一种传感图像特征快速挖掘算法设计

传感图像采集因曝光而损失图像特征,导致特征错误挖掘率高和精准率召回率(Precision-Recall,PR),曲线表现较差,针对该问题,提出一种新的传感图像特征快速挖掘算法。该方法将参数化修正线性单元函数作为激活函数,融合修补图和输入图像,并在训练阶段使用L1损失函数和结构相似性指数(Structural Similarity Index,SSIM)损失函数约束图像,采用softmax回归挖掘图像特征,构建卷积神经网络传感图像特征挖掘结构,在训练过程中,使用自适应梯度更新结构参数,设计挖掘步骤,实现传感图像特征快速挖掘。实验结果表明,设计的卷积神经网络图像特征挖掘方法的PSNR值较高、SSIM值接近1,错误挖掘率为1.0%,PR曲线最接近右上角,面积最大,并且图像视觉效果更好,特征挖掘时间最高仅为1.3 s,实现了快速挖掘。

改进的Alexnet模型在水稻害虫图像识别中的应用

深度学习技术能以端对端方式实现农作物害虫识别,克服了传统机器学习方法特征选择具有主观性以及提取特征操作繁琐等不足,但识别的准确率和鲁棒性仍有待提高。为了研究出一种快速,高效的水稻害虫识别方法,本研究以稻纵卷叶螟、三化螟、稻蝗、稻飞虱4种常见的水稻害虫为研究对象,对传统的卷积神经网络Alexnet进行优化改进。首先从自然环境以及搜索引擎上获取4种不同的水稻害虫图像,并对图像进行数量扩增和细节增强预处理。然后对传统的卷积神经网络Alexnet进行优化改进,在Alexnet模型基础上,去除原有局部响应归一化层,在每一个卷积层后加入批归一化层,并采用全局平均池化和激活函数PReLU对模型结构进行优化。结果表明:改进后的模型在害虫数据集上的识别率不低于98%,相比于原网络提升了1.96%,高于LeNet5、VGG13、VGG16等传统网络;改进后的模型的损失值稳定在0.03附近,相比于原网络降低了0.1,均低于LeNet5、VGG13、VGG16等传统网络。从实验结果来看,改进后的方法在水稻害虫分类上有较高的识别率和较好的鲁棒性,可以为农作物害虫的智能识别提供了新的思路和方法。

超深卷积神经网络的图像超分辨率重建研究

针对VDCN网络结构在大尺度因子上超分辨率效果较差的缺点,提出一种高精度单图像超分辨率重建方法。将ReLU激活函数更换为PReLU激活函数,增加网络层数,使用25个带PReLU激活函数的卷积层进行训练和测试。实验结果表明,与VDCN方法相比,该方法耗费时间较少,且性能更稳定。