基于卷积神经网络的管道井缺陷识别研究

管道井与人类社会生活息息相关,而由于管道井盖丢失、破损造成交通事故频发,危害人类财产生命安全。本文提出利用计算机视觉技术检测识别管道井缺陷,然后通过标记报警功能来实时抢修,可以避免更多事故的发生。本文通过构建深度神经网络模型,利用卷积神经网络模型自动提取图像中每种管道井缺陷的特征,通过对管道井的六种缺陷现象进行训练、测试,得到最终识别结果。实验结果表明,卷积神经网络对管道井缺陷图像的识别达到来预期的效果,并在缺陷检测中优于传统的分类模型。     

基于WT-CNN深度学习的轴承故障识别

针对传统轴承故障识别方法的识别率低以及人工干涉等问题。提出了一种基于时频图和深度神经网络（WT-CNN）轴承故障类别的自动识别方法。首先采用连续小波变换（CWT）将原始信号转为时频图,然后将其输入VGG-16神经网络模型中的卷积网络层（CNN）进行特征自动提取,并使用softmax层完成识别。实验结果表明,该方法可以准确地识别轴承故障类别,其准确率达到100%。因此与其他神经网络和传统机器学习方法相比,WT-CNN神经网络模型能有效对轴承故障类别完成识别任务。     

基于PCNN的金属断口图像识别方法研究

结合Bandelet变换和神经网络的各自特点，提出了一种基于脉冲耦合神经网络（Pulse Coupled Neural Networks，PCNN）的新的识别方法。该方法将金属断口图像输入到PCNN中，像素激发引起神经元激发。发生点火，产生脉动序列输出，得到输出图像的神经元点火序列及熵序列作为断口识别分类的特征。该方法将PCNN引入到金属断口的识别研究中，开拓了金属断口模式识别的新领域，同时对于PCNN的理论研究和实际应用具有现实意义。     

基于改进GoogLeNet的汽车仓储库区障碍物分类识别方法

针对汽车仓储库区的特点，提出了一种基于改进GoogLeNet卷积神经网络的仓储库区障碍物分类识别方法，即对传统GoogLeNet卷积神经网络浅层的Inception模块进行改进，并在此基础上增加四分类全连接层，改进后的卷积池化层作为仓储库区四分类图像数据的特征提取器，对全连接层和输出层进行模型训练。实验结果表明：该障碍物分类识别方法准确率高且识别时间短，大大增加了AGV障碍物检测系统的准确性与鲁棒性。     

基于卷积神经网络的特征描述子学习

随着深度学习的发展,作为图像任务基础的特征描述子开始倾向于通过卷积神经网络学习。目前的卷积神经网络模型大多采用交叉熵损失项进行约束,通过大量的输入数据训练网络。但由于缺乏细节上的约束,因此训练的网络模型特征提取能力并不优秀。针对以上问题,文章提出一种新的浅层神经网络模型,并在此基础上通过改进采样策略以获得更多的训练样本,使用复合的损失项对网络训练过程进行约束。实验表明,提出的神经网络模型能够获得更紧凑的特征描述子,特征提取的能力更强。     

基于卷积神经网络的牛脸识别方法研究

随着科学技术的发展,奶牛养殖中传统的人工识别效率低,需要花费大量的人力物力,不足以适应现代需求,我们希望能够借助计算机来处理、分析、理解图片中的内容,使得计算机可以从图片中识别奶牛个体面部,方便奶牛养殖的管理。在牛脸识别中,神经网络的结构会对神经网络识别的准确率产生巨大的影响。卷积神经网络是一种比起其他算法可以有更低错误率的算法,在卷积神经网络中,一个神经元只与部分邻层神经元连接,通过卷积神经网络各层计算,有效的减少神经网络中的参数,防止过拟合问题,从而构建一个合理的神经网络结构来实现准确识别。     

基于LabVIEW的滚动轴承故障智能诊断系统

利用LabVIEW平台开发了齿轮故障诊断系统。系统主要采用共振解调诊断和BP神经网络诊断两种方法。共振解调诊断由Hilbert解调和小波包解调实现故障频率识别;BP神经网络诊断由对有量纲和无量纲参量提取的特征以及根据小波相对能量提取的特征作为神经网络的输入向量,轴承的故障类型作为输出向量,采用神经网络对轴承进行诊断,实验结果表明:通过解调和神经网络诊断,该系统能有效识别齿轮故障,确定故障类型。     

GMAC-EDSR：基于多类型卷积融合的图像重建方法研究

虽然传统的超分辨率（Super Resolution, SR）重建方法已经取得了显著的成功，但在捕捉图像细节方面仍存在一些限制。与此同时，近年来出现了出色的神经网络模型，虽然效果出色，但却牺牲了重建速度。为了应对这一挑战，本文提出了一种基于多类型卷积融合的图像SR方法，具体来说，将不同类型的卷积核组合在一起，以提取更丰富的图像细节信息，并提出了多类型卷积融合的方法。本文通过一系列详尽的实验验证了基于幻影模块非对称卷积融合网络的模型。实验结果确认，这个模型显著提升了图像重建的质量。     

基于PNN网络的油井功图识别方法

油井功图是油井工况诊断的重要依据,快速准确地识别油井功图对于提高油田作业效率具有重要意义。传统的人工相面法识别示功图无法实现油井工况的实时在线诊断,而BP神经网络法识别准确率较低,因此提出一种基于概率神经网络的油井功图识别方法。该方法通过提取功图数据的面积特征、特征向量和载荷曲线的傅里叶逼近特征作为油井功图的特征值,PNN网络用特征值作为输入对油井工况进行诊断。实验结果表明与BP网络相比使用PNN网络根据功图提取特征进行油井功图识别时能够达到更高的识别效率。     

基于分形理论和神经网络的雷达信号识别算法

针对现有新体制雷达信号不断增加,传统的识别参数难以满足识别效果的问题,提出了基于分形理论和神经网络的雷达信号识别算法。利用关联维数可以衡量信号的关联复杂度特征的特性,对不同复杂度特性的雷达信号进行特征提取,由于提取的关联曲线不具有很好的线性特性,提取关联点作为神经网络的输入进而进行识别分类。仿真实验表明,这种基于分形理论和神经网络的雷达信号识别算法在较低信噪比下具有较高的识别效果,且可以适合于各种体制雷达信号的特征提取与识别。     

使用多任务级联卷积神经网络进行车牌照识别

车牌照识别是计算机视觉技术的一项重要应用,在保障日常交通秩序中扮演关键角色,因此,一直以来车牌照识别技术都是计算机视觉领域中一项热门研究。由于车牌照识别系统的应用场景通常在交通路口,交通情况复杂度高,由于车辆运动和拍摄角度导致的遮挡、图像变形等问题,使得高精度、抗干扰的车牌照识别系统具有重要研究价值。近年来,随着深度学习技术的发展,特别是其在图像识别和目标检测领域带来相较传统方法的巨大的性能提升。文章尝试使用深度卷积神经网络的方法,提出了一个在精确度和鲁棒性方面都较为出色的针对中国大陆车牌照的识别算法,其在我们的私有数据集上识别准确率达到94.93%,识别图片平均耗时243 ms。该方法可以通过更换数据集来泛化到其他国家或地区的车牌照识别问题上。     

数字射线检测焊接缺陷的模式识别算法

为了准确提取与识别焊缝射线数字成像中焊接缺陷,本文提出了一种基于神经网络的模式识别算法。首先,分析了非线性模式分类的基本原理,通过人工神经网络实现对焊缝内存在的焊接缺陷进行分类;然后,采用缺陷的几何特征作为分类算法的输入数据,并应用神经网络关联标准理论评估鉴别能力,证明了特征提取的质量重要性优于数量;最后,将基于神经网络的主要非线性鉴别分量的识别算法应用于缺陷识别中,并通过大量实验分析与评价其分类性能。实验结果数据证明该算法在焊接缺陷模式识别方面具有较高的效率。     

基于深度学习的自动图像标注研究与实现

由于图像数据具有无结构、语义层次低的特点,使得计算机对图像数据的检索、管理变得十分困难。解决这一难题的根本在于对图像进行有效的标注,因此图像标注成为了当今图像研究领域的热门。文章研究了深度学习中的卷积神经网络模型并用于自动图像标注,实验结果表明能够取得较好的标注效果。     

深度学习算法在山区植被分类中的应用

本文将深度学习技术中的卷积神经网络算法应用于遥感影像中的植被类型分类研究,模型包括卷积层,池化层以及全连接层,卷积层完成了影像中特征的提取,池化层对特征降维,最后全连接层完成植被的分类工作。针对研究使用的数据集,模型得到的94%的分类精度。     

基于ICA的图像去噪技术研究

ICA(Independent Component Analysis)可以仅由简单的几个假设条件,还原出原始相互独立的分量。利用ICA这一特点可对与噪声数据相互独立的图像数据进行分离,达到图像去噪的目的。文章对有噪图像进行小波处理,构建一个虚拟通道作为一个输入,对原有噪图像和构建出的虚拟通道进行分离,可得到去噪图像。传统去噪方法与文中所用方法的处理结果进行了比较。     

基于GSA的ELM电能质量扰动识别方法研究

ELM是一个单隐层神经网络,具有良好的泛化和快速学习能力,该算法只需用户调整隐含层节点个数,但该参数的选择直接影响了ELM的性能。文章提出一种新的优化方案,该方案使用GSA优化输入特征子集和隐含层节点数以提高ELM的性能,实验结果表明:该方法在识别电能质量扰动方面更快、更准确。     

基于GSA的ELM电能质量扰动识别方法研究

ELM是一个单隐层神经网络,具有良好的泛化和快速学习能力,该算法只需用户调整隐含层节点个数,但该参数的选择直接影响了ELM的性能.文章提出一种新的优化方案,该方案使用GSA优化输入特征子集和隐含层节点数以提高ELM的性能,实验结果表明:该方法在识别电能质量扰动方面更快、更准确.     

简易无接触温度测量与身份识别装置

本系统采用STM32F103为无接触测温板块控制核心,搭配mlx90614测温模块,oled显示,来完成对人体和物体的分类测温,k210用做身份识别模块处理核心利用其搭载的双64核处理器以及kpu神经网络处理器,对采集数据进行神经卷积运算,身份算法方面使用了mtcnn特征点采集算法,Haar人像分类器以及196维人脸比对模型来实现高精度人脸识别,口罩识别模块我们使用了自己训练的yolo2分类模型来实现口罩分类功能.     

MVS在机械工件识别中的应用

机械工件在线检测在自动化生产中变得越来越重要，实现识别过程的自动化具有现实意义。本文提出了一种基于数字图像轮廓特征的机械工件自动识别系统，利用工业摄像镜机代替目视作为一个传感器，经图像采样、图像处理、图像分析识别等一系列的操作，可以达到机械工件识别的目的。本文分析了图像预处理环节及中值滤波的原理，并以机械工件为例，采用直接直方图二值化方法对图像进行分割；比较了经典的图像边缘检测算法，首次提出基于连通域的边缘提取方法；针对具体应用场合及机械工件的特征，提出利用位置与大小、形状等几何特征相结合的方法来识别工件。通过实验验证，显示出该识别算法所采用的方法具有工件识别速度快、准确性高、实用性强的效果。     

基于深度卷积神经网络的遥感影像分类研究

针对目前应用于遥感影像分类的常用算法已经无法满足大数据应用下的分类精度要求等问题,文章提出了基于卷积神经网络遥感影像分类方法并给出了具体分类流程,为卷积神经网络在遥感影像分类领域的应用奠定了基础。