基于深度学习Caffe框架的瓜蒌子完整度检测方法

为了进一步发展农业方向的自动化、无人化,改善在农产品检测方面使用人工检测的速度慢、精度低、费时费力的现状,为了降低图像处理中计算所使用的数据量,同时也为了提高图像信息的易读性,将构建瓜蒌子图像采集系统获取与环境颜色对比度明显的待检测瓜蒌子图像。利用深度学习Caffe框架中的深度卷积神经网络模型对瓜篓子完整度进行综合识别,使用了深度学习Caffe架构中的深度卷积式神经网络模型对瓜篓子的完整程度进行了综合辨识。结果得到瓜篓子整齐程度的综合识别率,再与支持向量机语言(SVM)的加以对比。深度学习Caffe架构下的深度卷积神经网络模式的识别率,相对于支持向量机器(SVM)的方式进行了提升,且成效更加突出。

基于卷积神经网络Caffe框架的图像分类

2013年贾扬清博士在Github上发布了一款深度学习框架"Caffe",为众多研究人员和工程师们提供了一套简单易用且性能强大的深度学习开源框架。本文首先对Caffe框架简单介绍,其次阐述深度学习中应用的卷积神经网络原理,最后介绍如何利用Caffe框架进行图像分类。

基于异构多核平台的Caffe框架物体分类算法实现与加速

随着深度学习的快速发展,神经网络和深度学习算法已经广泛应用于图像处理。基于FPGA的神经网络加速设计,搭建了以快速特征嵌入的卷积结构(Caffe)框架、卷积神经网络为核心的物体识别系统,该系统使用Zynq-7000系列异构多核架构芯片实现。完成了神经网络模型与参数的移植、多层结构的神经网络构建、计算密集度分析以及硬件加速设计。结果表明,设计的基于异构多核平台的Caffe框架物体分类系统实现了物体的识别和分类,且识别速度远超传统CPU架构的识别速度,从而为后续的深入研究提供一种新思路。

Caffe深度学习框架下的电力系统异常数据智能捕获研究

文章基于Caffe深度学习框架构建了一种电力系统异常数据智能捕获系统,从自动化协议栈的多层架构、异常数据拷贝及数据捕获映射条件等方面进行具体异常数据智能捕获分析,验证了该体系的实际异常数据处理量及处理效率等。

基于Caffe深度学习框架的车牌数字字符识别算法研究

在车牌字符识别的某些场合中,获得的字符通常存在切割不均匀、光照对比度强烈、遮挡严重等强噪声污染.针对被强噪声污染的数字字符,提出一种基于Caffe深度学习框架的字符识别算法,在Caffe框架下搭建卷积神经网络,并对网络参数训练获得了一个鲁棒性强、识别精度高的网络结构.实验结果表明,在低噪声、中度噪声、强噪声污染情况下,文章中提出的方法相比当前典型的识别方法,在数字字符识别上均具有较好的识别能力,平均识别率高出将近5%,而在强噪声污染情况下,识别效果具有更加明显的优势.

深度学习框架Caffe在图像分类中的应用

2006年深度学习的提出为机器学习领域带来新的革命,深度学习的成功不仅依赖于理论和模型上的突破,也离不开大数据环境下的海量训练样本以及不断革新的先进计算技术。在GPU被应用于科学计算之前,神经网络特别是大型神经网络的训练时间往往令人生畏。GPU特别适应于并行计算的特性给神经网络的训练速度带来数十倍的提升。开源的GPU计算框架也不断地推陈出新,推动深度学习在各方面的应用,Caffe就是其中的一种。由于简单易用、性能强大,Caffe框架受到了广泛的认可。利用Caffe框架对印章类型进行识别,所采用的两种模型都取得极好的实验效果,对印章的自动识别提供新的参考。

基于深度学习框架Caffe的路面裂缝识别研究

近年来,大规模训练数据和GPU的出现使得长期受到冷落的深度学习重新进入人们的视野。深度学习在图像分类上表现出极高的性能,Caffe作为深度学习的开源框架因其强大性能且简单易用而广受推荐。在路面破损检测中,提前对破损图像和完好图像进行分类可以极大提高检测系统性能。文章利用caffe框架对破损图像进行识别取得了较好的实验效果。

基于Caffe深度学习框架的标签缺陷检测应用研究

本文根据深度学习模型智能化的特点,提出了一种基于Caffe框架的深度学习缺陷检测模型,该模型的创新点主要表现在使用Dropout函数在图像特征抽象过程中,不断地踢除提取到的一般特征点,保留有效特征点,从而提高模型的分类识别率。实验结果表明,该方法的分类识别率高达97. 66%。与传统深度学习标签缺陷检测算法相比,该研究更加注重图像有效特征的提取,很大程度上提高了模型检测准确率,同时无需进行复杂的模板制作,实现方法简单,适应性强。

基于Caffe的图像分类技术框架

计算机技术水平的不断提高为深度学习理论的成功实践提供了必要的技术基础,互联网大数据时代可以为深度学习框架提供数量巨大的训练样本。Caffe作为GPU计算框架的一种,可以有效提高神经网络的训练效率,促进深度学习应用范围的拓展。Caffe框架凭借其出色的综合性能和简单的操作方式受到了各界的青睐。本文就基于Caffe的图像分类技术框架进行了分析。

基于Caffe的猪肉新鲜度分级的设计与实现

为了提高猪肉新鲜度检测的实时性,提出了基于Caffe框架与ResNet残差神经网络的猪肉新鲜度分级的新方法。根据理化试验结果将猪肉的新鲜度分为7级,并在理化试验前拍摄对应的猪肉照片作为样本进行网络训练。在网络训练完成后分别用同源和异源样本图片对系统分级准确率进行验证,结果显示系统分级的准确率均达到95%以上,说明该系统能够很好地对猪肉新鲜度进行分级。与传统的理化试验检测新鲜度的方法相比,在保证了分级准确率较高的同时,检测过程简单、实时性高、无损,是一种更高效的猪肉新鲜度分级方法。

基于Caffe卷积神经网络的大豆病害检测系统

以常见的大豆病害图片为样本,研究分析了大豆的叶斑病、花叶病、霜霉病和灰斑病,并利用卷积神经网络技术设计了针对大豆的病害检测系统。通过对病害图片的二值化和轮廓分割等预处理来获得神经网络模型的训练集,并在此基础上对模型进行了多方面的优化,利用Caffe框架对优化后的网络模型进行了识别率等方面的实验验证。此外,为提高模型使用的便捷性,本实验使用了Qt软件为该系统设计了人机交互界面,从而进一步实现了数据可视化。

基于Caffe的生姜病害识别系统研究与设计

以自然环境下采集到的生姜病害图片为基础,对炭疽病、姜瘟病、根结线虫病和白星病进行研究分析,提出一种基于卷积神经网络的生姜病害识别系统。首先是对收集来的图片进行二值化和轮廓分割等预处理,从而增强数据的可靠性。其次,将处理后的图像数据交由优化后的卷积神经网络模型进行分析、学习,并在Caffe框架下进行模拟仿真。最后,在已训练好的网络模型基础上利用Qt软件设计人机交互界面,从而达到数据可视化提高系统使用的便捷性。结果表明优化后的模型识别率达到了96%,可以较好地预测和识别生姜的相关病害。

基于卷积神经网络的火灾视频图像检测

随着计算机技术的发展,融合计算机视觉、机器学习、深度学习等技术的火灾图像处理技术得到了广泛的研究和应用。针对传统图像处理方法预处理过程复杂且误报率高等问题,提出一种基于深度卷积神经网络模型进行火灾检测的方法,其减少了复杂的预处理环节,将整个火灾识别过程整合成一个单深度神经网络,便于训练与优化。针对识别过程中类似火灾场景对火灾检测产生干扰的问题,利用火灾的运动特性,创新性地提出利用火灾视频前后帧火灾坐标位置变化来排除灯光等类似火灾场景对检测的干扰。对比了众多深度学习开源框架后,选择Caffe框架进行训练及测试,实验结果表明,该方法实现了对火灾图像的识别和定位,适应于不同的火灾场景,具有很好的泛化能力和抗干扰能力。

基于深度学习电铲铲齿缺失智能监测系统研究

为解决现有露天矿电铲铲齿缺失状态靠人员观察进行识别的现状,构建一套电铲铲齿缺失状态的实时智能监测系统。该系统基于Caffe的深度学习框架,选择Faster RCNN算法,将铲齿模拟图片分为缺陷和完整2类,并分别对2类图像进行加噪、放缩、旋转、亮度调节等操作,以模拟现场复杂环境对采集样本的影响;为缩短样本图片检测时间,更好地实现系统的实时监测,对Faster RCNN算法中Proposal检测阶段进行改进,构建了电铲铲齿智能监测系统;通过对卷积神经网络和训练模型不断调整和修改,使得缺陷铲齿和正常铲齿的正确识别率达到86.68%,网络损失率也趋于稳定。研究方法可为深度学习应用于矿山的智能视频监控、安全行为和安全状态的智能识别研究提供借鉴。

基于卷积神经网络的车型颜色综合识别

在高速公路复杂因素干扰的情况下,存在车型误判和车辆颜色变化较大不易于识别的问题。文中利用深度学习Caffe框架中的LeNet、AlexNet、GoogLeNet3种网络模型对车型和颜色进行综合识别,得出3种网络模型下车型颜色的综合识别率,再与支持向量机(SVM)进行比较。实验结果表明,深度学习Caffe框架下3种模型的识别率相较支持向量机(SVM)的方法得到了大幅提高,且超过90%。其中Caffe框架下的GoogLeNet网络模型准确率可达95%以上,效果明显。

基于卷积神经网络的图像清晰度识别方法

传统方法在图像清晰度识别上主要通过提取图像特征进行识别和预测,由于图像特征的提取存在一定的复杂度,尤其是对高维图像和在复杂背景环境下的特征提取。针对这一问题提出基于深度学习下的卷积神经网络(CNN)识别方法,在Convolutional Architecture for Fast Feature Embedding(caffe)框架下利用Goog Le Net网络模型,将样本图像直接作为输入参数,通过卷积神经网络进行模型训练即可得到输出结果,从而省去提取复杂的特征。通过实验验证上述方法能够较为准确的识别出图像的清晰程度。提出的方法不用提取复杂的特征,所以在图像处理中有很高的应用价值。

基于卷积神经网络的矿工安全帽佩戴识别研究

为了解决矿山安全监控监测主要靠人工对视频数据进行识别而存在的诸多人为因素限制的问题,通过构建卷积神经网络实现计算机智能识别矿工安全帽的佩戴,在不增加任何辅助装置的条件下实现矿工安全着装智能识别。从视频数据中提取图像,通过对图像进行旋转、偏移、剪切等预处理,将图像分为矿山背景、戴安全帽的矿工和不戴安全帽的矿工3类。通过构建3种不同深度层次的卷积神经网络进行实验对比,"4个卷积层+3个池化层+3个全连接层"组成的深层网络识别准确率较高,达到91.2%。实验表明利用卷积神经网络可以较好地实现对矿工是否正确佩戴安全帽的智能识别。研究方法为人工智能应用于矿山的安全监控、安全行为及安全状态的智能识别研究提供借鉴。

基于He-Net的卷积神经网络算法的图像分类研究

基于Caffe深度学习框架和首层卷积层取反操作,提出了He-Net网络模型解决图像分类问题。该模型主要由3个卷积层和最大池化层及3个完全连接层组成,首层采用卷积层取反以增加有效特征信息的传递,卷积层采用较小的卷积核提取更多的纹理特征,最后采用Softmax分类器实现图像分类。为了使训练更快速,采用更加高效的GPU运算实现卷积操作。针对相同数据集,同经典的网络模型CaffeNet、AlexNet实验比较,He-Net网络模型具有更高的分类正确率。

基于卷积神经网络的图像分类技术研究与实现

图像分类问题一直是计算机视觉的一个核心问题,而随着深度学习的发展,也为我们解决图像分类中图像特征提取问题提供了一种很好的解决方法,通过构建具有隐层的机器学习模型和海量的图像训练数据,来学习更有用的图像特征,从而最终提升图像分类或预测的准确性。该文使用Caffe深度学习框架,构建小型的图像数据库,通过Caffe框架给出的卷积神经网络对数据集进行训练分析,提取目标图像特征信息,最后对目标图像进行预测,并和传统的图像分类算法进行对比,预测的准确率有很大的提升。

基于深度学习的图像分类搜索系统

图像分类是根据图像的信息将不同类别的图像区分开来,是计算机视觉中重要的基本问题,也是图像检测、图像分割、物体跟踪、行为分析等其他高层视觉任务的基础。深度学习是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像、声音和文本。该系统基于Caffe深度学习框架,首先对数据集进行训练分析构建深度学习网络,提取数据集图像特征信息,得到数据对应的分类模型,然后以bvlc-imagenet训练集模型为基础,对目标图像进行扩展应用,实现“以图搜图”Web应用。