基于空间聚合加权卷积神经网络的力触觉足迹识别

为了提高力触觉足迹识别的准确率,提出一种基于空间聚合加权注意力机制的足迹识别算法.首先,采用压力足迹采集器采集并构建一个包含100人2000幅力触觉足迹图像的数据集;然后,采用VGG19卷积神经网络预训练模型提取特征,为获取特征图中足迹压力分布感兴趣区域,设计一种空间聚合加权模块(SAWM),该模块专注高响应区域从而提取足迹中显著区域局部特征,并与输入特征图加权融合,保留显著性特征,抑制不重要特征;最后输出的特征经过平均池化在全连接层实现力触觉足迹的识别.试验结果表明,所提算法准确率达到了91.20%,优于其他注意力机制算法以及传统的足迹识别算法.采用空间聚合加权注意力机制网络模型能够有效进行足迹识别,为身份识别提供技术支撑.

采用深度卷积神经网络的路面破损智能识别

为有效识别沥青路面病害类别,将VGG卷积神经网络引入沥青路面病害识别中.根据VGG模型随着卷积核深度的加深可获得图片更深层次特征的特点,将VGG模型最后一层卷积核的卷积深度加深,得到改进型VGG模型,并与原始VGG模型进行比较.结果表明:改进型VGG模型每步用时278 ms,相比于原始模型每步用时258 ms略有增加,而病害识别精度进一步提升了1.36%,对龟裂、松散等复杂裂缝分别提高了1.12%、0.84%.可见,VGG模型可有效识别路面病害,将其适当改进后效果更佳,对诸如松散、龟裂等复杂路面病害可做到精确识别,能及时、有效监测路面破损状况.

融合VGG与注意力的学生微表情识别和情绪评估方法

在智能课堂中,实时掌握学生的情绪状态对于提高教学质量和个性化教育具有重要意义。引入通道注意力机制,对VGG16卷积神经网络进行改进,结合多层感知机,提出了VGG16_SE_MLP模型用于学生微表情分类识别以及情绪评估方法。首先对微表情数据集进行预处理,然后进行特征提取,在卷积层后面引入SE模块,并加入批归一化层防止过拟合,通过MLP计算得到新的特征向量以及微表情类别,最后对学生情绪进行评估。实验结果表明,该方法在微表情分类识别和情绪评估效果性能良好,为智能课堂提供了新思路。

对称点模式-深度卷积神经网络的红外光谱识别方法

红外光谱分析在自然科学、工程技术等诸多领域发挥着重要作用。随着计算机和人工智能技术的不断发展,对红外/近红外光谱分析提出了更高的要求。深度学习以人工神经网络为架构,通过对数据进行分层特征提取完成特征/表征学习,在解析数据细节特征方面具有独特的优势,在计算机视觉、语音识别、疾病诊断等多领域得到成功应用。尽管深度学习在图像、音频、文字分析方面获得了较好的效果,但是在红外/近红外光谱数据分析中的应用还十分有限。针对深度学习的卷积运算,首先将一维傅里叶变换(Fourier tran sform infrared spectroscopy,FTIR)红外光谱数据通过对称点模式(symmetrized dot patterns,SDP)变换为二维RGB彩色图像,然后将SDP变换得到的彩色图像数据作为VGG(oxford visual geometry group)深度卷积神经网络的输入进行深度学习,建立基于红外光谱数据的分类识别模型。对不同浓度甲烷(CH_(4))、乙烷(C_(2)H_(6))、丙烷(C_(3)H_(8))、正丁烷(C_(4)H_(10))、异丁烷(iso-C_(4)H_(10))、正戊烷(C_(5)H_(12))、异戊烷(iso-C_(5)H_(12))七种单组分烷烃及其混合气体SDP转化获得的224×224彩色(RGB)图像,呈现出显著差别,且更符合VGG卷积运算的数据格式。将SDP-VGG方法应用于气测录井中甲烷浓度范围的识别:气测录井气体为上述七组分烷烃气体的混合气体,其中主要成分甲烷的浓度范围按照<20%,20%~40%,40%~60%,60%~80%,80%~100%分为5类,不同七组分烷烃混合气体样本的红外光谱由红外光谱仪在波数范围为4000~400 cm^(-1)、间隔12 nm的条件下扫描获得。在未经过特殊预处理和特征提取的情况下,采用随机选择的4500个样本,由SDP-VGG法建立的七组分混合气体甲烷浓度范围识别模型,对5种甲烷浓度范围的识别准确率达到91.2%,优于相同红外光谱数据所建立支持向量机(support vector machine,SVM)和随机森林(random forest,RF)模型的识别准确率88.7%和86.2%。研究表明,SDP结合深度学习可以准确提取红外光谱数据的关键特征,提高了红外光谱识别的准确率,是一种更为有效的红外光谱分析方法,具有广阔的应用前景。

一种基于虚拟测试样本和VGG网络模型的人脸识别算法

近年来,随着人工智能的快速发展,人脸识别已经成为现代生物信息识别中的一种重要技术。但是,随着人们对生物信息的隐私性越来越重视,特殊场景下样本信息数量少等问题仍然影响着人脸识别算法的精度。本文针对少样本场景,提出了一种将虚拟测试样本与原始测试样本进行结合的基于VGG卷积神经网络的人脸识别算法。经实验,该算法在少样本场景下仍能够取得较好的效果。

基于VGG16的急性淋巴细胞白血病血液细胞显微图像人工智能辅助诊断分类研究

针对临床医学中急性淋巴细胞白血病(Acute Lymphoblastic Leukemia,ALL)血液细胞显微图像分类易错、费时等问题,本文提出了一种基于深度学习VGG16卷积神经网络模型的方法去获取医学图像中高纬度的病理信息。该方法首先将样本数据进行预处理,清洗出符合要求的训练集和验证集,其中还用到了超像素的方法用于训练样本的目标区域提取,然后再将预处理好的数据,输入到VGG16卷积神经网络模型中,对其进行训练,最后输入验证集进入模型中进行验证,实验结果表明,该分类方法能有效地完成ALL血液细胞显微图像是否患病的分类。

基于迁移学习改进VGG模型的场景分类

基于视觉分析的图像场景识别分类技术已经被广泛地研究和运用在许多相关学科的领域中。场景划分技术是图像场景识别基础性的工作。本文构建迁移学习改进VGG16模型,采用VGG16卷积神经网络结构,核心运算功能为五组卷积神经运算相互操作,每两组之间运算可以直接达到Max-Pooling14空间的卷积降维;同一组内部可以同时进行多次连续的3×3卷积,卷积核所需要数量从较浅组的64逐渐增多至最深组的512;卷积之后连接到两层完整的全反向连接层,之后是分类层。该模型应用在场景分类的数据集上,能够快速学习特征并极大地节省了训练时间,并对图片场景进行较精确的分类。

基于注意力机制的改进VGG车辆类型识别研究

提出一种基于改进VGG11的车辆类型识别算法,用于处理不同类别的车辆型号的识别问题。为了解决一些车辆型号之间非常相似而导致的误检问题,应用注意力机制来增加有效特征图权重,减小无效或效果小的特征图权重,来使得训练模型得到更好的效果,从而提升算法的准确率。为了验证改进的VGG11的性能,将改进模型与经典模型AlexNet和VGG11原模型进行了实验对比。实验结果表明,改进的VGG11模型的收敛速度和精度都要远高于Alexnet和VGG11原模型,在训练50epochs时,就达到了96%的识别精度。

基于改进VGG卷积神经网络的前方车辆目标检测

针对目前无人驾驶汽车领域中的车辆目标检测问题提出了一种改进的车辆检测方法。首先,采用自适应阈值分割算法提取图像中所有前方车辆底部阴影特征,并得到车辆检测假设区域;然后,通过预先训练改进的VGG卷积神经网络作为车辆检测分类器,对所有车辆检测假设区域进行验证,最终确定图像中所有车辆的位置。通过对试验结果进行分析,采用改进的VGG卷积神经网络结构在测试集上的检测准确率达91.95%,并在实际图片测试中取得了良好的检测效果。

基于OpenCV和深度学习的停车位识别方法研究

本文基于OpenCV和深度学习解决停车场空车位实时检测和精准定位问题。在视频采集转换成图像的过程中,无法规避产生噪声和过曝或曝光不足的情况。为此首先将实时监控视频信息转化成对应图像来减少定位停车位的坐标关键点,利用中值滤波操作消除图像噪声,用单尺度Retinex算法对图像进行自适应增强。其次对停车位区域背景剔除时将掩码图像与原始图像融合,对车位标记线利用霍夫直线方法检测分割出停车位并编号;最后利用VGG卷积神经网络对有车车位和空车位进行训练,对当前图像中车位是否为空闲进行判断并实时更新,再以图像流输出,完成实时监测空车位任务。

TRIZ物场模型和深度学习在蛋黄酥包装图案上的分类研究

运用TRIZ物场模型分析目前人工分拣不同口味盒装蛋黄酥的方法,在建立了物场模型后,采用驱动装置和图像采集装置及深度学习算法来替代该物场模型中的人手和人眼,设计了自动分拣不同口味盒装蛋黄酥系统。用改进的Visual Geometry Group(VGG)卷积人工神经网络对盒装蛋黄酥的图案进行分类。由于盒装蛋黄酥图案所在识别环境背景固定、识别角度固定,造成其训练数据集小,因此采用数据增强的方法对数据集进行扩展。在使用1845张蛋黄酥图片进行训练,经过28次迭代后,改进的VGG网络成功收敛。经测试,615张测试样本的分类率都达到100%的正确率。

基于体感识别技术的运动训练辅助系统设计

针对传统运动训练方式严重依赖教练人工指导的问题,文中将体感识别技术应用于运动训练辅助系统的设计中,以实现运动训练智能化。该运动训练辅助系统采用Kinect V2作为实时动作采集传感器,使用分隔策略将人物从运动场所背景中分离出来,从而降低数据的计算量。通过将人体简化为18个骨骼关节降低动作识别的复杂度,并使用多目标跟踪算法来捕捉关节点位置数据。利用VGG卷积神经网络将二维关节数据转换成人体姿态图,将不同时刻的人体姿态图作为堆叠模型的训练样本,以监督学习的方式进行训练和参数优化,得到运动训练实时动作识别模型。经过测试和数据分析证明,文中所提的系统设计方案具有较好的鲁棒性与实用性。

基于深度学习的安全气囊裁剪片识别系统的设计

随着安全气囊设计的多样化,安全气囊裁剪片的设计也越来越相似。现阶段工厂仍然采用人工识别安全气囊裁剪片的方式,不仅需要投入大量的人力和时间,其准确率还受人员主观因素的影响。为解决这一问题,设计了一种基于深度学习的安全气囊裁剪片识别系统。首先,通过拍摄采集了6种相似OPW安全气囊的耳片照片共1000张,构建了实验所用的数据集;然后,训练了基于深度学习的安全气囊裁剪片识别模型,并应用当前常用的几种深度学习模型进行实验,进而选取合适的模型;接着,对所选的模型进行改进,将其识别准确率提高至93%;最后,开发Web端,用户通过访问网页端即可识别裁剪片,实现移动端的识别操作。在Web端对OPW安全气囊的6种相似耳片进行了识别实验,结果表明所设计的系统能够实现预期的功能,相较于人工识别效果更好,具有替代人工识别的可能性。