检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于深度学习声谱图分类的“听声识风”

华南师范大学学报（自然科学版） 2021年第5期53卷 10-16页

作者：杨昊岩栾涛韩仲志倪建功高霁月青岛农业大学动漫与传媒学院青岛266109 青岛农业大学理学与信息科学学院青岛266109

将深度学习与声谱图相结合,提出了一种新型的风级识别方法——“听声识风”.在实验室条件下模拟1~4级风并记录对应风声音频.通过傅里叶变换等方法将风声音频转换成声谱图,共得到2608幅二维声谱图像用作数据集.将声谱图数据集导入深度卷... 详细信息

将深度学习与声谱图相结合,提出了一种新型的风级识别方法——“听声识风”.在实验室条件下模拟1~4级风并记录对应风声音频.通过傅里叶变换等方法将风声音频转换成声谱图,共得到2608幅二维声谱图像用作数据集.将声谱图数据集导入深度卷积神经网络googlenet中进行风力等级识别,测试准确率达到了99.6%.为了进一步证明实验结果的可靠性,将声谱图数据集分别导入ResNet18、ShuffleNet中进行训练,均获得了99.2%的测试准确率,结果表明该方法可以有效地进行风级识别.“听声识风”研究首次通过深度学习声谱图分类实现了对风级的识别,这是一种智能的、快速的风级识别新方法.

关键词：风级识别深度学习 googlenet 声谱图风声

基于机器视觉的草莓识别分级与空间定位模型研究

在线全文

学校读者我要写书评

暂无评论

基于机器视觉的草莓识别分级与空间定位模型研究

作者：韩丰民山东农业大学

学位级别：硕士

近些年,我国草莓种植面积持续扩大,产量已居世界首位。草莓果实含有多种营养物质,深受消费者喜爱,然而草莓的种植与采摘主要靠人工进行,而且由于其收获期短、采摘费时、不耐储藏等缺点,限制了其商业推广的进度,随着草莓高架栽培模式的推... 详细信息

近些年,我国草莓种植面积持续扩大,产量已居世界首位。草莓果实含有多种营养物质,深受消费者喜爱,然而草莓的种植与采摘主要靠人工进行,而且由于其收获期短、采摘费时、不耐储藏等缺点,限制了其商业推广的进度,随着草莓高架栽培模式的推广,实施草莓机械化采摘具有重要的意义。由于果实个体之间差异,同一时期果实成熟度和重量均不相同,因此在进行机械化采摘时需要做到分级分类。为了防止采摘时果实受到二次机械损伤,需要对果实进行准确定位,鉴于此,本文针对高架草莓进行了果实识别、分级和空间定位研究,具体如下:(1)搭建了草莓图像处理软硬件系统,硬件部分包括:摄像机、可调焦镜头、支架、环形无影光源和计算机;软件部分包括:图像采集控制模块、图像预处理模块、目标分割提取模块。(2)采用颜色空间转换法将图像转换到YCBCr空间,选定Cr通道用于目标后续处理,通过高斯滤波消除图像中的噪声,对比FCM模糊聚类法和OTUS双阈值法的目标分割效果,根据需求选择FCM分割方法,平均检出率为94.45%,平均消耗时间为0.956s。对分割后的图像依次进行二值化、腐蚀和膨胀等处理,使用Canny边缘检测算子检测目标区域,然后利用最小矩形和图像融合方法对目标草莓区域进行提取,用于样本库的制作,并使用图像几何变换方法对样本库进行增强。(3)根据Goog Le Net卷积神经网络理论搭建草莓识别模型,使用建立的样本库对模型进行训练,识别实验得出模型平均识别率98.65%,平均单张图像检测时间0.0468s。根据草莓图像的Cr颜色分量、区域周长和面积特征,分别建立了草莓成熟度分级预测模型和重量分级预测模型,通过模型分级实验得出分级准确率分别为92.10%、87.57%。(4)搭建了双目视觉定位系统,建立了从二维像素坐标到三维空间坐标的转换关系,使用张氏标定方法对双目设备进行标定,得出双目设备的内外参数,并对左右视图进行极线校正,对草莓质点的提取进行建模分析,根据草莓质点对采摘点进行定位预测,在距离为30 cm时,定位误差量为±5 mm,误差率为±3%。经实验验证,建立的模型测试效果良好,能够较准的对草莓进行识别、分级与空间定位。

关键词：草莓识别模型机器视觉 googlenet 分级预测定位

基于卷积神经网络的中小企业信用风险预测模型研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于卷积神经网络的中小企业信用风险预测模型研究

作者：孙琦北京交通大学

学位级别：硕士

中小企业的发展在促进我国经济增长方面发挥了关键作用。然而,尽管得到了政府的大力扶持,中小企业的发展仍然存在一系列的问题,其中,融资困难是限制我国中小企业发展的主要难题之一。中小企业的融资困难,源自于金融机构和银行缺乏对于... 详细信息

中小企业的发展在促进我国经济增长方面发挥了关键作用。然而,尽管得到了政府的大力扶持,中小企业的发展仍然存在一系列的问题,其中,融资困难是限制我国中小企业发展的主要难题之一。中小企业的融资困难,源自于金融机构和银行缺乏对于中小企业的信用预测方法,导致金融机构因无法掌握中小企业信用风险状况而采取了少贷,拒贷等保守措施。因此,运用科学的方法客观准确地预测中小企业的信用风险情况,对中小企业的发展,甚至于我国国民经济的持续稳定增长,都具有重要意义。首先,在梳理分析国内外企业信用风险预测模型的基础上,本文对比分析了不同类型预测模型的适用性,发现已有的各种模型受制于中小企业信用风险数据难以获取这一客观条件,其适用性受到限制,而可以根据数据情况进行自适应和自学习的卷积神经网络方法更适用于我国中小企业信用风险研究;然后,本文根据指标体系建立的基本原则,并针对中小企业的企业运行数据特征,构建了信用风险预测指标体系,该指标体系既包括了财务指标,也包括了非财务指标,因此相较传统方法能够更为全面、综合的反映信用风险状况,并运用统计方法对指标数据进行分析筛选,以确定神经网络的输入变量;接下来,本文为了克服传统信用预测方法在数据适应性方面的不足,选取了googlenet神经网络方法构建信用风险预测模型。本文介绍了基于googlenet神经网络结构进行网络设计和训练提升的过程,并说明了如何应用预处理和Dropout正则化等方法解决神经网络运行过程中的诸多问题;最后,通过理论与实证分析,在介绍了中小企业信用风险数据特征的基础上,运用TensorFlow深度学习框架,使用Python语言进行编程,输入相关定性和定量数据,经过网络自适应学习得到样本公司的信用风险状况。为了验证该模型判别正常公司与风险公司的准确性,本文将该模型与几种典型风险预测模型的计算结果进行对比,验证了该模型的理论意义和实用价值。本文的贡献在于,对比分析了不同类型中小企业信用风险预测模型,并优化了指标体系,运用卷积神经网络方法构建了具有数据特点针对性的信用风险预测模型,通过运用wind数据库中的沪深中小企业板块实际运行数据和实际风险情况数据进行验证,证明其具有面对不同类型数据的强自适应能力,较强的可操作性和较高的预测精度。本研究在如何对中小企业进行信用风险预测方面做出了一次有益的探索,给出了一套量化分析的办法,丰富了中小企业信用风险预测这一研究领域,具有相当的理论和实践意义。

关键词：中小企业信用风险预测卷积神经网络 googlenet

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的温室作物病害识别方法研究

基于深度学习的温室作物病害识别方法研究

作者：吕鹏沈阳大学

学位级别：硕士

近年来,目标检测技术迅速发展,在许多领域中都有着广泛的应用。在农业生产中,温室作物可以不用担心外部环境变化对其生长造成的影响,温室大棚现已成为人们获取蔬菜水果的一个重要来源地。但由于温室作物始终生长在室内环境中,导致作物... 详细信息

近年来,目标检测技术迅速发展,在许多领域中都有着广泛的应用。在农业生产中,温室作物可以不用担心外部环境变化对其生长造成的影响,温室大棚现已成为人们获取蔬菜水果的一个重要来源地。但由于温室作物始终生长在室内环境中,导致作物上发生的病害大多为真菌性病害,且病害种类繁多而不易辨别。因此,将目标检测技术与人工智能相结合可以帮助农户解决农业生产过程中的作物病害识别问题,有利于农户在现代农业生产中提高对农作物的病害检测水准,且有助于实现精准化农业,加快迈进农业智慧化步伐。因此本文采用深度学习对温室作物病害识别方法开展研究,针对温室作物发病频率较高的几类病害进行检测与识别,以提高对温室作物病害的诊断与防治效率。本文以温室种植作物中经济价值较高的西瓜为研究对象,针对西瓜病害特征不明显、小目标病害区域识别效率低以及传统检测误差大等问题,建立了基于Faster-RCNN的西瓜病害检测模型,与传统的病害检测方法相比,该模型不但提高了检测效率,而且提高了检测精度。由于目前并无公开可用的西瓜病害数据集,本文通过实地拍摄等多种渠道进行图像搜集,并对图像进行降噪、增强及数据标注等预处理,有效构建了本文实验所用的西瓜病害数据集。其次,考虑到几种西瓜病害特征较为接近且不易区分,采用改进后的googlenet网络作为模型的特征提取网络,来提取病害图像的底层特征。再次,使用K-Means算法聚类分析了每个西瓜病害区域的目标框,使模型中的Anchor更加接近病害区域目标框的真实大小。然后,针对西瓜相邻病害区域可能存在漏检的问题,使用改进的非极大值抑制算法去除冗余的目标检测框,以此检测相邻病害区域。最后,将改进后的模型与不同特征提取网络构建的模型进行对比实验,结果证明本文所提算法模型对作物病害具有较高的识别精度,同时表明本文模型能够更好的应用于温室作物的病害诊断,在农业生产过程中具有很高的应用价值。

关键词：目标检测 Faster-RCNN googlenet 聚类分析非极大值抑制

基于CNN的水表指针读数识别及STM32实现方案设计

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

电子测量技术 2021年第23期44卷 61-67页

作者：张鹏飞叶哲江杨嘉林李家成昆明理工大学信息工程与自动化学院昆明650500

为了提高卷积神经网络对于水表指针读数识别的准确率,同时实现将卷积神经网络移植到STM32单片机中运行,使用了包含2913张水表指针图片的数据集对googlenet和ResNet-18进行迁移学习和测试,其中googlenet的测试集准确率为89.37%,ResNet-1... 详细信息

为了提高卷积神经网络对于水表指针读数识别的准确率,同时实现将卷积神经网络移植到STM32单片机中运行,使用了包含2913张水表指针图片的数据集对googlenet和ResNet-18进行迁移学习和测试,其中googlenet的测试集准确率为89.37%,ResNet-18的测试集准确率为93.24%。借鉴于ResNet-18模型的跳跃连接思想,使用了高低层特征融合的方法,在保证感受野大小不变的前提下将7×7大卷积核替换为3个3×3小卷积核的串接以减少网络的参数量,同时减低网络的深度,加快了训练时网络的收敛,之后设计了一个对于水表指针读数识别准确率更高和收敛更快的卷积神经网络模型,此模型的测试集准确率为95.11%。为克服STM32单片机存储资源极其有限的困难,在保证较高准确率的前提下进一步减小网络规模从而降低网络参数量,设计出模型的测试集准确率为91.51%,训练过程在PC端使用MATLAB深度学习工具箱完成,生成的onnx模型仅有948 KB大小,运行占用RAM大小为437.14 KB。

关键词：卷积神经网络 STM32单片机 googlenet ResNet-18 特征融合感受野

在线全文

学校读者我要写书评

暂无评论

基于卷积神经网络的室内场景识别

郑州大学学报（理学版） 2018年第3期50卷 73-77页

作者：杨鹏蔡青青孙昊孙丽红河北工业大学人工智能与数据科学学院天津300130 智能康复装置与检测技术教育部工程研究中心天津300130 河北省控制工程技术研究中心天津300130

场景识别一直是图像处理领域的重要问题之一,对研究移动机器人定位、计算机视觉等方面具有重要意义.然而,室内场景的复杂性与无序性使室内场景识别研究面临许多挑战.传统的手工提取特征无法充分描述室内场景的信息,而卷积神经网络提取... 详细信息

场景识别一直是图像处理领域的重要问题之一,对研究移动机器人定位、计算机视觉等方面具有重要意义.然而,室内场景的复杂性与无序性使室内场景识别研究面临许多挑战.传统的手工提取特征无法充分描述室内场景的信息,而卷积神经网络提取的特征能够包含丰富的场景语义和结构信息,且对于平移、比例缩放、倾斜等形式的变形具有高度不变性,因此提出了应用基于卷积神经网络的googlenet网络模型来完成识别任务的方法.该网络模型在深度学习框架Caffe上对MIT_Indoor数据集的识别准确率为59.7%,高于使用传统手工提取特征的算法的准确率,对比结果说明了深度卷积神经网络在室内场景识别问题上的有效性.

关键词：场景识别图像处理卷积神经网络 googlenet Caffe

在线全文

学校读者我要写书评

暂无评论

基于卷积神经网络的表情识别研究与应用

基于卷积神经网络的表情识别研究与应用

作者：徐琳琳青岛大学

学位级别：硕士

表情识别是一个横跨人工智能、神经学、计算机等学科的交叉领域,在心理分析、临床医学、车辆监控等领域都有着广泛的应用。但由于表情识别特征提取难度、表情复杂度较高,传统机器学习算法容易忽略对于分类有重要作用的特征,导致表情识... 详细信息

表情识别是一个横跨人工智能、神经学、计算机等学科的交叉领域,在心理分析、临床医学、车辆监控等领域都有着广泛的应用。但由于表情识别特征提取难度、表情复杂度较高,传统机器学习算法容易忽略对于分类有重要作用的特征,导致表情识别的准确率较低。近年来随着深度学习和并行计算的发展,将基于深度学习的卷积神经网络应用到表情分类问题引起了学者们的关注。这得益于深度学习的特征提取是通过反向传播和误差优化来更新迭代权重,能够提取出容易忽视的关键点和特征。但依然存在实现复杂、依赖大量数据集、计算量大等问题。因此,本文主要针对以上问题对优化卷积神经网络及其内部结构开展研究。本文主要工作及创新点如下:1、目前的卷积神经网络对表情识别的细微特征提取程度不够,且训练时间长。为了解决这一问题,本文对googlenet网络结构进行了优化,提出了一种基于并行结构的卷积神经网络。该算法的核心为两个并行的卷积池化结构,通过对表情图像提取不同的特征,之后再进行特征融合。该结构增加了网络的宽度和对于尺度的适应性,能够从不同角度提取图像的特征。2、虽然ReLU激活函数很好的保持了函数的稀疏性,但无法缓解均值偏移、神经元死亡的问题。针对该问题本文对传统的ReLU激活函数进行了改进,提出了双参数的新型修正激活单元D-ReLU。D-ReLU使用Log函数保留了负半轴的值,并设计使用了双参数能够让网络进行自主学习,使得输出均值趋近于零。因此,D-ReLU函数能够收敛更迅速,避免神经元死亡的现象,并能够在网络训练的过程中自主调节。3、将上述的模型算法应用到了互联网教育领域中,实现了课堂视频实时分类的表情识别系统。使用python爬虫获取百度、谷歌等网站的课堂表情图片,经过人工筛选和预处理后建立了小型的课堂表情数据集。将数据集送入上述模型中进行训练,利用训练出的模型对视频中的表情图片进行实时识别,并且搭建了学生端以及教师端两个教育平台。

关键词：表情识别卷积神经网络 googlenet 激活函数表情数据集

基于图像识别技术的风力机叶片损伤检测方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于图像识别技术的风力机叶片损伤检测方法研究

作者：潘杰江苏大学

学位级别：硕士

风电在能源中的占比不断增加。叶片是风力机主要构件,且成本较高,在使用中受材料退化、疲劳、冰霜、雷电等因素的影响,从而导致叶片损伤故障,对风机运行产生负面影响。对风力机叶片进行定期巡检作业,发现潜在损伤,进行及时维护,能够有... 详细信息

风电在能源中的占比不断增加。叶片是风力机主要构件,且成本较高,在使用中受材料退化、疲劳、冰霜、雷电等因素的影响,从而导致叶片损伤故障,对风机运行产生负面影响。对风力机叶片进行定期巡检作业,发现潜在损伤,进行及时维护,能够有效地减少故障事故发生。因此,针对风力机叶片损伤检测进行了研究。首先,对风力机叶片图像集进行了增广。由于现有数据集规模较小,且某些损伤类型发生较少,图像集中含有数量较少,为增强系统模型的可靠性,提升其泛化性能,需进行数据集增广。基于透视变换、翻转、对比度归一化、高斯模糊等算法,进行了图像集增广。同时为规范尺寸大小,分别采用金字塔缩放和拼接法进行调整。并对目标图像进行预处理操作,凸显叶片损伤特征。其次,为进行无损缺陷检测,凸显损伤边缘。在进行系统设计时,采用多尺度边缘检测算法,对风力机叶片图像边缘辨识,将每个像素的值与其紧邻区域像素进行比较,并且使用3×3二维离散卷积进行计算,从而提高系统识别精度和泛化性能。再次,为了进行风力机叶片缺陷检测,研究了BP神经网络、CNN网络、googlenet等深度学习算法。其中,googlenet具有较好稀疏特性,能够极大的减少网络深度,降低算力尺度。系统采用Tensor Flow框架,为适应于本系统应用和减少计算资源占用,改进了Inception架构,建立了改进的googlenet算法,实现了叶片表面缺陷检测,获得了满意的检测模型,检测精度稳定在95%以上。最后,将本系统应用于江苏国信风电项目,同时,为方便将风力机叶片损伤检测系统部署应用,开发了终端应用界面。该界面具有显示、结果记录、菜单工具栏等功能区组成。并通过实际运行验证了GUI交互的可行性和系统的有效性。

关键词：叶片损伤图像增广多尺度边缘检测 googlenet

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于主动学习少标签样本的卷积神经网络研究

基于主动学习少标签样本的卷积神经网络研究

作者：沈昶宇电子科技大学

学位级别：硕士

随着科技的发展与工程需要的多元化,计算技术在图像识别领域中的应用越来越广泛。其中卷积神经网络具有优秀的图像识别效果,相比于常规图像识别算法,它具有更为有效的特征提取结构以及识别结构,已成为图像识别领域中主要技术之一。众所... 详细信息

随着科技的发展与工程需要的多元化,计算技术在图像识别领域中的应用越来越广泛。其中卷积神经网络具有优秀的图像识别效果,相比于常规图像识别算法,它具有更为有效的特征提取结构以及识别结构,已成为图像识别领域中主要技术之一。众所周知,图像样本的质量、数量是影响图像识别的关键因素,但是在一些重要专业领域,如遥感、雷达、医疗等,不仅面临获取大量、高质量的图像数据存在困难,更面临对这些专业图像标注的专业人力不足的困难,导致这些专业领域可使用的已标注图像数据不足,即这些领域可能存在能够使用的已标注图像样本较少的问题。由此可见,研究少样本、高识别率的算法,是紧迫的工程需求。本论文提出一种分组式主动学习（Grouped Active Learning,GAL）策略以减少训练所需标注样本的数量,并对其可行性进行验证。论文主要工作包括:（1）对GAL中的分组方法进行研究,通过仿真实验得到了分组筛选样本与整体筛选样本将带来的损耗,验证了GAL的可行性,并将其应用于主动学习策略的各个阶段,完成基于GAL整体框架的设计;（2）研究不同的主动学习筛选算法的影响,发现不同的筛选算法在训练卷积网络的不同阶段有不同的效果;（3）基于googlenet卷积网络结构完成对MSTAR SAR数据以及遥感图像的识别网络结构设计。以上三项工作,从卷积神经网络本身的特征提取能力、主动学习筛选算法及最终识别网络结果展示并说明了GAL可以应用在不同种类的图像识别中,并能有效减少图像识别所需标签。论文的具体工作内容如下:（1）GAL中数据分组的可行性研究。对样本进行分组与全局样本的主动学习差异进行研究。同时,利用仿真实验验证,在一定假设条件下分组对主动学习所筛选出来的样本带来的影响可以近似忽略,证明了分组式主动学习的可行性;（2）GAL中的筛选策略的研究。重点研究了单一主动学习筛选策略对识别效果的影响。实验数据表明:不同阶段采取不同的筛选算法能够在以5%总样本单位为一个阶段的情况下提升3～6%的识别效果,获得一个性能优良的识别网络;（3）GAL-googlenet卷积神经网络整体实现与应用研究。重点利用了googlenet不同层对数据处理效果,并在训练过程采用微调（fine-tune）策略加强卷积网络识别效果。为了验证本文所提出的方法有效性,将GAL-googlenet网络应用在三类不同的数据集上进行实验,结果如下:（1）应用于Uc Merced＿Land Use数据集上,在降低训练集50%规模情况下进行训练得到整体样本正确率99.57%的识别结果。（2）应用于AID数据集上,在降低训练集20%规模的情况下进行训练获得整体正确率98.02%。（3）应用于MSTAR SAR雷达图像数据集,在仅使用训练集40%的情况下,获得了与近几年文献相似、更优的识别结果。本论文的研究工作对主动学习技术的工程应用有一定参考价值。

关键词：分组式主动学习卷积神经网络微调 googlenet 遥感图像识别