基于改进的LeNet网络手写体字符识别技术的研究

针对LeNet模型在移动支付、物流等行业字符识别的不足,提出了一种在LeNet模型基础结构上改进的模型,可增强模型的表征学习能力,以降低模型识别数字的错误率。首先将LeNet模型的Sigmoid激活函数替换成ReLu激活函数;其次,模型权重参数初始化中使用Xavier初始化;最后引入批量归一化,增加模型深度。改进的Model_A模型不仅减少了模型参数量,还加深了网络深度与网络特征提取能力,从而提高了网络分类的正确率。文中提出的模型综合了传统模型和深度学习模型的优点,使分类准确率检测结果提高了0.82%。

基于LeNet5like的迁移学习风电机组叶片覆冰故障诊断研究

针对海上风电场和高海拔地区风机机组的叶片覆冰故障模型精度低、建模速度慢等问题,提出一种基于LeNet5like的迁移学习风电机组叶片覆冰故障诊断方法。首先,整合监控和数据采集系统的记录数据与风机覆冰情况进行预处理,建立训练数据集;其次,基于改进后的LeNet5like网络构建覆冰故障诊断模型,提取数据集中多变量间的相关性特征信息;然后,经网络参数微调迁移学习对模型进行训练,实现对其他风机覆冰故障诊断模型的快速建立;最后,经实验验证,该模型覆冰故障诊断准确率为98.90%,较无迁移模块网络训练时间缩短28 s,提升约15.91%,验证了基于LeNet5like的迁移学习风电机组叶片覆冰故障诊断方法的精确性和快速性。

基于LeNet卷积神经网络的路面病害自动检测方法

随着高速公路事业和运输业的大力发展,高效率低成本的路面病害检测技术具有越来越重要的研究价值。面对传统人工方法在路面病害检测时的低效率高成本问题,提出一种基于卷积神经网络的路面病害自动检测方法。采用LeNet卷积神经网络构建并训练得到路面病害检测预训练离线模型。对采集到的路面图片进行数字图像处理之后,再使用LeNet预训练模型进行路面破损检测。实验结果表明,基于LeNet卷积神经网络的路面病害自动检测方法可精确有效地检测出路面破损情况,实现低成本高效率且对公路路面和交通无影响的自动智能路面检测。

基于改进LeNet-5的交通标志识别算法研究

交通标志识别作为自动驾驶系统和驾驶员辅助系统中的重要组成部分,对行车安全有着直接的影响。以真实场景下采集的比利时交通标志数据集为研究对象,通过对交通标志图像特点的研究,对轻量级经典卷积神经网络Lenet-5进行四大改进,包括为适应交通标志图像进行的基础结构调整、提升数据集平衡性的数据增广、加入改善过拟合的Dropout策略以及加入批量归一化层。实验结果表明,由此得到的TSRCNN模型能够有效提取交通标志的特征,在比利时交通标志数据集上识别准确率达98.56%。

卷积神经网络金相组织自动识别

为了降低人工分辨金相组织图像类别的误差率,提高分辨效率,采用卷积神经网络模型对金相组织图像进行自动辨识。对制备金相样块所得铁素体与马氏体两种金相组织图像进行分析,提出符合金相组织图像分布特征的预处理方案。通过采用图像尺寸归一化、灰度值归一化以及高斯平滑处理等方法,对原始金相组织图像进行预处理,建立金相组织图像数据集。针对建立的铁素体和马氏体金相组织图像数据集,提出了适合金相组织图像辨识的改进模型,分别记为LeNet-MetStr模型、AlexNet-MetStr模型和VGGNet-MetStr模型。对3种改进卷积神经网络进行模型训练及分析,结果表明VGGNet-MetStr模型对2种金相组织图像自动辨识具有更高的准确度。

基于加权相位滞后指数热力图的脑力负荷识别

脑力负荷识别对提高人机交互操作人员的工作绩效具有重要意义。目前已有研究表明,通过提取脑电(electroencephalogram,EEG)信号的能量特征进行脑力负荷识别取得了不错的分类效果。但该方法只关注到信号的幅度信息,而忽略了相位信息;只分析了各个通道的频域特征,没有考虑不同通道信号之间的同步关系。为充分考虑不同脑区间的功能连接性,提出一种基于加权相位滞后指数(weighted phase lag index,WPLI)热力图的脑力负荷分类方法。对预处理后的脑电信号计算两两通道间的WPLI并绘制热力图,用于评估不同通道信号之间的相位耦合情况,由此反映不同脑区间的功能连接性。由WPLI热力图可以直观地观察到:在高、低负荷状态下,大脑功能连接性的分布存在明显差异。通过实验分别对能量特征图和WPLI热力图采用方向梯度直方图-支持向量机(histogram of oriented gradient-support vector machine,HOG-SVM)和LeNet-5两种方法进行分类。结果表明:WPLI热力图和LeNet-5的组合具有较好的分类结果。

基于caffe的手写数字识别研究与实现

使用深度学习框架caffe和lenet网络,对手写数字识别方法进行了研究,基于mnist数据集,对lenet网络进行了训练,最后取得了较好的训练效果。对训练得到的模型进行测试,采用mnist数据集中的测试集,识别率达到了99.24%。

基于混合特征图的非侵入式负荷监测算法

针对目前的非侵入式负荷监测算法所需运算成本高、难以实用推广的现状,提出一种低运算成本的基于混合特征图的非侵入式负荷监测算法。首先,提取设备的功率特征和稳态电压-电流轨迹图特征,将设备功率特征进行维数变换后与电压-电流轨迹特征图组合,得到设备混合特征图。该特征图以小尺寸灰度图为载体,减小了硬件存储与模型算力的成本。然后,基于LeNet卷积神经网络建立设备辨识模型,以混合特征图为输入,实现对设备种类的辨识。最后,使用PLAID数据集对所提算法的结果准确性与计算性能进行测试。结果表明:所提算法的设备辨识准确率可达92.7%,与辨识准确率相差小于1%的同类算法相比,在算法参数量和运算量方面减少了99%,能有效减少NILM的运算成本。

基于树莓派深度学习的采摘机器人

为解决采摘机器人在抓取中的目标识别、位置定位及系统控制方面准确率低,自主能力差等问题。提出一种基于深度学习的采摘机器人,该机器人系统以树莓派为主控核心,结合舵机和多种传感器组等模块,通过建立机器人运动学模型,实现从关节到末端执行机构的映射,采用视觉技术建立目标识别与定位模型,通过视觉反馈来控制机器人。试验结果表明,该机器人具有较高的识别能力与定位准确率,并具有较高的控制效率。