基于VGG网络的古籍版面图像差异性比较方法

针对传统特征提取方法在对古籍文字图像进行匹配时准确率较低,从而影响古籍版面图像差异性比较准确性的问题,提出基于VGG(Visual Geometry Group)网络的古籍版面图像差异性比较方法。该方法首先由VGG网络模型利用构建的差异性文字图像库进行训练得到卷积神经网络分类器;其次,对版面图像进行文字切分得到单字图像,将其输入到分类器中获取有效的字符级比对结果;最后,利用该结果,并对滑动窗口比较算法加以改进,利用键值对形式的数据结构来存储比较位置和比对结果,通过对比较位置进行映射的方式,避免比较过程中重复位置文字的二次比对问题,最终得到待比对的2幅古籍版面图像的文字差异位置并予以标记,以便于文献版本学研究。在对不同阁本《四库全书》版面图像的实验中,其标记准确率为89.7%,表明该方法有效提高了版面图像差异性比较的准确性。

基于VGG16-SVM-SSA的产品表面质量检测方法

针对传统视觉检测方法容易出现漏检、错检、识别效率低等问题,提出一种基于深度学习的产品表面质量检测方法,加速产线检测效率和提高质量控制智能化水平。首先,从产品表面质量检测基本流程出发,进行产品表面质量问题建模。在此基础上,构建改进的VGG16网络模型进行图像识别,该模型采用支持向量机(SVM)代替VGG16网络模型中的softmax分类器,并引用麻雀搜索算法(SSA)进一步优化SVM超参数,从而增强模型分类精度。同时搭建图像缺陷特征知识库,完善标准产品表面缺陷数据体系。最后,设计开发了基于深度学习的工业云平台质量检测系统,实现产线、设备、人员之间的高效交互联通,以及产品表面质量数据的实时采集、传输、智能检测和数据管理,采用铸造叶轮案例验证了所提模型和方法的可行性。

基于SVDD与VGG的纽扣表面缺陷检测

为解决纽扣表面缺陷检测中人工效率低下,且无需对纽扣表面瑕疵进行分类的问题,提出一种基于DEEP SVDD与改进VGG16的纽扣表面缺陷检测模型。在VGG16中增加BN层加快网络收敛;为提升网络特征提取能力引入SE注意力模块;使用全局平局池化替代全连接层,减少模型参数量,使模型更加健壮。实验结果表明,改进后的模型在DEEP SVDD中的两种方法软边界及一类方法的AUC值分别提升7.7%、5.9%,均高于96%,单张检测时间仅4.5 ms,模型性能满足实际要求。

面向单幅遥感图像的生成对抗网络超分辨率重建

利用低分辨率图像生成高分辨率图像的过程称为图像超分辨率,目的是得到一张清晰的影像。随着人工智能的蓬勃发展,在遥感、辅助文本识别等诸多领域,图像超分辨率的应用愈加广泛。本文利用生成对抗网络的深度学习模型进行单图像超分重建,SRGAN模型相较于传统方法,提出了新的感知损失函数,由对抗损失和内容损失组成。对抗损失通过训练判别器网络结构区分生成图像和实际高分辨率图像,而内容损失则利用预训练的VGG19网络模型计算图像特征的感知相似度,而不是在像素空间上的相似度。试验证明,利用SRGAN获得的高分辨率图片,MOS指标高于传统方法。本文围绕SRGAN的原理、效果、应用等进行了阐述。

铁路异物入侵深度识别网络快速训练算法

异物侵入铁路限界对铁路系统可靠性造成了极大的威胁。为达到高分类准确率及低模型内存占用率兼备的目的,针对既有技术方法中分类效果、泛化性能较差以及耗时久、模型占用空间大等问题,本文提供了一种快速训练算法,采用网络迁移压缩同时进行的方式,提出基于特征图L1或L2范数的递归式裁剪准则剔除冗余卷积核以压缩网络。对于单个相机新场景的目标分类任务,只需使用在混合场景数据上得到的最优分类网络模型通过压缩和微调训练便可以实现不同场景铁路异物分类的快速训练。实验表明,在基于铁路场景数据库的测试中,该算法可以将原始VGG16模型的参数消耗内存压缩1020倍,在不同的单个相机场景测试样本库上压缩后网络的分类误差最低为0.34%。

基于VGG13的水果图像识别

运用人工智能领域的图像识别技术能有效对水果进行分类检测,大大降低人工成本。而在图像识别领域,最流行的就是卷积神经网络了,VGG网络是当前流行的经典卷积网络之一,使用包含多个33的小卷积核的卷积层来代替拥有更大的卷积核的卷积层,使深度增加,能学习更复杂的模式,但参数却减少了,学习的更快。构建了VGG13这种经典的卷积神经网络,在此基础上训练了一种水果图像多分类算法模型,对水果图像的分类有较高的准确率。

非接触物体尺寸形态测量系统

该文阐述了以树莓派3b+为主控,利用单目测距方法,OpenCV计算机视觉库,VGG网络模型的非接触物体尺寸形态测量系统的设计与实现。通过树莓派3b+对引导标识的图像识别捕获处理得到平面目标颜色、形状、尺寸、距离,以及球的种类,与球表面最近的距离。最终测试结果表明:该系统能够正确识别目标形状、类别、颜色,测距误差及图像处理时长能满足系统要求。

岩渣分类边缘终端轻量化算法研究

为达到掘进过程中掘进机可实时预测前方地质状况的目的,以实际工程案例的岩渣图片数据为基础,分析传统神经网络模型的结构特征,自主设计轻量化网络模型,并对岩渣图片进行训练,使用岩渣图像数据调整Mobilenet轻量化网络模型参数。结果表明:1)传统的神经网络算法参数量多,占用内存量大,无法在现场部署算力有限的岩渣识别边缘终端,而自主设计的轻量化网络可以满足现场岩渣图像分类准确性的要求;2)Mobilenet轻量化网络模型比传统网络模型减少了80%~90%的计算量,但岩渣图像分类准确性达到97%。

基于深度学习的高分辨率食管测压图谱鉴别

高分辨率食管测压技术(High-Resolution Manometry,HRM)被广泛应用于食管运动诊断,而芝加哥分类的方法难度大、耗时长、效率低,且随着HRM图像数据量的爆炸式增长,误诊率也随之增加。为了提高临床诊断的准确率与效率,本文将搭建一个更加高效的计算机辅助诊断系统帮助医生对HRM图像进行自动判别分析,提出了改进的深度学习模型(Improved-VGG)来完成对HRM图像食管收缩活力的正常收缩、全段增压、弱收缩、无效收缩分类的任务,该模型中增加了Batch Normalization层和Dropout层,显著提升了HRM图像分类的训练速度,并修改了卷积核大小,用更大的卷积核提取特征。实验使用了2520幅专家标记的HRM图像,用于训练、验证和测试的图像分别占比为70%,10%和20%。实验结果表明,在测试集上,食管收缩活力分类器的分类准确率和精度分别为97.20%和93.97%,特异度和召回率分别为98.05%和93.97%。本文的正常收缩、全段增压、弱收缩、无效收缩分类(NFWIC)模型能较好地适应HRM图像数据的特性,其临床实践应用将提高医生的诊断效率。

基于深度学习的学生课堂行为识别

随着教育步入智能时代,智能化的学生课堂行为识别变得越来越重要。但由于学生的课堂行为复杂多变,使得智能化的学生课堂行为识别存在困难。为了提高智能化学生行为识别的精度,文章首先采集了300名学生的7种典型课堂行为图像,并进行了数据预处理。随后,文章将已在ImageNet数据集上训练好的经典深度网络模型——VGG16网络模型迁移到学生课堂行为识别任务中。最后,通过与其它深度学习模型进行实验对比,文章验证了VGG16网络模型对学生课堂行为具有较高的识别精度。上述研究表明,基于深度学习的学生课堂行为识别能及时、精准地反馈学生的课堂学习情况,有利于教师改进教学方法、优化课堂教学与管理,从而提高教与学的效率,助力教学改革。

一种基于深度学习的舰船目标融合识别算法

低分辨率SAR(合成孔径雷达)卫星遥感图像具有大幅宽特点,是广域海上目标搜索的重要手段,但相较于高分辨率遥感图像,可用于目标识别的特征较少,导致识别性能有待提高。论文探索并设计了一种基于深度学习的低分辨率多极化SAR卫星遥感图像舰船目标融合识别的算法。首先,以多极化SAR图像为输入,利用改进的VGG16网络提取图像特征得到各极化通道的分类结果,同时自动学习各极化通道的权重,然后,对分类结果进行决策级加权融合;最后,利用公开的OpenSARShip数据集进行实验验证,结果表明,与单极化SAR图像舰船目标识别以及其他融合识别方法相比,该算法一定程度上提升了舰船目标识别效果。