基于深度卷积神经网络的行人检测实现

行人检测在视频监控等应用领域具有重要价值。在应用场景复杂、响应速度快的视频监控应用领域,如何提高行人检测的准确率和检测速度是计算机视觉研究者们研究热点之一。深度学习在计算机视觉领域不断创造佳绩,使得深度卷积神经网络在智能监控的通用目标检测中被广泛使用。论文主要介绍一种基于卷积神经网络的行人检测实现方法。该方法以Tensor flow作为训练框架,以Yolo v3作为神经网络算法,使用VOC2007数据集对模型进行训练实现图片的行人检测。试验证明,该方法训练的行人检测模型无论在检测准确度和检测速度,还是模型适用场景,比传统模式的行人检测都有着绝对的优势。

深度卷积神经网络在辐射环境下核废料检测中的应用

针对辐射环境下核废料检测准确率低的问题,提出一种基于深度卷积神经网络的辐射环境下核废料检测算法Dense-Dilated-YOLO V3。实验结果表明,Dense-Dilated-YOLO V3在不增加参数的情况下扩大了网络感受野,也有效避免图像信息的损失,同时能够在核辐射环境下提取到更多的目标细节特征,对辐射环境下目标检测的准确率可达93.29%,比原算法提高5.53%,召回率可达91.73%,提高了8.28%,有效解决了复杂辐射环境下核废料检测准确率低的问题,为辐射环境下核废料检测提供了新的途径。

基于YOLO V3神经网络的轨道车辆识别技术研究

传统铁路货车图像识别以车辆号码特征识别为主,存在着受现场环境光照干扰大、安装不便等不足之处,对铁路车辆的识别率低,存在一定安全隐患。针对这一问题,本文利用近年来发展迅速的卷积神经网络、YOLO V3模型、深度学习技术,建立了铁路车辆识别模型,优化了YOLO V3识别算法,利用GPU加速技术减少了CPU的工作负荷,实现了铁路车辆高速通过环境下的车型识别与统计。搭建了简易的试验系统,通过采集图像、数据分析、特征提取等完成铁路车辆车型的识别,在多种环境下进行了试验,并与其它深度学习算法进行了比对,证明设计的有效性及先进性。为进一步提高铁路货运保障技术提供技术铺垫,可以应用在铁路生产、运营、维保等诸多方面,助力铁路货车智能化发展。

基于一种轻量级卷积神经网络的植物叶片图像识别研究

对轻量级卷积神经网络MobileNet V2的模型结构进行改进,将深度可分离卷积中的激活函数ReLU替换成Leaky ReLU,从而避免神经元死亡问题,倒置残差卷积中的跨越连接添加Dropout层,增大模型的泛化能力。实验结果表明,预测结果的总体准确率达到91.41%,最高精确率为95.12%,最高召回率为97.39%,取得较好的预测结果。这说明将MobileNet V2卷积神经网络用于植物叶片图像识别是实际可行的,为移动端植物叶片图像识别提供了实现方法和技术支撑。

基于卷积神经网络的遥感图像语义分割方法研究

高分辨率遥感图像大部分情况下包含相对来说较为复杂的语义信息以及容易混淆的目标,对高分辨率遥感图像进行语义分割是一项很重要并且具有挑战性的任务。近几年来,深度卷积神经网络(Deep Convolutional Neural Network, DCNN)为代表并结合条件随机场(Conditional Random Field, CRF)的算法在图像分割领域中有着杰出的表现。本文基于DeepLap V3+网络结构,结合DCNN,设计出了一种针对高分辨率遥感图像的语义分割网络,仿真实验结果验证了该方法的有效性和鲁棒性。

基于卷积神经网络的魔芋病害识别

魔芋在种植过程中易感染各种病害,为了对魔芋病害进行实时自动化监测,研究了基于机器视觉的魔芋病害自动识别算法。以Inception V3为卷积神经网络算法理论模型,在深度学习开发环境下,采用神经元结构算法,以神经元为基本单位组建神经网络,实现了魔芋病害种类的识别。通过归一化和细化等预处理提升病害识别的精度和准确度,对模型内部及结果进行可视化处理以增加算法的实用性;在识别过程中通过调节各参数及层结构对模型进行优化,使模型能够较好地兼顾准确率和效率。测试结果表明,该算法能够实现常见魔芋的自动病害识别,准确率保持在90%以上。

一种改进的高空间分辨率遥感影像森林类型深度学习精细分类方法:双支FCN-8s

【目的】对全卷积神经网络模型进行双支化改进,探索高空间分辨率遥感影像森林类型深度学习分类新方法,为提高森林资源遥感调查精度提供技术支撑。【方法】双支FCN-8s包含2个FCN-8s子模型,一个子模型基于R、G、B三波段特征,采用微调方式构建;另一个子模型基于五特征构建。将2个子模型8、16、32倍下的采样结果进行融合并分类,得到每个像元的类别。以旺业甸林场为研究区,采用GF-2卫星遥感影像提取标准化植被指数(NDVI),构建基于R+G+B三波段特征、R+G+B+NIR四波段特征和R+G+B+NIR+NDVI五特征的数据集,对双支FCN-8s优化方法的有效性进行定量评价。【结果】1)双支FCN-8s方法的总体分类精度为85.89%,Kappa系数为0.84;相比传统FCN-8s,双支FCN-8s方法可提高大部分森林类型的分类精度,尤其对油松、红松、白桦等类别改善效果明显。2)相对于传统基于特征优选的SVM模型而言,双支FCN-8s方法的总体分类精度由75%上升至85.89%,精度提升大于10%,各类别的分类效果均有改善。3)使用微调策略以及加入NDVI特征后,模型可有效改善油松、山杨及白桦等树种的分类效果。【结论】双支FCN-8s高空间分辨率遥感影像森林类型深度学习精细分类方法可有效提升森林类型的细分程度和分类精度。

基于农业大数据和深度学习的稻田杂草识别

为在稻田中准确高效识别杂草,从而支持选择性喷药或机器人除草,基于农业大数据技术和深度学习技术提出改进的YOLO v8杂草检测模型,即采用CBAM(convolution block attention module)注意力机制来增强YOLO v8网络对复杂环境中杂草特征的提取能力,同时使用EIOU(expected intersection over union)+DFL(distribution focal loss)提高YOLO v8检测框的回归效率,并通过模型对比试验验证了改进YOLO v8模型的有效性。结果表明,改进YOLO v8模型在测试集上的均值平均精度(mean average precision,mAP)达到98.2%,相比YOLO v8提高了4.4百分点,且在参数量和计算量方面仅有微小增加。相比YOLO v3、YOLO v4、YOLO v5、YOLOX、YOLO v7,其mAP分别提高24.8、21.9、14.8、21.3、8百分点。在模拟不同光照条件的测试中,改进YOLO v8模型表现出较强的泛化能力,精度(precision,P)、召回率(recall,R)和mAP保持在88.1%以上。此外,在测试环境复杂的条件下,改进YOLO v8模型对6种杂草的识别显示出卓越的鲁棒性和泛化能力,P达到94.2%以上,R达到95.7%以上,AP均达到95.2%以上。综上,本研究提出的改进YOLO v8具有更少的参数和计算量,同时克服了现有稻田中杂草识别方法的局限性,可为稻田中的杂草控制工作提供技术支持。

基于深度学习的曲面体层片颌骨病变辅助诊断技术研究

目的 探讨深度学习应用于曲面体层片辅助诊断颌骨透射病变、颌骨阻射病变的效果,以减少漏诊,辅助医生早期筛查、提高诊断准确性。方法 本研究通过四川大学华西口腔医院伦理委员会批准。以443例曲面体层片为研究对象,构建YOLO v8m-p2神经网络模型,将标注后的图像分为训练集354例,验证集45例和测试集44例,用于模型训练、验证和测试。采用精确率、召回率、F-1分值、G分值、mAP50评价模型的检测性能。结果 443例曲面体层片涵盖颌骨常见的良性病变,其中颌骨透射病变数量为318,包括含牙囊肿、牙源性角化囊肿、成釉细胞瘤3类病变;颌骨阻射病变数量为145,包含特发性骨硬化、牙瘤、牙骨质瘤、牙骨质-骨结构不良4类病变,样本有良好的代表性。YOLO v8m-p2神经网络模型识别颌骨病变的性能:精确率为0.887,召回率为0.860,F-1分值为0.873,G分值为0.873,mAP50为0.863。其中,含牙囊肿、牙源性角化囊肿、成釉细胞瘤召回率分别为0.833、0.941、0.875。结论 YOLO v8m-p2神经网络模型应用于初步检测口腔曲面体层片中的颌骨透射病变及颌骨阻射病变以及多分类检测颌骨透射病变时诊断性能表现良好,可辅助医生筛查曲面体层片的颌骨疾病。

基于YOLOv8的铝电解电容外观缺陷检测方法

传统铝电解电容质检依赖人工目视,以识别外壳划痕、破损等缺陷,这种检测方法存在检测准确性和效率的问题。为解决这一问题,提出并实现了一种基于YOLOv8的电容缺陷检测方案。通过构建电容缺陷数据库,并在YOLOv8模型中进行凹陷、划痕、破损等缺陷的训练,方案成功实现了电容外观缺陷检测功能。实验数据结果显示,该模型的mAP@50超过87%。与传统检测方法相比,基于YOLOv8的电容缺陷检测方案具有更高的准确性,效率更高。进一步构建电容外观缺陷数据库,可以提高检测准确性和效率,为电容工业生产的缺陷检测提供了可行的解决方案。

基于GoogLeNet Inception V3的迁移学习研究

随着人工智能的再度崛起,使用深度学习模型进行图像分类的方法得到了广泛关注。针对典型深度卷积神经网络模型是在大型数据库和大算力的基础上进行训练得到的,但普通机器学习工作者很难拿到如此规模的数据集和算力现象,本文在GoogLeNet Inception V3深度学习模型的基础上,对GoogLeNet的特征提取模块进行迁移学习来训练特定的模型进行图像分类。实验结果表明,在硬件和数据集相对不足的条件下,采用迁移学习的策略可以高效地实现目标检测。

基于MobileNet V2迁移学习的中药材图像识别

中药材对人体疾病的预防及控制具有重要的作用,然而普通百姓对药材知识了解过少,可能滥用草药从而带来不可控的后果。因此,对药材进行精准识别是一项紧迫的任务。文章将改进的深度卷积神经网络应用到药材识别中,提出了基于MobileNet V2模型进行迁移学习的中药材识别系统。该模型将标准卷积改进为深度可分离卷积形式,在ImageNet数据集上进行了预训练。通过对MobileNet V2的预训练模型参数进行多次微调,在全连接层采用softmax激活函数实现药材分类,使用交叉熵损失函数定量表达与理想模型之间的差异,最后使用adam优化算法实现最优梯度下降,实现了12类中药材图片识别,最终在验证集上精度可达93%,表明中药材图像识别系统具有较好的实际应用场景。同时MobileNet V2的轻量级模型在训练时间上也比普通卷积神经网络节省了2倍以上的时间,在药材识别上的鲁棒性和范化性得到了较大提升。

基于深度学习的遥感影像城市建筑用地提取

使用遥感影像对建筑用地进行精确和高效的提取,是土地利用的重要信息来源。使用卷积神经网络的深度学习方法对研究区Landsat8遥感影像图进行分类训练与提取,与作为对照组的支持向量机方法进行比对分析。结果表明,基于深度学习的遥感影像城市建筑用地提取方法提取精度更高,尤其在道路提取精度上有着明显优势,说明将深度学习融入遥感影像建筑用地提取有着广阔前景。

基于深度学习的林火烟雾识别系统设计

通过构建林火烟雾数据集,选取Inception V3模型,基于参数的迁移学习方法构建林火烟雾图像训练模型,经过训练测试后得到模型在测试数据集识别率达到92%,最后运用Python语言编程将训练后保存下来的模型文件应用到林火烟雾视频上,对视频进行逐帧预测,并将预测结果可视化注释在视频上,达到视频监控的目的。将网络训练和视频监控分开,通过软件编程实现应用模型文件监测林火烟雾视频,较以往直接通过视频训练和预测的方法更方便快捷,实际可操作性更强,具有广泛的应用前景。

一种基于YOLO v5的克氏原螯虾性别检测方法

针对传统人工判别克氏原螯虾性别效率低、成本高的问题,提出了一种基于YOLO v5的克氏原螯虾性别检测模型,实现了克氏原螯虾性别特征的自动判别。采用自主设计装置拍摄克氏原螯虾图像,使用Labelme工具进行基于雄虾交接器检测和基于区域特征检测两种方法的数据标注,在Pytorch框架下以Resnet-18为特征提取网络训练二分类模型,基于YOLO v5训练交接器检测和区域特征检测两种模型。结果表明:基于区域特征检测的模型具有较高的检测性能和准确性,能够高效、低成本地提取克氏原螯虾性别特征,对克氏原螯虾品种改良具有重要意义。

基于POWER8的动态自适应池化算法

针对当前卷积神经网络(CNN)模型中池化层关键语音特征提取效率低下的问题,提出一种基于POWER8架构的动态自适应池化(DA-Pooling)算法。在深度学习工具Caffe上实现CNN模型,输入经过卷积层的梅尔域滤波带系数,提取局部相邻语音的特征数据,通过计算Spearman相关系数确定数据间的相关程度。根据特征权重对具有不同相关性的语音数据动态分配池化算法,以提高池化层对不同相关性数据的适应能力。DA-Pooling利用POWER8的高效浮点运算和多线程并行计算优势,提高了海量语音数据的处理效率。实验结果证明,相比现有主流Pooling算法,DA-Pooling可提高关键语音数据的识别准确率,保证CNN中语音识别的稳定性。

基于改进YOLO V3的钢轨伤损B显图像识别研究

针对钢轨探伤普遍存在的判伤时间长、漏报率高等问题,提出一种改进的YOLO V3算法。首先对YOLO V3网络结构进行改进,包括增加极小尺度检测层、添加SPP模块和SE模块等,然后对B显图像数据进行数据增强和杂波滤除处理,采用K-means聚类算法对数据集中的边界框进行聚类分析,获得12个先验框;其次对改进的YOLO V3网络进行参数调整,使用B显图像数据集对改进YOLO V3模型进行训练,最终实现对B显图像中的核伤、轨底伤损、表面伤损、异常螺孔四类异常数据集和断面、接头、螺孔、焊缝四类正常数据集的定位和识别功能。试验对17601张B显图片进行检测。结果表明,提出的钢轨伤损识别模型的平均精度为92.3%,检测速度达到44 ms/张,能够较为准确快速地检测钢轨伤损。

一种基于迁移学习的栅格型图表自动分类方法

图表自动分类是实现图表内容解译及信息提取的前提。基于Inception V3模型,采用迁移学习的方法,对图表自动分类方法进行了研究,提出了对5类栅格图表进行自动分类的模型。通过与传统的图表自动分类方法的对比试验,测试了在不同学习率参数下模型的分类效果,给出了针对结构化特征的指数衰减学习率的数学表达式。结果表明:采用迁移学习策略,重点改进学习率参数,可以克服传统图表分类方法的不足,较为高效准确地实现对栅格型图表的自动分类工作。

基于视觉传感的热丝激光金属沉积熔滴—熔池多特征信息同步监测

为了提高热丝激光金属沉积(HW-LMD)过程中的质量稳定性和实现熔滴—熔池多特征信息的同步实时监测,采用基于高动态视觉相机结合YOLO v8深度学习神经网络的高精度实时监控方法,通过相机捕捉HW-LMD过程中的动态变化,并利用YOLO v8神经网络对过渡方式和熔池行为进行同步监测,首先判断沉积过程是否为稳定的液桥过渡,然后在液桥过渡模式下提取熔池尺寸的关键点信息.结果表明,YOLO v8神经网络在检测沉积过程过渡方式和熔池关键点信息方面具有高精确度,精确率分别达到了98.8%和99.9%,熔池宽度的平均误差为4.1%,且推理时间平均仅为12 ms/帧,满足了HWLMD过程实时监控的需求.

基于改进YOLO V3的肺结节检测方法

针对肺结节占CT图像比例小、形状不规则及直接应用YOLO V3算法进行肺结节检测效果不佳的问题,提出基于改进YOLO V3的肺结节检测方法。首先进行重采样和肺实质分割等预处理操作。然后修改YOLO V3的基础网络结构,调整骨干网络和检测网络的结构单元数量;使用Mish激活函数替换Leaky ReLU激活函数,引入含有空洞卷积的感受野模块层;修改损失函数。最后使用改进的YOLO V3方法进行肺结节检测,完成对比实验。在LIDC-IDRI数据集上得到了88.89%的准确率和94.73%的高敏感度,实验结果表明该方法能够有效检测肺结节。