检索结果-南通市图书馆

Physiological-physical feature fusion for automatic voice spoofing detection

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

Frontiers of Computer Science 2023年第2期17卷 157-166页

作者： Junxiao XUE Hao ZHOU Research Institute of Artificial Intelligence Zhejiang LabHangzhou 311121China School of Cyber Science and Engineering Zhengzhou UniversityZhengzhou 450002China Henan Key Laboratory of Cyberspace Situation Awareness Zhengzhou 450000China

Biometric speech recognition systems are often subject to various spoofing attacks,the most common of which are speech synthesis and speech conversion *** spoofing attacks can cause the biometric speech recognition system to incorrectly accept these spoofing attacks,which can compromise the security of this *** have made many efforts to address this problem,and the existing studies have used the physical features of speech to identify spoofing ***,recent studies have shown that speech contains a large number of physiological features related to the human *** example,we can determine the speaker's gender,age,mouth shape,and other information by *** by the above researches,we propose a spoofing attack recognition method based on physiological-physical features *** method involves feature extraction,a densely connected convolutional neural network with squeeze and excitation block(se-densenet),and feature fusion *** first extract physiological features in audio from a pretrained convolutional *** we use se-densenet to extract physical *** a dense connection pattern has high parameter efficiency,and squeeze and excitation blocks can enhance the transmission of the ***,we integrate the two features into the classification network to identify the spoofing *** results on the ASVspoof 2019 data set show that our model is effective for voice spoofing *** the logical access scenario,our model improves the tandem decision cost function and equal error rate scores by 5%and 7%,respectively,compared to existing methods.

关键词： spoofing attacks se-densenet physiological feature

基于改进ORB图像配准与深度学习的PCB裸板缺陷检测

维普期刊数据库

同方期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于改进ORB图像配准与深度学习的PCB裸板缺陷检测

作者：王俊豪湖北工业大学

学位级别：硕士

在制造业高速发展的当下,传统通过人工视目检测缺陷的方法逐渐淡出工业检测环境,基于机器视觉的检测方法随之兴起并广泛应用于工业环境。PCB裸板的制作是工艺流程中最基础的部分,其缺陷检测也是首要环节。针对现有PCB裸板缺陷检测方案... 详细信息

在制造业高速发展的当下,传统通过人工视目检测缺陷的方法逐渐淡出工业检测环境,基于机器视觉的检测方法随之兴起并广泛应用于工业环境。PCB裸板的制作是工艺流程中最基础的部分,其缺陷检测也是首要环节。针对现有PCB裸板缺陷检测方案不具备通用性且对于多种缺陷的分类准确率不理想等问题,设计了一种改进ORB图像配准与深度学习的PCB裸板缺陷检测方法,主要分为预处理、缺陷定位和分类识别三部分实现PCB裸板缺陷的自动检测。预处理部分,分析了常见滤波处理方法并结合实验的滤波效果后,采取中值滤波进行预处理。随后针对直方图均衡化失真严重、伽马变换和线性变换增强能力的不足,设计一种基于RGB空间的PCB裸板图像增强算法。分析PCB裸板颜色特点后,通过在G通道寻找阈值,并结合人眼对RGB三种颜色的敏感度,对RGB三通道的图像做分段线性变换处理。实验结果表明,本文算法对比度指标达到57.13,在结构相似性、梯度幅值相似性指标方面,与传统线性变化相差不大。并且在视觉上有着明显的提升,达到了亮度适中、对比度清晰的效果。缺陷定位部分,利用基于参考比较法和形态学处理的混合法实现缺陷定位。针对基于ORB的图像配准算法能满足工业环境的速度要求,但其算法不具备尺度的适应性、误匹配率高,且RANSAC方法运算时间不理想等问题,提出一种基于改进ORB算法的PCB裸板图像配准方法。首先建立非线性尺度空间,然后利用经过强角点处理的Shi-Tomasi算法进行角点检测,最后利用更高效的PROSAC算法替代传统RANSAC剔除误匹配点进行精匹配。实验结果表明本文算法平均配准精度值为0.545,配准时间低于600ms,相对于传统ORB匹配算法具有更好的尺度适应性、更高的匹配正确率和配准精度,且具有一定的实时性能。随后进行缺陷定位,利用局部自适应二值化、XOR运算操作以及形态学处理方法,并结合本文设计的滤除细小点步骤与定位策略,实现虚假缺陷的滤除与真实缺陷的定位。对6类缺陷和不同PCB裸板样本展开缺陷定位的实验,实验结果表明本文设计的方法具有良好的定位性能,同时误检率低,处于0%.2%区间,具有良好的实用性。缺陷分类识别部分,针对传统缺陷分类识别方法不具备算法通用性、深度学习中浅层的神经网络对特征表达能力不够以及densenet网络虽适用于小样本任务但存在特征的冗余等问题,本文引入seNet结构对特征进行加权,搭建se-densenet网络。随后介绍了TFDS数据集与PCB裸板数据集并展开实验。在TFDS数据集上的实验验证了本文在densenet中引入seNet结构的有效性,将平均准确率提高了0.34%。在PCB裸板数据集上,将本文搭建的网络与LBP+SVM、HOG+SVM、Cifar10Net网络和densenet网络进行了平均识别准确率与检测速度的对比实验。实验结果表明,本文搭建的se-densenet网络准确率达到98.36%,分类性能优于其他算法,检测速度为每张图像33.15ms,具有很好的实时性。为了验证模型对实际PCB裸板缺陷识别的性能,利用前文中已进行缺陷定位后的PCB裸板缺陷图像作为训练好的网络模型的输入样本进行实验。实验结果表明,缺陷漏检率的范围在0%.4%之间,漏检率低,本文网络对于PCB裸板的6类缺陷具有良好的分类识别性能。综上所述,本文提出的基于改进ORB图像配准与深度学习的PCB裸板缺陷检测算法,具有一定的通用性和较高的准确率,能有效应用于PCB裸板缺陷的检测。

关键词： PCB裸板缺陷检测 RGB空间图像配准深度学习 se-densenet

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奶山羊行为识别方法研究

基于卷积神经网络的奶山羊行为识别方法研究

作者：韩佳臻西北农林科技大学

学位级别：硕士

奶山羊是乳用品种的山羊,产奶量大,经济回报高;其羊奶营养全面,是现代乳品工业的重要原料。面向规模化养殖中奶山羊的行为识别需求,本研究通过构建和训练合适的卷积神经网络,采用densenet模型,优化实验参数,训练出稳定收敛的卷积神经网... 详细信息

奶山羊是乳用品种的山羊,产奶量大,经济回报高;其羊奶营养全面,是现代乳品工业的重要原料。面向规模化养殖中奶山羊的行为识别需求,本研究通过构建和训练合适的卷积神经网络,采用densenet模型,优化实验参数,训练出稳定收敛的卷积神经网络,对采集到的奶山羊的行为图像进行分类识别。再对数据集进行扩充分类,通过改进的se-densenet模型结合多标签分类算法训练出可以识别具有多个标签的奶山羊行为图像。实验表明,改进的se-densenet的性能优于传统的densenet,并实现了对新的奶山羊数据集的多标签分类,取得了良好的识别效果。本文将研究对象设定为西农奶山羊基地采集的奶山羊日常行为图像,通过卷积神经网络解决奶山羊行为识别问题。主要研究内容和结论有:(1)图像预处理筛选具有明显行为特征的奶山羊图像,并对其进行分类,手动删除没有奶山羊出现的空白图像或奶山羊肢体少于整体三分之二的图像,对输入图像做初步的预处理,统一像素并做数据增强处理。(2)基于densenet的奶山羊行为识别构建densenet模型,本文研究重点在于构建一个合理的网络模型结构,并采取相关技术保证其在训练集上快速且稳定地收敛,对相关参数进行优化实验。输入预处理后的图像并提取图像的目标特征,对densenet模型进行训练。最后再采用softmax分类器对训练的目标进行分类学习,最终得出识别检测的结果,接着再输入测试集图像进行测试,最后识别验证结果的准确率。(3)基于se-densenet的多标签奶山羊行为识别提出一种改进的densenet模型,加入seNet模型中的se模块,改进后的se-densenet模型结合了两者的优势,加强了深层信息的传递,避免了梯度消失,又实现了特征提取过程中的特征重标定。同时对奶山羊行为数据集进行了再分类,对网络输出进行独热编码,使用sigmoid交叉熵损失函数实现了多标签的奶山羊行为识别。

关键词：奶山羊行为识别卷积神经网络 se-densenet 多标签分类

基于深度学习的MR影像肝细胞癌自动分级方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的MR影像肝细胞癌自动分级方法研究

作者：周庆中国科学技术大学

学位级别：硕士

随着计算机硬件和软件水平的不断发展,许多新的深度学习计算平台不断涌现,使得深度学习广泛的应用于生活的各方面,尤其是图像识别分类领域。深度学习网络的多层结构能够有效的表达复杂函数,从而使其能够学习到具有较强表征能力的图像特... 详细信息

随着计算机硬件和软件水平的不断发展,许多新的深度学习计算平台不断涌现,使得深度学习广泛的应用于生活的各方面,尤其是图像识别分类领域。深度学习网络的多层结构能够有效的表达复杂函数,从而使其能够学习到具有较强表征能力的图像特征,提高图像识别的准确性。在医学领域,计算机辅助诊断系统与人工智能相结合的研究日益受到研究者们的关注,本文以基于增强核磁共振图像实现对肝细胞癌的病理分级研究为出发,将卷积神经网络应用到肝细胞癌的自动分级中。肝细胞癌的病理分级对肝癌的临床诊断、治疗和预后有着极其重要的意义,然而基于医学影像评估肝细胞癌的分级对于放射科医生来说是一项较难的挑战,因此实现肝细胞癌的客观自动分级具有重要的临床意义。本文中叙述了深度学习的发展过程以及成熟的深度学习技术,深入研究了卷积神经网络在图像分类问题上的优势;其次,本文在将卷积神经网络应用于增强MR图像上的肝细胞癌分级实验中,实验的数据集是从两个不同的医院临床中心获取的,实验过程中对数据进行预处理,对样本进行扩充,实现对卷积神经网络的训练和测试;最后,本文在 densenet(densely connected convolutional network)和 seNet(squeeze-and-excitation networks)的基础上提出了新的深度学习框架:se-densenet,将seNet作为网络的一层加入到densenet中,定量的实验结果表明se-densenet框架的分类性能优于densenet,利用seNet对特征进行权重自学习,从而达到对分类任务重要的特征进行增强以及对分类任务无用的特征进行削弱的目的,在一定程度上,se-densenet缓解了 densenet的特征冗余性,提高了模型的分类性能。

关键词：深度学习图像分类肝细胞癌分级卷积神经网络 se-densenet

基于densenet的电路元件安装预检方法设计与实现

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Densenet的电路元件安装预检方法设计与实现

作者：叶润东中国矿业大学

学位级别：硕士

印刷电路板是电子工业中最基础也是最活跃的产业之一,而品类繁多的电路元件是信息传输和处理的底层硬件,由于电路元件小而精细且容易安装出错的原因,电路板生产中每年都会出现大量次品废品,这直接影响到产品的质量和成本,所以在印刷电... 详细信息

印刷电路板是电子工业中最基础也是最活跃的产业之一,而品类繁多的电路元件是信息传输和处理的底层硬件,由于电路元件小而精细且容易安装出错的原因,电路板生产中每年都会出现大量次品废品,这直接影响到产品的质量和成本,所以在印刷电路板出厂前对电路元件的安装预检是非常有必要的。传统的电路元件安装预检方法大都采用人工目测的方式,这已经满足不了生产需求,为此本研究旨在运用人工智能图像识别的方法,对电路元件进行安装预检。通过采集获取到大量的图像数据,进行数据增强来扩充数据集,随后选择densenet卷积神经网络并加以训练识别,对识别结果采用三种优化方法优化神经网络性能,最终实现高精度电路元件的安装预检。本文主要工作分为以下三点:(1)电路元件图像采集与预处理。本研究充分考虑了电路元件安装预检的实际环境,在电路元件图像采集的过程中,图像数据存在噪声、模糊、对比度差、数量少等问题,样本直接使用会影响识别结果,为此我们对图像数据进行预处理,同时利用旋转、随机Crop、缩放方法扩充样本数量,最终形成人工标注的数据集。(2)对比Alexnet、Inception、Resnet并选择densenet作为神经网络模型。本部分的重点在于运用卷积神经网络识别模型来识别电路元件是否正确安装。经过实验对比多个识别模型,densenet具有参数量少、准确率高的优势,选择densenet作为神经网络模型。实验结果显示出densenet在电路元件识别精度上仍有提升空间,为此分析了网络存在的问题并给出相应的优化方法。(3)在densenet网络基础上添加se block构建se-densenet网络,并采用学习率衰减、Adam优化算法、Dropblock正则化方法,提高识别精度。针对densenet识别电路元件精度不高的情况,提出在densenet的基础上嵌入se block来构建新型se-densenet网络,se-densenet相比原densenet识别精度明显得到提升。随后对学习率衰减策略、Adam优化算法、Dropblock正则化方法开展实验进行比较,实验结果显示出学习率衰减策略可以让网络后期收敛,Adam优化算法能加速网络训练并提升识别精度,Dropblock正则化方法可以提升网络识别精度。新型se-densenet在识别性能上相比基础densenet模型有了很大的提升,识别精度可达96.12%,能够高精度识别电路元件是否正确安装。本论文有图45幅,表9张,参考文献82篇。

关键词：电路元件卷积神经网络数据增强 se-densenet 性能优化

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衍射图空间群识别研究

白城师范学院学报 2023年第2期37卷 7-13页

作者：石竞琛王文杰刘霏凝赵瑞吉林师范大学数学与计算机学院吉林四平136000

X射线衍射(XRD)图谱数据的采集和分析是新材料开发周期中必不可少的步骤之一,常规实验表征很难实现大批量的测试和快速鉴别.文章基于densenet设计了一个衍射图空间群识别的神经网络模型***-Dense Net在简化了网络结构的同时,通过增加注... 详细信息

X射线衍射(XRD)图谱数据的采集和分析是新材料开发周期中必不可少的步骤之一,常规实验表征很难实现大批量的测试和快速鉴别.文章基于densenet设计了一个衍射图空间群识别的神经网络模型***-Dense Net在简化了网络结构的同时,通过增加注意力机制(Squeeze and Excitation,se),并采用新的激活函数来提高网络模型的性能.研究表明,在具有32337个样本包含20类空间群的数据集上,se-Dense Net的准确率为81.73%,较基础对照模型提高了4.9%.研究发现,尽管数据集的不平衡性是限制神经网络模型预测准确度的主要原因之一,但se-densenet的性能足以在短时间对大量衍射图数据产生准确的预测,并提供有意义的参考.

关键词：卷积神经网络 se-densenet X射线衍射图空间群识别