基于深度学习的液位仪表读数识别方法研究

变电站对高铁安全运行至关重要,为准确获取高铁变电站液位仪表的准确读数,基于YOLOX-S提出KN-YOLOX-S深度学习网络模型。在骨干网络中,引入Ghost卷积代替传统卷积层,降低网络的参数量和计算量,实现模型的轻量化;在SPPBotteneck模块中增加KNSE注意力模块,提高网络对空间信息的敏感度,增强有效特征信息的提取能力。实验表明,KN-YOLOX-S比YOLOX-S模型在mAP@0.50上提高0.4%,mAP@0.5:0.95提高0.54%,同时推理速度提高近2倍,满足高铁变电站液位表实时检测要求。     

基于面部生理特征和深度学习的表情识别方法

针对现有深度网络人脸表情识别方法中网络训练不足,以及迁移学习冗余信息等问题,提出一种新的端到端深度神经网络框架,该框架分为面部组成模块、表征模块和分类模块3个部分,在表征模块中引入了一种新的构建函数,由卷积运算和元素点乘操作组成,可有效提高面部特征的识别能力。另外,基于面部肌肉的运动产生面部表情变化原理,设计了新的损失函数Softmax-MSEREG,使整个神经网络的学习过程规范化,保证提出的神经网络可以显式地学习特定的表情特征。实验结果表明:与其他先进的表情识别方法对比,该模型对实验室控制和野外环境下的图像适用性能更好,表情识别准确率更高。     

智能车牌识别技术分析

针对车辆识别过程中的车牌定位、字符识别等阶段干扰因素较多,而国内开发的自动识别系统识别率和误判率没有达到标准要求,提出采用人工神经网络对车牌定位、字符识别等关键阶段进行处理的方法。并对当前车牌识别技术的现状、技术种类及水平进行全面剖析,总结相关识别技术的核心算法。利用神经网络较好的容错能力、自适应及抗干扰能力,可以有效解决车牌信息采集干扰较大、信息不全等问题,表现出良好的应用前景。     

基于深度学习的行人检测技术研究进展

行人检测旨在从给定的场景中精确定位出每一个属于检测范围的人,在过去几十年中取得了重大的进展。它与行人重识别和行人跟踪技术相结合,在自动驾驶、人机交互、智能视频监控和人物对象行为分析等领域有着重要应用。研究了深度学习技术在行人检测领域的研究进展,就行人检测目前面临的主要问题和挑战进行了分析;调查总结了行人检测的数据集和评价标准,归纳分析了影响行人检测的关键子问题,例如网络架构、损失函数、特征表达、上下文信息和训练策略等。为该领域前沿综合研究提供参考和依据。     

基于深度学习的海岸带土地利用信息提取方法

针对海岸带地物类型复杂多样,监测难度较大,本文选取山东省烟台市海岸带为研究区,运用时间序列Sentinel-2遥感影像数据,基于面向像元分类方法,利用不同地物在时间序列遥感影像不同波段上表现出的光谱差异特征,通过构建轻量级卷积神经网络提取出研究区土地利用信息,并对分类结果进行精度评估.结果表明:(1)像元时序特征值作为网络输入形式,提取出烟台市8种土地利用类型信息,很好区分出草/林地、耕地、裸地等地物,并能提取细长河流和道路,有效降低了"同物异谱"和"异物同谱"现象.(2)该方法总体分类精度、Kappa系数分别达到了91.32%,0.8965,比采用支持向量机、随机森林分类器总体精度提高4.17%,5.66%,分类制图中有效地避免了"椒盐"现象.基于像元时序特征值分类方法分类精度较高,为利用中分辨率遥感数据对海岸带土地利用信息快速、准确分类提供支持.     

基于深度学习的DPF故障诊断及应用

针对传统柴油颗粒过滤器(diesel particulate filters, DPF)故障诊断中人工提取特征过程繁杂且特征参数难以表征DPF故障状态的问题,提出基于深度学习的DPF故障诊断方法。通过车载传感器采集发动机转速、DPF压差等5种信号数据,经数据融合后建立压差类、温差类和压差+温差类三类样本数据;利用深度学习特征自提取的优势,提取车辆在不同行驶工况下样本数据中压差或温差表征的DPF故障特征;结合深度学习网络中Softmax多分类器实现端到端的DPF故障诊断。利用GT-Power仿真数据,验证了所提方法的可行性,开发了相应的应用软件。     

基于深度学习的多车道交通流量统计方法

基于目标跟踪的视频道路交通流量采集普遍存在不同程度的漏检、错检和多检等问题,为此,提出了一种综合车辆位置信息与外观信息及环境空间信息的道路交通流量采集方法。首先,识别视频帧中的车辆信息(包括车辆车型数据与位置数据等);然后,综合考虑车辆信息和环境空间信息进行车辆跟踪;最后,对跟踪结果进行统计,从而得到道路交通流量。采用多段交通视频作为测试数据,分别测试了本文算法和SORT算法。测试结果表明,本文算法检测的道路交通量平均误差较SORT算法降低了约4%。提出的基于视频交通流量检测方法具有更好的检测效果。     

基于深度学习的不规则特征识别检测技术

〖HK44〗〖HT5”H〗摘要：〖HT5”K〗针对目前工业上金属轴零件在加工的过程中可能由于加工失误、本身材质等原因产生不同缺陷,而传统的检测方法检测精 度和泛化能力有限的现状,课题组提出了基于深度学习的不规则特征识别技术,来提升对金属轴表面缺陷的检测效率。课题组设计了金属轴表面缺陷图像预处理 方法,提升采集的缺陷图像的质量;对传统深度学习Faster R CNN进行改进,设计了模型的特征提取网络、RPN网络、分类网络以及模型参数,提升模型的检测 性能。实验结果表明本技术能有效提升工业流水线对金属轴缺陷的检测效率和精度,可同时检测多种不同种类的缺陷。课题组的研究成果具备良好的泛化能力。     

基于深度学习的复杂背景下目标检测

针对某些静态图像背景复杂,受环境因素(光照、遮挡、掩盖等)影响较大的问题,提出一种基于深度学习算法的卷积神经网络(convolutional neural networks,CNN)结构对目标进行检测。利用CNN网络可自主提取图像特征并进行学习的优点,避免了复杂的人工特征选择和提取过程。通过一种区域合并的方法进行端到端的交替训练,在复杂背景图像的处理中体现出较优的性能。CNN的局部连接、权值共享及池化操作等特性使之可以有效地降低网络的复杂度、减少训练参数的数目、提高检测效率。试验验证结果表明:此方法在互联网图像数据库检测方面达到了较高的精度。采用坦克模型图像对复杂背景下的单目标、多目标以及不同程度的遮挡、伪装等情况进行试验,得出该方法具有一定的鲁棒性。     

基于模糊ARTMAP神经网络的车牌识别

车牌识别是一种车辆自动识别技术.本文提出了一种用模糊ARTMAP神经网络来识别车牌的方法.模糊ARTMAP神经网络是神经网络家族中的一种比较新的体系结构,与传统的BP算法相比,它具有较强的学习能力.     

对深度学习的认识

从2005教育技术新定义出发分析深度学习的特征以及实施等.     

基于PC-SGD的深度学习雷达人体点云补全

对于激光雷达要做行为识别的人体点云,通过将点云投影到圆柱表面,将人体分割为3个部分,每个点添加法线维度分3次输入点网络编码器,不同部分采用不同损失函数(PC-SGD)进行梯度下降计算的深度学习方法,将输出的躯干、上肢和下肢点云参考完整人体点云调整比例并合并。通过固态面阵激光雷达采集的人体行为点云进行实验,结果表明：成功增加了遮挡和衣物表面等缺失点云补全的效果,最后利用RMSE计算损失率获得了最佳隐藏层数量。     

基于改进深度强化学习的自动泊车路径规划

提出一种基于深度强化学习的运动规划方法,以车辆位姿、方向盘转角和与障碍物的最小距离作为状态,以目标方向盘转角作为动作,通过Pytorch搭建了基于深度强化学习的泊车算法框架。设计基于引导的奖励函数以避免奖励稀疏问题;以回合平均奖励作为优先级,将经验池改进为基于优先队列对样本进行存储和淘汰;针对泊车问题,提出了基于课程学习的分阶段训练方法,加速算法收敛。仿真结果表明:提出的算法较原始算法收敛速度提高25%,完成训练的智能体具有较强的规划能力和健壮性,规划成功率达到90.6%,同时具有良好的舒适性和安全性。     

基于深度学习的产业智能化对经济发展的变革性影响

深度学习技术作为现代科技发展的成果,对人类社会的发展有着巨大牵引作用,是驱动现代经济发展的强大动力。深度学习技术以工业、农业、服务业三次产业的智能化增加工业生产的经济效益,提高工业生产效率;推动农业生产形式进行转变,顺应绿色化、现代化的发展要求;催生服务业众多新业态,使服务业活动种类增多、价值增值,朝着高质量方向发展。这些都对经济发展产生着融合性和持续性的深层影响,推动着经济发展方式向着高质量和现代化方向转型和升级。     

基于人工免疫aiNet模型的车牌定位技术

针对传统遗传算法用于车牌定位易于陷入局部最优解的问题,将人工免疫aiNet模型引入到了车牌定位的过程中.首先采用最大类间方差法(OTSU)将采集到的车牌彩色图像转换为灰度图像,然后采用一维滤波器组对灰度图像进行滤波,最后应用人工免疫aiNet模型进行了车牌定位.实验结果表明,该方法适应性强,定位效果好.     

基于粗糙集的车牌字符特征提取方法探讨

本文介绍了一种基于粗糙集理论的优化车牌字符识别的方法。粗糙集理论是一种继神经元网络和模糊数学之后的新的处理含糊和不确定性知识的数学工具;粗糙集方法是一种具有发展潜力的智能信息处理方法。本文主要思想就是在汉字的网格特征提取过程中保持分类能力不变的前提下,通过知识约简提出了一种车牌字符网格特征选择的改进算法;它不仅找出了对识别最有效的网格特征集,而且可以大大降低图像特征空间的维数,减少工作量和无用特征干涉,从而提高了分类识别率。     

基于自动识别理论的车牌定位算法研究

车辆牌照的自动识别是智能交通系统中的一项重要技术，而车辆牌照的定位又是车牌识别的关键点之一。依据二值化图像中车牌区域跳变频率高的事实，本文提出一种算法来确定车辆牌照在原始图像中的水平和垂直位置，从而定位车辆牌照。实验结果表明本论文提出的车辆牌照定位算法是一种可行的车牌定位方法。     

基于深度学习的高中文言文思辨性阅读能力培养策略

<正>文言文教学是语文教学的重点。高中阶段是学生高阶思维的关键发展期,是培养思辨性思维意识的重要阶段,但受应试教育的影响,高中文言文教学常处在浅层字词句和文章大意的理解,与真实的生活情境相背离,或过度理解作者的表情达意,淹没文本的主旨,文本身的教育关怀。以深度学习理论为背景,结合高中文言文教学现状,提出思辨性阅读能力培养策略,     

基于全卷积深度学习模型的可抓取物品识别

目前,工业机器人识别可抓取物品大多是先通过图像传感器收集作业场景信息,然后通过粒子滤波或条件随机场等各类相关算法提取可抓取物品的像素块特征来进行的。但是,这些可抓取物品的识别方法都存在着在同一像素块内部不同类别像素有误差,只考虑邻近区域、而不考虑全局信息和结构信息等问题或缺点。为此,在引入基于像素点的全卷积网络(fully convolutional networks,FCN)的基础上,提出了基于FCN的改进模型进行可抓取物品识别,其优势在于该模型经过学习能够预测各个像素所属物品类别的概率,并且能将结果恢复成为背景与前景分割的图像,从而识别作业场景中可抓取物品的位置与类别。由于FCN模型不限制输入、输出图像的尺寸大小,所以它克服了传统卷积深度学习模型的缺点,同时也考虑了全局信息与结构信息。以康奈尔抓取数据集(cornell grasping dataset,CGD)作为实验样本对提出的改进模型进行验证。实验结果表明:改进后的全卷积深度学习模型的正确率较全卷积深度学习模型提高了6.2%,同时该方法也可用于其他分割前景的感知任务。