一种基于改进的无监督深度学习自编码方法

针对传统的Auto Encoder方法在全局特征提取上的高性能以及在图像识别上的重要性,本文提出了一种基于无监督局部深度特征学习的改进方法。首先对训练图像进行局部分块处理,其次采用Auto Encoder方法设计自编码网络进行深度训练,并使用费舍尔向量结合空间金字塔匹配算法进行特征提取,最后通过线性SVM分类器来提高图像识别的准确率。实验结果表明:在MNIST数据集上,本文改进方法运算速度更快,更节约内存,同时具有更低的错误率。与传统方法相比,本文改进方法具有更好的准确性,鲁棒性。     

基于Faster-RCNN的物流包裹图像识别研究

针对物流输送线上包裹需要分类识别输送的问题,进行物流包裹图像识别实现方法研究.利用Faster-RCNN深度学习模型对物流输送线上常见的纸盒、软包和蛇皮袋三类包装的包裹进行图像识别研究,优化调整模型的训练学习参数并进行交叉验证.实验确定Faster-RCNN深度学习模型用于包裹图像识别的最佳训练学习参数为学习率0.00...     

图像识别深度学习技术展望

随着人工智能技术日益发展,以深度学习为代表的机器学习技术在图像识别领域得到广泛关注。深度学习技术源于神经网络,较传统神经网络技术网络结构层次更为深入,网络参数设置和调整策略更为复杂。本文从深度卷积网络结构、参数调整策略方面出发,回顾了深度卷积网络图像处理技术的发展,分析了影响深度卷积学习效率的关键因素,对限制深度学习技术应用的瓶颈问题进行了探讨,并对未来技术发展给出展望。     

人脸图像识别方法的研究

人脸图像识别早已不是一个新课题,从1964年到现在,已经有四十多年的研究历史了.在此期间,人们研究出了多种人脸识别方法,本文综述了人脸图像识别的各种方法以及每种方法的应用范围,进而提出一种基于几何特征的人脸识别方法.     

基于深度学习的车辆识别系统设计

本设计针对无人驾驶中目标识别问题,设计了一种基于深度学习的车辆识别系统。该系统一共包括三大模块,分别是图像采集模块、图像预处理模块和图像识别模块。其中图像采集模块以两百万像素的工业摄像头为核心对图像进行采集。图像预处理模块包括图像增强、图像去噪、模糊图像复原。图像识别模块以深度学习为核心对车辆进行识别。通过相关算法对质量下降的图片进行有效处理提高图片质量,本文构建的基于深度神经网络的模型可以对图像中的车辆进行有效识别,具有一定的实际价值。     

浅析卷积神经网络

深度学习目前成为了计算机科学领域最热门的技术,在图像处理领域,基于卷积神经网络的图像识别得到了深入的研究,本文介绍了卷积神经网络的基本概念、结构。     

基于Alexnet的装甲图像检测系统设计

本章描述了基于Alexnet、深度学习战场装甲车辆图像识别系统的设计详情。从多方面介绍了系统设计情况、各功能块、结果显示与分析。在设计过程中,充分考虑到战场情况的复杂性、多样性以及短暂性,从而使用多尺度金字塔技术识别地方装甲车辆目标,进行多尺度结果融合,最后进行装甲测量目标的检测定位。实验结果证明本文设计的方案切实可行,为装甲车辆图像检测提供了一种高效方法。     

基于图像处理的菌类识别研究

通过对图像识别技术的学习研究,对基于Android的菌类识别APP进行研发,选择图像识别开发框架作为主要的技术手段,实现菌类图像的采集、预览、上传等初步功能,同时利用图像处理与分割技术来实现菌类图像从接收、图像预处理、菌类图像的分割以及最终对其种类匹配识别分类到结果返回的技术功能。最终的初步研究结果为:通过原图像与目标图像匹配特征点后的对比分析,将菌类的识别算法所采用的特征点集,选择出适合本系统所使用的图像识别的Sift特征匹配算法,然后再根据所抽取出的特征值,利用主成分分析采用基于菌类形状和颜色的特征组,最后利用算法来实现对菌类的粗略识别。     

铁路牵引变高压断路器分合状态指示牌图像识别方法

本文采用视频图像的几何特征算法对断路器分合状态指示牌进行图像识别;将视频巡检的图片,划分为参考图片、训练图片和验证图片。首先,对参考图片信息进行区域分割,针对指示牌分合图像特点,采用二值灰度构造方法,构造图片的几何特征;然后,针对不同情况下的训练图片进行特征采集、训练,得到特征专家知识库,作为验证图像识别的参考依据;最后,根据特征专家知识库,对实时图片进行在线实时识别。算例采用合安高铁铁路牵引变的无人值守变电所数据,进行了断路器分合指示牌状态的图像识别。结果表明该方法在图像识别方面的可行性,具有一定实用性。     

基于Tensorflow框架的手写数字识别

手写体数字0-9的识别在原始数据集的获取上较为容易,拥有MNIST的这种成熟的大型标准数据集,已经被视为是人工智能图像识别领域研究的入门问题,对其进行研究具有重要的现实意义。在众多的识别算法中,卷积神经网络在识别精度上的表现较为突出,而深度学习框架的出现在一定程度上降低了神经网络模型构建的难度和入学门槛。本文基于Tensorflow深度学习框架,详细讨论了如何构建LeNet-5卷积神经网络模型实现手写体数字识别的方法,使用MNIST数据集进行模型的训练与评估。     

生物学教学中学生深度学习类群特征研究

该研究针对初中生物学深度学习,通过问卷调查,采用K均值聚类分析等统计分析方法,对不同类群学生的深度学习特征进行分析。结果表明：基于深度学习,初中生可分为Ⅰ、Ⅱ、Ⅲ、Ⅳ四个类群,不同类型学生具有不同的深度学习特征,教师在开展教学活动时,要充分考虑不同类群学生的差异性,采用不同的教学策略来促进学生深度学习。     

基于深度学习的人体行为识别网络设计

基于深度学习的人体行为识别技术是计算机视觉领域的重要的研究方向,是智能视频监控、虚拟现实、视频检索等领域的关键技术,有重要的研究价值。本文主要针对视频中的人体行为进行识别,围绕人体行为识别网络展开研究。针对目前人体行为识别相较于图像识别的特殊性,提出基于3D卷积神经网络的特征提取与训练方法,通过采用3D卷积层搭建DenseNet,从而提高网络中的特征利用率,提升神经网络的识别率。最后实验结果证明了本文所采用的方法在提高人体行为识别的识别率上的有效性。     

智能物流机器人的图像识别技术在课堂中的应用

随着人工智能的快速发展,人脸识别技术的应用也越来越广泛。主要研究智能物流机器人上开发的"专注度分析"巡视机器人在人工智能图像识别技术方面的相关内容。通过机器人采集到的图片信息,使用深度学习的方法识别学生的面部表情来判断学生的专注度和疲劳程度。结果表明,本文设计的巡视机器人在日常的教学中将发挥督导学生认真学习的作用。有利于提高教师授课水平,也有利于及时提醒学生,提高学习专注度,从而较好的提升了课堂学习效果。     

基于视觉的道路图像识别技术研究

道路图像识别技术在智能车辆、辅助驾驶、移动机器人等领域中得到了广泛应用,基于视觉的道路图像识别技术已成为众多学者研究的课题。介绍了几种不同的道路识别技术,并着重对基于特征的方法进了阐述,提出了基于区域特征的分水岭算法及改进方法,然后就道路图像的边缘检测进行了分析,最后给出了该领域的研究方向和发展趋势。     

基于物联网的图像识别系统设计

图像识别技术广泛地应用于智能导游、学工号识别、指纹识别、人脸识别系统中,通过图像识别技术,将图像的特征信息根据需求很好地展现给用户。本文实现了对校园卡图片的识别并在系统中显示相应工号在数据库中存储的详细信息,从而实现系统用户对校园学生、教职工信息的了解以及管理。     

基于改进BP神经网络的图像识别算法

为提高图像识别的准确率和速度,结合遗传算法和BP神经网络设计了一种改进图像识别算法。由于传统BP神经网络本身存在结构参数不确定、收敛速率低、容易陷入局部最小值等问题。本文首先提取图像的颜色和纹理特征,利用BP神经网络实现特征的初步识别同时基于遗传算法在线优化BP神经网络结构参数。在此基础上,给出了图像识别流程。最后,根据证据理论实现图像识别结果融合以获得完整图像信息。仿真结果表明:所述算法具有较高的识别率和收敛速度;在少量训练样本条件下,改进BP神经网络依旧具有较好的泛化能力。     

基于稀疏差分和典型相关分析融合的人脸图像识别

为了进一步提高人脸图像的识别率,提出了一种相关分析融合的人脸图像识别算法。首先通过采用压缩测量数据得到人脸图像,然后通过划分子模式的方法去除图像中的小样本,提取局部特征,采用成分分析提取人脸图像的整体特征,通过算法对人脸图像特征进行融合,从而消除人脸部冗余信息,最后通过3个人脸数据集对算法进行测试。仿真实验表明,本文的算法相对于参比算法,提高了人脸图像识别精度,具有很好的鲁棒性。     

遗传规划在SAR图像识别中的应用

提出一种基于遗传规划的合成孔径雷达图像识别方法.首先提取SAR图像的5种特征作为原始特征,然后利用遗传规划算法在5种原始特征上合成新的特征,最后采用支持向量机进行分类.实验结果表明了算法的有效性.     

联合变换相关图像识别在锅炉检验中的研究

联合变换相关图像识别是一种基于联合相关变换的图像显示别技术。联合变换相关图像识别技术在图形和图像的识别中具有快速和实时的特点,可作为锅炉缺陷识别的一种重要手段。本文介绍了联合变换相关图像识别仪器的构造,展望了联合变换相关图像识别在棉花纤维检测中发展方向以及相关技术问题。     

基于卷积神经网络的电力开关柜柜门开合状态图像识别研究

高压开关柜的安全运行是电力行业的重要部分,开关柜柜门因操作人员疏忽而未关闭会造成比较严重的安全隐患。卷积神经网络算法因其可以最大化地保留图像整体特征和局部特征,而成为目前图像识别领域的研究热点。本文设计了一个轻量级的卷积神经网络,具有7层卷积层的特征分类学习模块和3层卷积层的目标检测学习模块。通过对比3×3和5×5两种卷积核的识别结果可知,3×3卷积核在识别准确率和内存消耗方面具有更佳的效果,说明本文方法具有有效性,可应用于电力安全保障领域中。