch Normalization)层与Dropout层来加速网络的运行速度,并改进Sigmoid函数,增加函数的平滑性,以此来减少梯度消失。实验表明,在自定义数据集上的验证准确率为99.82%,识别率为100%,相比于其他模型有显著的提升。

基于卷积神经网络LeNet-5的车牌字符识别研究

将卷积神经网络LeNet-5引入到车牌字符识别中。为了适应目前中国车牌字符识别的需要,对传统的卷积神经网络LeNet-5的结构进行了改进,主要是改变输出单元的个数与增加卷积层C5特征图的个数。研究结果表明,改进后的LeNet-5比传统的LeNet-5的识别率有所提高,识别率达到98.68%。另外,与BP神经网络进行了比较研究,从实验中可以看出在字符识别的正确率和识别速度上都优于BP神经网络。卷积神经网络在车牌识别中具有很好地应用前景。

基于LeNet-5的手写数字识别的改进方法

手写体识别是计算机视觉的一个重要研究方向。在手写体识别中,常规方法的泛化性能通常较低。相比之下,人工神经网络能够从样本数据中学习特征表达。文章详细探讨了基于LeNet-5和基于卷积神经网络的手写数字识别方法,并设计了图形用户界面(GUI)进行实际测试。测试结果显示,改进后的LeNet-5模型在手写数字识别上相较于传统LeNet-5模型有一定提升。

基于改进LeNet-5网络的交通标志识别方法

针对传统LeNet-5卷积神经网络用于交通标志等多种类识别任务中,存在识别正确率低、网络容易过拟合以及梯度消失等问题进行改进。引入Inception卷积模块组来提取目标丰富的特征,同时增加网络的深度。引入BN (batch normalization)层对输入批量样本进行规范化处理;同时改用性能更好的Relu激活函数,并使用全局池化层代替全连接层,合理改变卷积核的大小和数目。研究结果表明,改进LeNet-5网络能够有效解决过拟合和梯度消失等问题,具有较好的鲁棒性;网络识别率达到98. 5%以上,相比CNN (convolutional neural network)+SVM (support vector machine)提高了约5%,比传统的LeNet-5网络提高了3%。可见,改进后的LeNet-5网络图像识别的准确率得到显著提高。

基于卷积神经网络LeNet-5的货运列车车号识别研究

针对货运列车车号字符识别,提出了基于卷积神经网络Le Net-5的改进识别方法,考虑到卷积神经网络的层次化以及局部领域等结构特点,对网络中各层特征图的数量及大小等参数进行相应的改进,形成了适用于货运车号识别的新网络模型。实验结果表明,该方法对车号的断裂、污损等问题的解决有较强的鲁棒性,达到了较高的识别率,为整个车号识别系统的精确性提供了保障。

基于改进LeNet-5网络的车牌字符识别

引入了Inception-SE卷积模块组来提升LeNet-5网络的广度与深度,运用SE模块增强了有用的特征并抑制了对当前任务用处不大的特征;使用BN层和Dropout优化网络,防止梯度弥散,提升精度;使用全局池化层(global average pooling,GAP)代替全连接层来减少网络计算参数.研究结果表明:改进后网络的识别精度达到了99.88%,比传统的LeNet-5网络提高了1.71%.

基于轻量化YOLOv5的新型菜品识别网络

为了更好地满足中餐菜品识别对准确性和时效性的应用需求,设计一种新型的菜品识别网络。在原YOLOv5模型的基础上,结合Supermask方法与结构化通道剪枝对模型进行剪枝操作,并利用Int8量化技术最终实现对模型的轻量化处理,保证模型在菜品识别中兼顾准确率和速度,同时提高模型的可移植性。实验结果表明,所提模型在交并比(IoU)为0.5时,平均精度均值(mAP)达到99.00%,平均每帧识别时间达到59.54 ms,相较于原始YOLOv5降低了20 ms,且准确率基本保持一致。此外,利用Qt软件将新型菜品识别网络移植到瑞萨RZ/G2L开发板,构建智能出餐系统,可实现点餐、生成订单、自动出餐全流程,为未来真正的餐厅智能出餐系统的构建应用提供了理论与实践基础。

基于改进YOLOv5卷积神经网络的SAR图像目标识别

提出一种改进YOLOv5网络,并将其用于SAR图像目标识别。为了优化网络性能,文中进行了三个方面的改进:使用宽度比和高度比作为标注框之间的距离度量,并采用k-means聚类方法生成先验锚点框,作为预测框优化时的框尺寸初始值;改进框回归损失函数,引入Scylla交并比来代替竞争性交并比,以提高对密集分布目标的定位精度;改进置信度损失函数,使用焦点损失来替代二元交叉熵,以提高在复杂背景下的目标识别精度。基于MSAR数据集,选择了YOLOv3、常规YOLOv5作为对比网络,进行了大量的SAR图像目标识别实验。实验结果表明,相比两种对比网络,改进YOLOv5网络对各种目标均具有更高的识别准确率、召回率和F1值,以及更高的综合指标平均精度值和平均精度均值。

基于改进YOLOv5s网络模型的火灾图像识别方法

提出了一种基于改进YOLOv5s网络模型的火灾图像识别方法。通过引入注意力机制改进特征提取网络,提高模型对特征的学习能力;通过添加大尺度检测层改进多尺度检测机制,执行K-Means聚类算法改进先验框,增强模型对小目标的识别能力。在实验数据集上的测试结果表明:改进的YOLOv5s网络模型相比原始模型在精确率、召回率和平均精度均值(mAP)指标上均有提升。改进模型的mAP为85.72%,帧率达54.66fps;在置信度上有了明显提升,对多目标和小目标的识别效果更好,并且有效降低了漏检和误检情况。所提出的火灾图像识别方法可适用于安防监控系统或智能机器人。

基于权重分摊的LeNet-5卷积神经网络防御策略

随着神经网络在自动驾驶、医疗诊断等关键领域的应用不断深入,如何确保神经网络的鲁棒性和安全性已成为当前研究的热点和挑战。在对抗攻击、数据中毒攻击、后门攻击等众多攻击方式中,随机翻转攻击是一种对安全性影响极大的攻击,其通过改变模型内部的权重参数来攻击网络,以降低网络性能。为应对此攻击方式,研究了一种基于权重分摊的防御策略。通过计算和分析权重的梯度来确定关键神经元,并为这些神经元添加冗余结构,使错误的权重最终被稀释,以提高模型的容错能力。为了验证这一防御策略,以LeNet-5模型为实验对象进行实验。实验表明,在相同的攻击条件下,经过防御后的模型相较于原始LeNet-5模型,容错精度提升了6.5%,相较于Inception-LeNet-5模型在全连接层上容错精度提升了1.9%。

基于YOLOv5轻量化网络的人脸口罩识别方法研究

目的:为解决人脸口罩识别中边缘和移动端设备存储与计算资源受限的问题,提出一种基于YOLOv5轻量化网络的人脸口罩识别方法。方法:选取由主干网络(Backbone)、颈部模块(Neck)和头部模块(Head)组成的YOLOv5模型作为基础框架。首先,使用ShuffleNetv2轻量化网络对Backbone部分进行修改替换;其次,在Neck部分引入Ghost模块和C3_S模块;最后,为提升检测精度,融入卷积块注意力模块(convolutional block attention module,CBAM),形成Shuffle_Yolo_GS_CBAM模型。选用AIZOO数据集训练和验证模型,通过平均精度均值(mean average precision,mAP)、每秒传输帧数(frames per second,FPS)、每秒10亿次的浮点运算数(giga floating-point operations per second,GFLOPS)和参数量评估模型对人脸口罩的识别效果。结果:该模型识别人脸口罩的mAP为89.5%,FPS为158.7帧/s,参数量和GFLOPS分别为2.38 M和4.5 GFLOPS。与YOLOv5s相比,虽然检测精度略有下降,但检测速度提升了39.7%,模型参数量减少了67.3%,模型运算量减少了73.8%。结论:提出的方法在提高检测速度、减少参数量和计算量、保障检测精度方面表现良好,适合部署在边缘和移动端设备上进行人脸口罩识别。

基于改进的卷积神经网络LeNet-5的车型识别方法

针对现有车型识别算法的耗时长、特征提取复杂、识别率低等问题,引入了基于深度学习的卷积神经网络(convolutional neural network,CNN)方法。此方法具有鲁棒性好、泛化能力强、识别度高等优点,因而被广泛使用于图像识别领域。在对公路中的四种主要车型(大巴车、面包车、轿车、卡车)的分类实验中,改进后的卷积神经网络LeNet-5使车型训练、测试结果均达到了98%以上,优于传统的SIFT+SVM算法;另外,还研究了改进网络中的Dropout层对车型识别效果的影响。与传统算法相比,经过改进后的卷积神经网络LeNet-5,在减少检测时间和提高识别率等方面都有了显著提高,在车型识别上具有明显的优势。

基于改进的LeNet-5卷积神经网络交通标志的识别

针对目前现有交通标志识别算法耗时长、识别率低等问题,提出了一种改进的LeNet-5卷积神经网络模型(Improved LeNet-5 Convolutional Neural Network,ILN-CNN).首先,对原有的LeNet-5卷积神经网络模型构造2个相对独立的不同卷积核的子卷积网络,用于加快特征提取;其次,增加子网络中卷积核的个数,以增强网络区分不同交通标志的能力;最后,添加激活函数ReLU,增加Dropout层,以达到加快函数收敛,避免CNN过度拟合,降低神经元间互适应的效果.实验结果表明:与传统的系统结构相比,ILN-CNN对交通标志的识别准确率达到93.558%;比BP神经网络模型、支持向量机分类算法分别提高了12.206%和4.018%,并且在识别时间上具有一定的优势.

基于YOLOv5s微光环境下的多模态识别网络

近些年来,在目标检测以及图像分割等领域涌现了许多先进的算法。在能见度较差的微光场景下如夜晚、大雾天气等场景中,视频图像具有像素声高、对比度低、无彩色信息等特点,算法的检测性能受到明显限制。与目前主流的RGB相机相比,毫米波雷达对上述复杂环境具有一定的免疫能力,可以在不利条件下辅助RGB相机进行目标检测工作。以单阶段目标检测器中实时性较高的YOLOv5s为基础,结合毫米波雷达的特性,提出了用于微光环境下目标检测的多模态识别网络。与现有的传感器融合方法相比,多模态识别网络有几个关键优势。系统以基于学习的方式融合了2种模态,只需要少量新场景的标记图像和雷达数据,因为其可以充分利用已经开源的大型图像数据集进行大批量的训练。这一突出特性使新系统能够适应高度复杂的现实环境。由于使用了高度计算效率的融合方法,系统是非常轻量级的,因此适用于各个复杂场景下的实时应用。为了评估系统的性能,制作了一个小批量的雷达和摄像机融合数据集,包含普通光照和不同强度微光光照条件下的多模态数据。实验结果表明,微光场景下多模态识别网络的平均精度达到76.6%,相比Faster R-CNN算法和YOLOv7算法,全类平均精度(mean Average Precision,mAP)提高了16.8%和9.3%,且误检、漏检率低,达到了在微光环境下完成目标检测任务的要求。

基于字符分割和LeNet-5网络的字符验证码识别

为了解决传统验证码识别方法效率低,精度差的问题,设计了一种先分割后识别的验证码处理方案;该方案在预处理阶段用中值滤波去噪,再利用霍夫变换对图像字符进行矫正;在字符分割阶段,利用垂直投影算法确定验证码字符块个数,以及字符坐标点,再用颜色填充算法对验证码进行初步分割,根据分割后的字符块数量对粘连字符进行二次分割;在识别阶段,我们对LeNet-5网络进行了改进,修改了输入层,并用全连接层替换了LeNet-5网络中的C5层,以此来对验证码字符进行识别;实验表明,对于非粘连验证码和粘连验证码,单张图片分割时间为0.14和0.15 ms,分割准确率为98.75%和97.25%,识别准确率为99.99%和97.7%;结果表明,该算法对验证码分割和识别都有着很好的效果。

基于Lenet-5网络组合特征融合的水表数字识别

为有效识别水表数字区域的半字符和提高数字识别准确率,设计一种基于Lenet-5网络组合特征融合的水表数字识别算法。对水表原始图像进行预处理,获取完整字符和半字符数字组成的数据集;在Tensor Flow深度学习框架下搭建卷积神经网络,选取卷积核为3×3、1×3、3×1的卷积层作为改进网络的卷积层,增加卷积层的层数,并对非对称卷积前后的组合特征进行融合,提高网络对半字符的识别能力;用图像集训练和检测改进网络的识别性能。实验结果表明,迭代次数为10 000、学习率为0.001 5的改进网络模型在测试集上识别准确率达到99.025%,识别准确率高于原Lenet-5网络和一些典型的水表数字识别算法。

基于LeNet-5卷积神经网络的车牌字符识别

针对车牌字符类别多、背景复杂等特点,以卷积神经网络LeNet-5模型为基础,通过去除全连接层F6层以及增加卷积层C1和C3层特征图的数目改进网络结构,通过字符分割,大小归一化、去除噪声、二值化、字符区居中、去除复杂背景等预处理,构建神经网络模型。结果表明:简化后的LeNet-5神经网络模型比传统的LeNet-5神经网络模型更为简单,其车牌字符识别算法准确率为99.96%。该研究对提高车牌字符识别的准确性提供了一定的参考。

基于区域加权LeNet-5网络的汉字识别研究

针对传统LeNet-5网络在汉字识别时平等对待字符图像各个区域的问题,无法体现汉字的结构特点,提出了基于区域加权LeNet-5的网络模型作为汉字识别的模型。在传统LeNet-5网络的基础上,第一层卷积操作过程中,引入了区域加权参数,并合理调整了网络的结构。实验表明,在相同的样本条件下,基于区域加权LeNet-5的网络模型可以解决平等对待字符图像各区域的问题,能够很好地体现字符的结构特点,与传统的字符识别方法和现有的神经网络模型相比,基于区域加权LeNet-5网络的识别率均高于其他几种方法。

基于改进LeNet-5卷积神经网络的发票识别研究

增值税发票信息在金融领域至关重要,自动识别发票信息可以节约人工成本和时间成本。因此,文中提出设计一种基于改进LeNet-5卷积神经网络的发票自动识别方法,将改进LeNet-5卷积神经网络算法应用于发票识别后,经验证表明,应用改进LeNet-5卷积神经网络算法的发票信息识别率得到了提高。

改进LeNet-5网络用于交通标志识别的方法

为了提高自然交通场景中交通标志的识别精度和检测识别率,提出了一种基于改进LeNet-5网络的交通标志识别算法。该方法对交通标志数据集进行图像尺寸归一化以及数据集增广预处理,增加数据集的多样性,提高了后续模型训练的准确率。对主体LeNet-5网络进行了改进,网络模型使用4层卷积、池化层连接2个全连接层,加深模型的深度;采用ReLU激活函数代替Sigmoid激活函数对卷积运算的结果进行转换,降低算法的计算复杂度;为改善训练神经网络过程中的过拟合现象,在模型中加入Dropout策略;通过实验分析确定算法中的相关参数并与改进前LeNet-5网络进行对比,验证改进算法的有效性。实验结果表明,本研究提出的算法在德国交通标志数据集(GTSRB)上获得99.42%的识别准确率。