基于特征匹配与 CNN 的浮动验证码识别研究

为有效识别浮动验证码,提出一种基于特征匹配与卷积神经网络的识别方法。首先使用特征匹配的方法得到匹配特征点,结合交叉匹配算法与 K 近邻匹配算法滤除错误匹配;然后对特征点进行聚类及投票分析,得到待识别字符区域,将其分割得到单个字符;最后在 mnist 手写数字数据集的基础上加入英文字符,构建卷积神经网络模型,将数据集送入模型进行训练。对 10 000 张浮动验证码进行测试,结果表明,该方法对浮动验证码的识别准确率达 95%,且构建的训练集具有可扩展性,可进一步应用到其它类型的字符识别中。     

基于CNN与Bi-LSTM的唇语识别研究

针对唇语识别过程中唇部特征提取和时序关系存在的问题,提出一种卷积神经网络（CNN）和双向长短时记忆网络（Bi-LSTM）相结合的深度学习模型。利用CNN学习唇部特征,并将学习到的唇部特征送入Bi-LSTM进行时序编码,通过Softmax进行分类。建立NUMBER DATASET和PHRACE DATASET两个大型汉语数据集以解决汉语唇语数据缺失问题。将该模型与传统的唇语识别方法在两个数据集上进行实验对比,发现在NUMBER DATASET上识别准确率为81.3%,比传统方法提高了8.1%,在PHRACE DATASET上识别准确率为83.5%,比传统方法提高了9%。实验结果表明该模型能有效提高唇语识别的准确率。     

基于2DPCA特征降维的CNN说话人识别

针对使用话语级特征参数矩阵作为卷积神经网络输入而导致收敛速度慢及识别率低的问题,提出一种基于二维主成分分析(2DPCA)特征降维的卷积神经网络(CNN)说话人识别方法.首先将每段语音分帧成多个帧级语音并提取同等大小的帧级特征组成特征矩阵,然后利用2DPCA对特征矩阵进行降维处理,再将得到的主成分特征向量组合成新的特征矩...     

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。     

基于改进卷积神经网络的交通标志识别分类方法

交通标志识别系统是智能交通系统与先进辅助驾驶系统的重要组成部分,由于道路交通较为复杂,提高交通检测与识别算法的准确率和实时性是走向实际应用进程中需要解决的关键问题。文章提出一种基于参数优化的卷积神经网络方法,在对选用的数据集进行预处理操作基础上,适当调整CNN的规模、结构,使用网格法对相关参数进行协同优化,再使用改进的CNN模型在CTSDB数据集上进行训练和验证。结果表明：优化后的模型性能和稳健性均显著提高,且能够有效地完成交通标志的识别、分类任务。     

基于CNN的多尺度特征在手写数字识别中的应用

在手写数字识别数据集(MNIST)情景下,为了提高卷积神经网络的识别正确率,提出了一种改进的基于卷积神经网络(CNN)的多尺度特征识别算法.首先,利用卷积操作和池化操作提取图像中的全局特征及局部特征,通过二次卷积与特征融合获得数字图像的多尺度特征.然后,将多尺度特征送入全连接网络和Soft Max分类器,实现手写数字图像识别.最后,通过对不同网络结构的CNN算法进行评估表明,本文提出的算法可以有效提高网络精度,具有较好的泛化能力.     

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CNN的人群计数与密度估计研究综述

人群计数与密度估计在智能监控、智慧城市建设及社会安全等领域广泛应用,但遮挡、尺度变化及透视失真等因素对任务精度的影响亟待解决.通过考察相关文献,对人群计数与密度估计方法进行综述.介绍了人群计数与密度估计方法的研究背景、现状及发展趋势.从检测、回归与密度估计三方面对传统方法进行了总结,重点针对基于CNN的方法进行了分析....     

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 CNN 算法的缺秧与漂秧图像识别技术研究

插秧机是现代农业向自动化方向发展过程中使用的重要工具之一,由于受到地理环境和设备等因素影响,插秧机在工作中难免会出现缺秧及漂秧等情况。传统对缺秧和漂秧的识别主要依靠经验与人工作业,效率低下、准确度不高,因此提出基于深度卷积神经网络（CNN）算法的缺秧与漂秧图像识别技术。首先计算缺秧与漂秧数据图像样本的质心位置,根据质心间距离是否在合理范围内识别缺秧,然后提取秧苗样本特征建立样本库,对采集的秧苗图像数据进行分析处理,再与样本库进行对比,以此判断插秧机在工作过程中是否存在缺秧和漂秧情况。通过对仿真算例进行测试,验证了算法的有效性,其准确率达到 90%以上。该方法对于农业自动化的发展具有重要意义,对于相关实践能起到一定的推动作用。     

基于改进leNet-5的番茄病虫害识别的研究

针对传统的leNet-5在复杂纹理的图像分类上图片的识别精度不高、模型训练效率较低等问题,在传统leNet-5的基础上对其进行了改进.采用PReLU函数作为激活函数,在网络中加入Inception结构模块组、采用DropOut策略并加入Batch Normalization层等,提出了一种改进的leNet-5模型.采用2018年AI challenger农作物病虫害检测中的番茄病虫害数据集,通过数据增强的方式对数据集进行扩充,使训练集的数量达到142 800张.实验表明,在识别番茄病虫害时,本文提出的改进模型识别精度能达到95.3%,在识别精度与模型建立的效率上都有所提高.     

基于CNN与GRU降噪自编码的心电信号分类方法

心电图是一种用来监测心脏活动的标准测试。心电图能够体现心脏异常,包括心律失常,心律失常是心律异常的通称。同一类型的心律失常在同一患者不同阶段的心电信号存在一定差异,不同患者同一类型的心律失常心电信号差异会更大,这对人工判断是一大挑战。提出一种基于降噪自编码的CNN与GRU结合的心电图分类方法,从公共数据库（MIT-BIH）中提取原始心电信号集中进行实验。该集合人为扩大到平均5类心跳实例,并过滤掉高频噪声。该方法对室上（S）和心室搏动（V）的准确率分别为99.49%、99.43%,灵敏度分别为90.55%、96.65%,精确率分别为91.04%、95.46%。结果表明,该模型与目前先进水平在性能上有较大提高,具有良好的可扩展性。     

基于ResNet-50与Bi-LSTM的驾驶员疲劳检测算法研究

疲劳驾驶是车祸的主要原因之一。针对现有面部疲劳检测模型存在对车内光照与面部遮挡敏感,系统疲劳检测准确低、泛化力弱,提出一种驾驶员疲劳检测算法,旨在对驾驶员面部多特征进行疲劳检测,提升网络泛化性与准确度。通过MTCNN定位人脸和人脸关键点,剪裁具有面部疲劳特征的图像,输入ResNet-50网络进行空间特征提取人脸局部疲劳水平,将疲劳水平串联输入Bi-LSTM网络进行时间特征提取,通过自适应特征融合算法对时间特征进行特征融合,通过分类器对整个视频进行疲劳分类。结果表明,该算法在YawDD疲劳检测准确率91.38%,在NTHU-DDD准确率达到89.36%;与主流的疲劳检测算法相比较,该方法准确度更高泛化能力更强。     

基于卷积神经网络情感识别的表情包输出

网络社交中的表情包越来越丰富。有一种新的寻找网络社交表情包的方法,通过使用卷积神经网络的图像处理能力,进一步根据实时表情来寻找合适的表情包,目的在于节约网络社交上寻找合适表情包的时间和效率。通过实验表明,该方法具有较好的识别精度,能够在较短时间内找到与用户实时表情相匹配的表情包,缩短了用户查找表情包的时间,增加了网络社交的乐趣并提高了效率。     

面向手写汉字识别的残差深度可分离卷积算法

卷积神经网络(CNN)在脱机手写汉字识别领域取得了杰出的研究成果。采用更深层卷积神经网络可取得更高识别准确率,但是模型容量和计算复杂度也会增加,将模型部署到存储资源和计算力有限的移动设备上变得更加困难。为解决上述问题,提出一种基于深度可分离卷积的残差卷积神经网络。深度可分离卷积将标准卷积操作分离成特征提取和特征融合,逐深度卷积被用于特征提取,特征融合采用逐点卷积实现。使用深度可分离卷积改进残差网络,实现较深层的残差网络。模型使用联合的中心损失函数和softmax损失函数进行监督训练,可使模型学习具有判别性特征,提高了模型识别准确率。采用CASIA-HWDB数据集进行实验,结果表明该方法具有较低的模型容量和计算复杂度,能够达到96.50%的主流识别率。     

基于注意力机制的头部姿态检测算法研究及改进

基于卷积神经网络(convolutional neural networks, CNN),提出了一种可对单张图片检测头部姿态的轻量级算法。基于软分类回归网络(soft stagewise regression network, SSR-Net)降低模型大小,对头部姿态的俯仰角、偏航角、翻滚角三维检测分别采取多级分类方式,每级分类只需执行少量的分类任务和较少的神经元。为提升算法的特征表现力,嵌入包含通道结构和空间结构的注意力模型,分别在中间通道和空间2个维度提升特征表现力。注意力模型可无缝集成到CNN架构中,且开销小。实验证明,与非嵌入注意力模型相比,改进算法模型仅有4.36 MB,平均绝对误差(mean absolute deviation,MAE)值更低,且准确度提升了4%～5%。     

基于VMD和CNN的滚动轴承故障定量诊断方法

针对滚动轴承故障尺寸难以定量诊断的问题,提出了变分模态分解(variational mode decomposition,VMD)和卷积神经网络(convolutional neural networks,CNN)相结合的诊断方法。首先对带有不同故障尺寸滚动轴承的运行进行监测,得到1个与滚动轴承故障尺寸有关的数据库;然后对数据进行VMD,提取有效的训练模式分量,并去除噪声等的干扰;最后将训练模式分量置入CNN进行训练,得到能对滚动轴承故障尺寸进行预测的网络模型。实验结果表明,所提方法可有效实现对滚动轴承的定量诊断。     

基于YOLO算法的多类目标识别

针对传统目标识别方法需要人工设计特征工程,费时费力,泛化性能差的缺点,以YOLO算法和tiny-yolo模型为基础,在tiny-yolo的基础上增加了3×3卷积层和NIN(Network in Net Work)卷积层,设计了一个包含15个卷积层的神经网络模型m-yolo。在voc2007和voc2012数据集上的实验结果表明,m-yolo模型提高了识别的准确性和定位的精确性,并且保证了在识别速度上与tiny-yolo基本保持一致,平均识别时间仅上升了0. 6 ms。