基于拉曼光谱和P-CNN的杏仁产地鉴别研究

不同产地的杏仁因口感及营养价值的不同而造成价格差异明显,如何实现杏仁产地鉴别是目前促进杏仁产业发展的关键因素。利用拉曼光谱仪进行杏仁的拉曼光谱图测定,并结合LabSpec分析软件对原始拉曼光谱进行基线矫正处理,再将处理后拉曼光谱结合一维轻便卷积神经网络(1D P-CNN)对7种杏仁进行判别分析。构建的包含卷积层conv1、池化层pool1、卷积层conv2、池化层pool2、全连接层fc1和fc2的1D P-CNN模型准确率、召回率和F值均可达到99.3%。为验证分类器的鲁棒性,在不同噪声场景下使用逻辑回归模型(LR)、随机森林模型(RF)、贝叶斯网络模型(NB)和P-CNN四种不同分类器鉴别杏仁拉曼光谱的情况,P-CNN准确率比其他三种模型的准确率高,为杏仁产地鉴别研究提供更为准确、有效的分析方法。

抗高强度椒盐噪声的鲁棒拼接取证算法

在图像取证领域,图像拼接检测技术可以通过分析图像内容识别拼接,并定位拼接区域。然而,在传输、扫描等常见场景中,椒盐(s&p)噪声会不可避免地随机出现,且随着噪声强度的增加,当前拼接取证方法的效力将逐渐减弱,甚至失效,极大地影响了现有拼接取证方法的效果。因此,提出一种能够抵御高强度椒盐噪声的拼接取证算法。所提算法分为2个主要部分:预处理部分和拼接取证部分。首先,预处理部分利用ResNet32与中值滤波器的融合,去除图像中的椒盐噪声,并通过卷积层恢复受损的图像内容,从而最大限度地消除椒盐噪声对拼接取证部分的影响并恢复图像细节;其次,拼接取证部分基于暹罗网络结构,提取与图像唯一性相关的噪声伪影,并通过不一致判断识别拼接区域。在通用篡改数据集上的实验结果表明,所提算法在RGB图像和灰度图像上均取得了良好的效果。在10%噪声场景下与FS(Forensic Similarity)和PSCC-Net(Progressive Spatio-Channel Correlation Network)取证算法相比,所提算法将马修斯相关系数(MCC)值提升超过50%,这验证了所提算法在被噪声干扰的篡改图像上取证的有效性和先进性。

基于并行卷积神经网络和特征融合的小样本轴承故障诊断方法

在风力发电机轴承故障诊断过程中,基于深度学习的故障诊断方法受限于有限的标注样本,存在模型收敛困难和识别准确率较低等问题,为此,提出了一种基于并行卷积神经网络(P-CNN)和特征融合的小样本风机轴承故障诊断方法。首先,采用集合经验模态分解(EEMD)方法,将轴承的原始振动信号分解为若干个本征模态函数(IMF)分量以及残余分量;然后,分别对其进行了短时傅里叶变换(STFT),将其转换为时频特征图,同时构建了多个相同的卷积神经网络分支,以此作为特征提取器;最后,在融合层中,将提取到的时频域特征进行了通道特征融合,作为最终分类器的输入数据,对风机轴承进行了故障识别;并采用美国凯斯西储大学不同大小的轴承数据集,对该方法的适用性和有效性进行了验证。研究结果表明:在仅含有160个样本时,基于并行卷积神经网络(P-CNN)和特征融合的诊断方法的平均准确率高达94.5%;与支持向量机(SVM)、故障网络(FaultNet)、第一层宽卷积核深度卷积神经网络(WDCNN)相比,该诊断方法具有更高的准确率和更强的鲁棒性。

基于五阶CNN的图像边检测算法研究

边缘是图像的最基本的特征之一,边缘提取是图像分析中非常重要的步骤,而细胞神经网络是边缘检测中很有效的一种方法.作者基于细胞神经网络(cellular neural network,简称CNN),研究了5阶CNN模板对图像边缘检测的过程,阐述了算法实现过程中的关键步骤,并且证明了算法的稳定性.对图像分别采用基于5阶、3阶CNN算法和经典算子(Prewit、Canny、Sobel等)进行边缘提取,定性分析比较了几类算法在性能上的优劣,定量比较了检测结果的准确性.实验结果表明,基于5阶CNN模板算法的边缘检测结果更加显著,且在硬件实现上能够高速并行计算,实现图像实时处理.