一种基于改进卷积神经网络的玉米病害高效识别模型

目的:针对深度学习模型在玉米病害识别过程中存在精确度低、综合性能差等问题,提出一种改进的卷积神经网络模型,以期取得更好的识别效果。方法:构建由4个卷积层、4个最大池化层和3个全连接层组成的玉米病害识别模型,利用Dropout策略、L2正则化、早停法等优化网络,通过设置不同的初始学习率和批大小,对复杂环境下的6种典型的玉米病害进行分类试验研究,并与LeNet、AlexNet和GoogLeNet网络模型进行性能对比。结果:改进优化后的模型在玉米病害测试集上的识别准确率达到了98.27%,较改进前提高1.25%,单幅图像的平均识别时间缩短了0.007 7 s。与对比模型相比,新模型的识别时间最短,测试准确率比LeNet、AlexNet分别提高了15.52%、4.81%,损失值分别减少了0.805 2、0.157 8,性能曲线变化更平稳。结论:该模型具有识别速度更快、泛化能力更强、鲁棒性更好、识别精度高等特点,为玉米病害的精准高效识别提供了新的方法。     

基于深度学习的面部动作检测

对汽车驾驶员进行疲劳检测,需首先利用面部检测技术对驾驶员的面部动作进行识别,可以使用MTCNN与CNN相结合的深度学习方法完成面部动作检测.先利用MTCNN的3个模块将面部特征与关键点进行提取,再利用CNN对网络进行训练,以准确识别特定的面部动作.利用MTCNN与CNN相结合的方法,模型准确率达99％,并且实时检测的F...     

基于深度学习的荔枝虫害识别方法

提出一种基于多特征融合的荔枝虫害识别方法,目的是利用计算机视觉技术对荔枝的田间害虫进行全天候、实时的监测.采用基于OpenCV的中值滤波法对害虫的颜色、纹理和轮廓进行特征提取,并根据皮尔逊相关系数剔除冗余特征,从而建立了害虫特征库.根据特征库中的大量样本,采用BP神经网络算法经多次迭代训练了害虫识别模型,通过对模型进行...     

基于深度学习的手写表格识别系统研究与实现

为了对非固定样式的手写表格文档进行批量识别处理,实现自动录入功能,首先通过空表识别生成单元格信息,分析版面结构;其次对图片进行去噪、倾斜校正、二值化等处理,对手写内容进行分割;最后搭建识别手写字符的卷积神经网络。实验结果表明,最终实现的识别系统能对不同格式的手写表格进行识别并生成数据格式文件。基于空表识别得到单元格信息的手写表格识别系统能对不同样式的表格进行批量识别处理,且通过CNN搭建识别模型,手写汉字也能被识别,使系统通用性更好,便于应用扩展。     

基于深度学习的指关节纹识别算法实验研究

针对传统机器学习算法特征提取烦琐且普遍存在特征单一、识别准确率低的问题,采用能够自行提取图像特征的卷积神经网络模型,对指关节纹识别分类的任务进行实验研究.首先对指关节纹图像进行预处理;其次,设计并搭建了一个9层卷积神经网络模型,对网络模型进行编译、训练后,发现网络的过拟合现象严重,并针对过拟合,提出了优化网络结构方案,...     

基于深度学习的杂草识别系统

田间除草技术在农业生产中具有重要意义。针对复杂背景下农作物与杂草识别率低、算法鲁棒性差等问题,提出一种图像分割网络 Res-Unet。该网络为 unet 网络的改进版本,采用 resnet50 网络代替 unet 主干网络,解决复杂背景下农作物与杂草区域提取困难、小植株检测效果差、分割边缘震荡、变形问题。将图像的平均交并比、准确率、训练时长作为评价指标进行实验。结果表明：使用 Res-Unet 模型的平均交并比为 82.25%,平均像素准确率为 98.67%。改进的 Res-Unet 模型相对于 Unet 平均交并比高出 4.74%,相较于 segnet 平均交并比高出 10.68%,训练时间减少 3 小时。该方法对复杂背景下甜菜杂草检测效果良好,可为机器人精确除草提供参考。     

基于卷积神经网络深度特征融合的番茄叶片病害检测

为提高对叶片病害的识别性能和速度,针对传统手工设计特征识别能力有限的问题,提出了一种基于卷积神经网络(convolutional neural networks,CNN)深度特征融合的植物叶片病害检测方法.首先自动提取不同深度神经网络模型的深度特征,利用典型相关分析(canonical correlation anal...     

基于交叉熵的CNN交通标志识别方法研究

为了弥补经典LeNet-5卷积神经网络模型在交通标志识别中易发生过拟合的不足,克服其识别准确率与训练效率较低的缺点,采用GTSRB德国交通标志数据集,并对数据集进行扩充,使训练集数量达到6 312 649张,同时对经典LeNet-5卷积神经网络模型在激活函数、池化策略、随机丢弃及网络结构等方面进行改进,使用基于交叉熵的梯度下降算法对模型的误差反向传播过程进行优化。实验结果表明,改进后的模型较改进前在识别准确率与训练效率上都有所提高,识别准确率最高可达97.04%。因此,基于交叉熵的卷积神经网络不仅能够提高模型的交通标志识别准确率,有效防止过拟合,还能够提升网络训练效率。     

基于卷积神经网络的人体行为识别方法

为提高基于智能手机三轴加速度传感器的人体行为分类模型准确率,提出了一种卷积神经网络人体行为识别方法,通过固定时间窗口对连续样本数据进行切割分片,构造多层神经元网络结构,优化调整关键核心参数,使用新方法训练出的人体行为识别模型平均交叉准确率可达91.7%,较其他传统机器学习算法有较大提升.     

基于卷积神经网络的菜心病害程度识别算法

菜心作为广东省的一种特产蔬菜,在当地蔬菜生产上占有重要地位.在种植过程中,菜心容易发生大规模的病虫害,给种植户造成巨大的损失.以菜心病虫害程度的识别为需求,构建一个小规模的菜心图像训练集,通过常用图像处理方法扩增数据集.根据菜心叶片上的虫洞数和虫洞面积来进行病害程度分类.利用深度学习中卷积神经网络LeNet-5构建一个...     

基于深度学习的非机动车号牌识别一体化技术研究

针对电警复杂场景中非机动车号牌小、脏、模糊等引起的车牌识别难度问题,借鉴深度学习技术的研究成果,提出了一种车辆检测、车牌检测、字符识别的两阶段非机动车号牌识别一体化技术.车辆目标易于辨识,基于YOLO模型,对网络结构进行轻量化,且兼顾检测率平衡的改进;基于车牌是包含于车辆之上,在车辆定位区域,采用改进的YOLOV3快速模型进行车牌检测;在字符识别阶段,针对相机拍摄角度导致的车牌形变问题,向识别模型中添加STN网络,提出基于STN+CNN+LSTM+CTC的融合网络模型.在测试集上,整体识别准确率达到99.5%.     

基于深度学习的数字识别方法研究

近年来,手写数字识别是计算机视觉与模式识别中一个广受关注的问题。该问题的主要挑战是如何设计一种有效方法,以识别用户通过数字设备提交的手写数字。目前,深度学习算法在计算机视觉领域非常流行,被用于处理诸如图像分类、自然语言处理及语音识别等问题。以几种深度学习常见算法,包括线性感知器、卷积神经网络、循环神经网络、长短时记忆网络等为研究对象,分析其在手写数字识别方面的优缺点,并引入Google 第二代人工智能系统 TensorFlow,对比相同算法在不同框架下的识别速度及准确率。实验结果表明,几类深度学习算法都能明显提高识别准确率,且在训练数据集时不会损耗过多计算资源。     

基于3D卷积神经网络的人体行为识别方法

为了提高视频中人体行为识别的准确率,更好地利用视频中的原始信息,提取出更具有代表性的特征,提出一种基于3D卷积神经网络的人体行为识别方法。该方法构建了一个深层三维卷积神经网络模型,使用三维卷积核进行卷积操作,提取视频中人体行为的时域和空域特征,通过多层卷积操作对底层特征进行再组合,得到抽象的高维特征。在KTH数据集上的实验结果表明,该方法有较好的识别效果。     

基于语谱图的老年人语音情感识别方法

针对老年人的语音情感识别问题,提出一种基于语谱图的老年人语音情感识别方法。首先采用一种改进的基于先验信噪比的维纳滤波算法,针对老人语音情感库EESDB进行语音增强,选取合适的语音情感库,对语音进行语谱图特征提取与规范化,然后分析卷积神经网络(CNN)的结构并选定Cifar10网络对语谱图进行分类,最后采用3种方案进行对比实验。实验结果取得了较高的情感识别率,表明了该方法的有效性和可行性。     

基于深度学习的景点图像识别

景点图像识别是当前图像识别领域和智慧旅游领域的一项基本任务。景点图像识别属于大规模图像检索,哈希检索算法是检索中一种常用的方法。针对传统哈希算法以及深度哈希算法存在的问题,改进现有的特征提取策略,提出一种改进的深度学习哈希检索方法。使用特定的领域来划分景点图像,通过领域区分来提取具有更好表达能力的景点特征,利用深度学习训练哈希函数以进一步优化网络性能。实验结果表明,该方法能够有效识别景点图像,取得了查准率95.69%、查全率93.36%、F1测度值94.51%的良好效果。     

基于深度学习的声纹识别方法研究

提出基于深度学习以及改进的深度学习模型的声纹识别方法,通过改变GMM-UBM的阶数进行声纹识别实验,寻找到性价比最高的M值,并分别通过卷积神经网络(CNN)及递归神经网络(ESN)中的回声状态网络进行声纹识别的实验和测试。实验结果表明CNN及ESN能够进行有效的声纹识别,并且具有较高的识别准确率,其中基于ESN的声纹识别经验证能够满足当先声纹识别领域的需求,如果能够解决CNN参数设置难度,CNN则能够广泛投入使用。     

人脸情绪识别原理与深度学习模型研究

随着人工智能技术的持续升级,卷积神经网络在人脸情绪识别方面得到广泛应用,研究人员据此设计出多种深度学习模型,并不断优化模型性能,提升模型识别的精准度和拟合能力.通过将Swish激活函数、S-ReLU激活函数引入模型,分别设计出Swish-FER-CNNs与S-mobile-CNNs两种人脸情绪识别深度学习模型,并借助各类实验对模型进行分析,获得大量有效数据,明确两种模型的优缺点.     

基于深度学习的图像处理引擎设计

随着时代发展,低质量图片已不能满足人们生产活动的基本需求,鉴于这一背景,高质量图像处理引擎的设计应运而生.通过结合深度学习与图像处理引擎,搭建神经网络模型,研究基于深度学习的图像处理引擎的卷积算法,从而在已有软件的基础上进行进一步优化,提高显示性能和效果,探寻在图像质量和处理实时性方面平衡的方法,进而提高图片质量.