基于Matlab图像处理的水泥路面裂缝检测研究

以水泥混凝土路面的裂缝检测及特征提取为研究对象。利用Matlab的数字图像处理技术,对采集到的水泥路面裂缝图像进行了一系列处理,最终达到提取裂缝特征数据的目的。结果表明：对图像的灰度化、中值滤波、平滑、锐化分割以及形态学处理后,裂缝图像有明显去噪效果、平滑效果、边缘模糊影响最小,所用裂缝计算方法可以准确地得到线性裂缝的长度以及网状裂缝的面积。     

融合注意力机制与轻量化网络的桥梁裂缝分类

提出一种基于注意力机制融合轻量化网络的桥梁裂缝图像分类方法。以轻量化卷积神经网络为理论基础分类识别桥梁裂缝图像,并在轻量化网络中加入注意力机制以解决网络无法自主关注所感兴趣区域的问题。根据桥梁图像中裂缝所占比例较小且边缘突出的特点,选用适合于识别桥梁裂缝的注意力机制——CBAM(convolutional block attention module),并将其嵌入轻量化卷积神经网络EfficientNetv2中,建立CBAM-EfficientNetv2模型。实验结果表明：CBAM-EfficientNetv2模型与VGG16、ResNet34等常用深度学习模型对比,可获得最优的桥梁裂缝图像分类效果,其分类识别准确率达到95.64%。     

改进SSD模型的路面病害图像检测系统

为解决公路路面病害图像特征不突出、检测精度低等问题,提出一种基于改进SSD模型的路面病害检测系统。利用梯度下降Sobel算子优化SSD模型中图像特征提取的卷积网络层,突出路面病害图像特征;通过改进SSD模型实现横向裂缝、纵向裂缝、块状裂缝、路面凹陷以及其它类路面的病害图像检测;结合Jetson-Nano板载化系统以及基于GO语言的Tensorflow框架实现路面病害检测及分类。实验结果表明,系统路面病害分类准确度为91.28%,比未改进的SSD模型识别准确度提高7.36%,证明该优化模型有效。     

基于卷积神经网络的轨道扣件状态检测

为提高铁路轨道扣件状态检测的效率和准确率,提出基于卷积神经网络的轨道扣件状态检测算法。通过原始图像数据增强、采用修正线性单元、引入弃权技术等优化方法,减小过拟合,提高卷积神经网络的泛化能力。经试验对比,该算法不需要进行特征提取等预处理操作,有效地解决了训练精度和泛化能力差的问题,准确率达到98. 1%,优于传统基于特征提取的图像识别算法。     

基于图像增强的水泥路面裂缝检测方法及应用

针对水泥路面裂缝识别的干扰和噪声问题,提出一种基于图像增强的裂缝检测方法。首先利用小波变换增强裂缝对比度;再采用空域滤波和基于傅里叶变换（FFT）的频域滤波相结合的方法滤除图像中的噪声和干扰;在此基础上,使用边缘检测方法实现裂缝提取。实验结果表明,该方法可有效去除图像中的干扰和噪声,较好地识别水泥路面的裂缝。     

基于改进的ResNet50网络的光伏热斑识别算法

为提高样本在分布不均衡情况下的识别精度,提出一种改进的ResNet50卷积神经网络光伏热斑识别算法。首先,为增加初期红外纹理信息流入、调整网络宽度,设计一种头部分组特征提取模块,并将其嵌入到残差网络中,提高网络在图像细微特征方面的提取能力;然后,将通道注意力机制与残差模块相结合,增加网络通道间的热斑特征信息权重,提高模型识别性能和网络收敛速度;最后,通过图像转换HSV颜色空间、平均H分量梯度直方图峰值等数据预处理方法,将负样本转为多分类数据集,并用于热斑识别网络模型,实现热斑识别结果的可视化。实验结果表明,对比其他算法,改进后的ResNet50网络在识别精度上得到显著提高。     

基于机器视觉的钢轨表面面型缺陷分类实验设计

随着城市轨道交通的飞速发展,实现钢轨表面缺陷实时检测对铁路行业稳步发展意义重大。如何实时检测钢轨表面缺陷是保障铁路运行安全亟须解决的一个关键问题。鉴于此,设计了一套基于机器视觉的钢轨表面缺陷检测实验仿真方法。搭建图像采集、图像预处理和缺陷分类等模块;提出自拟合亮度调整算法完成像素值统计,得到清晰的缺陷特征图像;用750组数据训练网络权值,实现缺陷分类预测;经过数据分析和误差评估,识别准确率在90%以上,相关系数高达0.96,单幅图像平均耗时1.267 s,测试表明,所提方法能准确、高效地实现钢轨表面缺陷信息的缺陷分类与识别。     

仿生模式识别在影像学肺炎判别算法的改进

提出了一种结合卷积神经网络和仿生模式识别的改进判别算法,以仿生模式识别为基础,首先构建一个基于卷积神经网络的特征提取网络。将图像特征提取之后,利用仿生模式识别构建并训练一个分类网络用于图像的分类。为证明方法的有效性,进行了3组对比实验,第1组为算法在少量数据下的对比分析,其改进后算法平均准确率比传统算法高了10%;第2组为算法在稍多数据下的对比分析,本算法平均准确率达到92%,高于传统算法;第3组为算法在较多数据下的对比分析,其平均准确率达到88%,高出传统算法10%。     

改进WOA算法优化SVM的网络入侵检测

基于支持向量机(SVM)的网络入侵,因SVM参数设置不当导致分类准确率偏低的问题,提出改进二进制鲸鱼算法优化支持向量机(IBWOA-SVM)的网络入侵检测。通过对鲸鱼优化算法中收敛因子的改进和更新机制融入粒子群策略的方式,改善其容易陷入局部最优且收敛精度慢的缺点。对初始化参数群采用改进二进制鲸鱼优化算法的更新机制不断地进行更新迭代,迫使鲸鱼搜索代理获取较优的参数值来建立性能较优的分类模型,进而提高网络入侵检测的分类性能。采用多个UCI数据集并与其他的参数优化方法进行对比,最后使用网络入侵检测KDD CUP 99数据集进行验证。结果表明,与遗传算法、粒子群算法和鲸鱼优化算法在SVM参数优化上的性能相比,IBWOA-SVM方法的分类准确率和适应度值在各数据集上都有所提高,从而有利于改善网络入侵检测参数优化中的分类性能。     

基于SSD及剪枝神经网络的复杂环境下混凝土裂缝识别（英文）

为解决裂缝识别算法在复杂环境下性能不佳的问题,提出了一种基于单激发多框检测器(SSD)算法的改进方法.该方法通过调整原始SSD算法中不同分辨率先验框数量的组合,实现对存在噪声的裂缝图像的高精度裂缝识别.在真实场景和实验室中采集足够数量的裂缝图像并进行预处理,利用椒盐算法对裂缝数据集添加噪声模拟复杂环境中的裂缝图像.在识别裂缝数据集时,对改进方法与原始SSD算法进行对比分析.结果表明,原始SSD算法和改进方法识别裂缝的准确性均随噪声水平的增加而降低.在高密度下添加20%等级的椒盐噪声时,原始SSD算法识别裂缝的准确率仅为31.7%,而改进方法的准确率则高达93.0%.因此,改进方法具有较强的抗噪能力,可用于复杂环境下的裂缝识别.     

水泥混凝土路面裂缝成因及对策分析

近几年,水泥混凝土路面以其抗压、抗穹、抗磨损、高稳定性等诸多优势,在我国农村公路路面上得到广泛应用.但由于裂缝、沉陷、错台、唧泥、拱起、坑洞、麻面、露骨等病害,影响了路面的使用性能.该论文针对水泥混凝土路面裂缝形成的特点和类型,分析裂缝产生的原因,从混凝土材料的选用及混凝土的配合比等方面提出一定的预防措施.     

浅析水泥混凝土路面裂缝成因及路面使用性能

本文对水泥混凝土路面裂缝的分类、产生的原因进行了分析,重点阐述了水泥混凝土路面的使用性能.     

基于深度学习模型与稀疏表示的绝缘子状态分类

在输电线路中绝缘子的状态直接影响整个输电系统的可靠性,然而复杂背景和不同光照条件下对于绝缘子的状态检测十分困难。如今计算机视觉辅助方法已被广泛应用于电力系统中。提出一种基于深度学习模型与稀疏表示进行绝缘子状态分类的方法,对于待检测的绝缘子图像,通过Faster-RCNN定位后,采用深度残差网络（ResNet）提取图像特征,最后利用稀疏表示进行绝缘子状态分类。该方法与传统方法相比,对于绝缘子的状态分类具有更高的准确率,准确率可达98.67%。     

基于EfficientNet的视网膜OCT图像分类方法研究

视网膜OCT图像能够观察到眼底视网膜各层组织及其厚度，为早期眼底疾病筛查提供准确的临床依据，但现有标注样本少导致分类精度较低.针对此问题提出一种基于迁移学习的EfficientNet视网膜OCT图像分类算法.首先，对视网膜OCT图像进行数据增强与预处理操作；其次，将预训练好的EfficientNet-B3模型进行训练，再通过部分过采样和类权重的方法进行微调训练.最终分类准确率可达99.2%,表明该模型具有较高的分类识别准确率，具有一定的临床指导意义.     

瓦斯灰显微图像的ResNet50网络多目标分类

由于瓦斯灰显微图像具有类别多样、背景复杂、边缘模糊等特点,仅用传统的计算机视觉分类方法对目标图片分类识别率较差.针对此问题,提出一种基于深度卷积残差网络(Deep Convolutional Residual Network)分类方法.在Caffe框架下,以ResNet50为网络模型,设计一种瓦斯灰显微图像多目标自动分类的模型,实验结果表明,ResNet50模型识别图像的正确率要高于其余网络,达到98.75%,说明该模型具有较强的特征提取能力.     

路面裂缝图像的锐化增强处理

路面裂缝图像对比度低,难以将裂缝直接检测出.通过photoshop的USM锐化功能,并结合表面模糊进行了路面裂缝图像的增强处理,实验结果表明,该方法具有很好的裂缝信息增强效果,同时去除了增强的噪声及平滑了背景图像.     

基于改进E-EfficientNet的古陶瓷纹饰分类模型

为进一步提高古陶瓷纹饰分类精度，提出一种基于改进EfficientNet的古陶瓷纹饰分类模型。该模型通过引入高效率注意力机制(ECA)模块改进原主干网络EfficientNet-B0,有效捕获通道间的交互信息，利用跳跃连接在特征提取的最后一层加入ECA模块，获得古陶瓷纹饰注意力特征图，并利用迁移学习和Adam优化算法在古陶瓷纹饰数据集上进行实验验证。结果表明，改进后的E-EfficientNet模型在古陶瓷纹饰数据集上的识别准确率达到了99.26%,较改进前提高了2.48%;与同类轻量化模型ShuffleNet-V2和MobileNet-V3对比，识别准确率分别提高了2.10%和2.91%;与其他经典模型VGG、ResNet对比，不仅参数量大幅度减少，识别准确率均明显提高，可有效用于古陶瓷纹饰分类。     

不平衡古漆器漆膜数据分类研究

针对古漆器漆膜数据类间不平衡、样本规模小,以及传统机器学习算法分类效果较差的问题,提出一种改进SMOTE的过采样方法改变漆器漆膜数据样本分布,使其达到平衡。该方法通过比较各类样本间的欧式距离,删除了人工样本中的噪声数据,然后运用集成学习中的随机森林算法进行分类,提高了少数类的分类准确率。UCI数据集上的实验结果表明,改进的过采样方法性能更优,评价指标F1-score与AUC值分别得到2%、5%以上的提升。结合改进的过采样方法与机器学习算法进行对比实验,结果证明,随机森林算法精度更高,在对古漆器年代的判别中,随机森林算法的F1-score与AUC值高达87.76%、89.34%。     

基于SDN的DDoS攻击检测技术研究

为了在保证检测准确率的前提下提高检测效率,并优化SDN网络中基于流表特征的DDoS攻击检测算法,主要分析基于流表特征的DDoS攻击检测技术及其存在的不足,提出首先利用主成分分析优化流表特征,从中选出合适的特征子集,并采用支持向量机算法实现分类检测;然后搭建仿真网络环境,利用正常数据集与攻击数据集训练分类器进行测试实验;最后从检测准确率与检测时间两个维度对特征降维前后的检测方法进行对比。实验结果表明,经过特征降维的检测方法在不影响准确率的同时,有效提高了检测速率。     

基于级联特征网络的人体姿态估计

为了解决关键点检测精度不均和整体关键点检测精度不高等问题,基于级联特征网络,通过构建主体网络多分支、多阶段、多分辨率的方式从输入图像中提取丰富特征,并通过微调网络中的级联和在线关键点挖掘以提高整体关键点检测精度。采用自顶向下的方法在MPII数据集上与目前先进方法进行对比实验,分别使用20 000张图像进行训练,5 000张图像进行测试。实验结果表明,基于级联特征网络的人体姿态估计方法具有更高的多人姿态估计准确率,平均精度达80.4%,且一些不易识别的关键点检测精度更高。