基于HOG特征和滑动框搜索的地面油气管道检测方法

提出一种基于HOG特征和滑动框搜索的地面油气管道检测方法,能快速、高效、准确地检测高分辨率无人机巡线图像中的地面油气管道。该方法首先提取管道与非管道图像样本的HOG特征,由所得特征作为样本数据训练油气管道检测分类器。将训练好的分类器用在整张无人机巡线图像中自动检测油气管道,利用与样本管道图像尺寸一致的滑动框对整张无人机巡线图像进行扫描,提取滑动框中的HOG特征输入到已训练的分类器中判断该窗口是否为管道,并进行标记。为了验证提出方法的有效性,将此方法运用于235张高分辨率航拍图像上进行油气管道自动检测,检测精确率达到84.7%。     

SEM材料图像目标区域分割

由SEM获取的纤维材料图像,目标孔洞粘联明显、重叠严重,特征参数提取困难。本文首先利用提取目标特征凹点的方法,实现了目标区域分割,但在分割精度上存在着不足,且算法较为复杂。对此,采用了一种基于距离变换的分水岭算法,通过对不同区域设置标记,循环标记的最终结果形成分水岭,并通过抑制过分割实现了对目标区域更为精确的分割。实验结果表明该算法具有良好的特性。     

基于神经网络集成的SAR图像目标识别

合成孔径雷达图像处理过程中目标的方向性会对目标的识别产生很大的影响,基于目标类别的不明确又会给目标方位角的估计带来困难.文中提出了一种基于神经网络集成模型的合成孔径雷达图像目标识别方法.该方法通过小波域主成分分析提取目标图像特征向量,针对同向目标的特征空间训练一个神经网络实现目标分类,并使用另一个二级神经网络对多个单向目标识别器的识别结果进行结合.该方法可以有效地避免目标类别和目标方向间的相互干扰,提高识别精度.该方法对于解决此类似问题给出了新思路.     

基于改进BP神经网络的电机异音诊断

为研制取代人耳识别车辆调光电机异音故障的自动化检测设备,提出了一种基于改进BP神经网络的电机装置异音诊断方法。该方法根据人耳识别的听觉感受将电机装置声品质信号划分为3种异音、1种正常音。从电机工况中提取表征时域、频域的异音特征参数各3个,提取基于小波基函数的小波包4层分解各子频带能量谱归一化参数16个,并采用主成分分析法对异音特征参数进行降维简化数据结构,选取累积贡献度大于92%的8个特征参数主分量成分。然后基于Matlab变学习速率和有动量的梯度下降法改进BP神经网络算法,构建电机装置异音识别分类器。测试结果表明:异音识别准确率达到90%,能有效地诊断识别出4种类型的电机装置。该方法提高了调光电机装置的异音诊断速度和准确率,可实现自动化检测。     

基于形态学的微目标的图像分割

提出了一种适于高分辨率可见微目标图像的分割算法,首先通过形态学运算强化微目标区域,利用阈值化分割并提取这些感兴趣区域;然后运用小波多尺度算子检测这些区域的边缘;最后再次采用形态学运算以获取目标区域边缘。仿真结果表明该方法能有效地将图像中的具有特定结构的微目标区域分割开来。     

基于计算机视觉的滚子端面自动检测系统

针对轴承滚子端面目检损害工人视力以及误检率高的问题，课题组基于计算机视觉检测技术设计了轴承滚子端面自动检测系统。首先，设计了图像采集系统采集滚子端面图像，分析滚子端面缺陷类型的特点，通过对图像的滤波处理、最大类间方差阈值法二值化分割，提取了缺陷特征；然后，分别设定相应的感兴趣检测区域（ROI），定义检测目标的最大像素数作为判别缺陷特征的依据；最后，应用LabVIEW软件开发了计算机视觉自动检测软件系统。实践表明该系统能很好地实现滚子双端面缺陷的自动检测，能满足准确、高效、客观的实时检测要求。     

神经网络模型预测有机酸的毛细管电泳淌度

通过分析化合物结构对毛细管电泳淌度的影响,提取三个分子结构参数--有机酸的元数(Q)、组成化合物的原子总数(N)及相对分子质量(M),对训练集中92个有机酸的毛细管电泳淌度建立径向基神经网络模型.对训练集的交叉验证及对测试集化合物的预测结果表明,该模型具有良好的稳健性和预测能力.与文献结果比较,该模型所用参数少,计算简便,物理意义明确.     

获取平面光学元件面形偏差的方法研究

提出一种利用BP神经网络获取平面光学元件面形偏差的方法。该方法先确定一幅干涉条纹图像测试区域中条纹弯曲量和条纹间距,然后对BP神经网络进行训练,最后获取被测平面光学元件的光圈数。通过与Zygo激光干涉仪的测量结果进行比较,发现两者的测量结果相吻合。实验结果表明,该方法不仅可以增强处理干涉条纹图像的适应性,而且可以提高测量精度。     

基于RBF神经网络的MEMS惯性传感器误差补偿方法

传统的微机电系统(MEMS)惯性传感器误差补偿技术通常采用多元线性回归误差模型,未考虑传感器误差的非线性特性,不能实现精确的误差补偿。针对以上问题,提出了一种基于径向基函数神经网络的微惯性测量单元误差补偿模型,将MEMS惯性传感器三轴测量值和真实值作为样本,对网络进行训练,利用训练好的网络对MEMS加速度计和陀螺仪进行误差补偿。实验结果表明:与多元线性回归误差模型相比,神经网络对惯性传感器具有更好的降噪滤波效果;且基于径向基函数神经网络的惯性传感器误差补偿精度较另外2种模型提升了1～2个数量级。所提方案能够有效地补偿MEMS惯性传感器误差。     

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。     

基于自适应模糊神经网络的砂轮磨损评估

为实现砂轮磨损状态的实时监测评估，课题组提出了使用自适应模糊神经网络模型对砂轮状态进行监测。通过对磨削过程的振动信号及声发射信号特征值的提取，获得了不同磨损程度砂轮的多特征信号样本；采用多特征信号样本对自适应模糊神经网络进行学习与训练，建立了砂轮磨损状态识别模型；实现了对砂轮磨损状态的准确识别与在线监测。实验表明：基于自适应模糊神经网络的砂轮磨损程度评估系统，测试样本的实际磨损程度和网络判别结果类别相符。该自适应模糊神经网络系统能够对砂轮磨损程度类型准确进行在线评估。     

粗集神经网络系统及其应用

讨论了粗集神经网络系统及其在心电图自动识别中的应用。根据识别需要,从MIT心电图数据库获取心电图特征参数,根据粗集理论对属性进行优化,并用BP神经网络进行学习。运用这些特征参数和训练好的BP神经网络对心电图进行分类,识别准确率达到90%。     

基于RBF神经网络的短期电力负荷预测

研究了天气和特殊事件对电力负荷的影响,建立了结合径向基函数神经网络来进行短期负荷预测的模型。将温度、降雨量运用于径向基函数神经网络中,提高了训练的可信度和可靠性。利用该模型编排的实用化软件投入到了实际应用中。结果表明:该方法具有较高的预测精度和较强的实用性。     

基于Hough变换的低分辨率雷达目标识别

针对低分辨率雷达目标的识别问题,提出了一种基于Hough变换的特征提取方法.通过对Hough变换后参数空间进行特征定义来描述参数空间灰度图像的纹理分布特点,进而描述图像空间目标的形状特征.文中利用该方法结合径向基函数神经网络对低分辨率雷达船只目标轮廓像进行特征提取并识别,取得了较高的识别率.     

采用图像滤波的多特征JPEG盲检测

提出了一种采用锐化滤波的多种特征相结合的JPEG盲检测算法。通过扩展DCT系数的马尔可夫矩阵提取块内相关性和块间相关性;引入锐化滤波来增强图像的边缘,加强了分块特性度量的效果;并使用Jessica的校准技术来估计原始图像,得到两个图像特征向量之差作为分类特征,提高了特征的敏感度;最后运用支持向量机进行训练和分类。使用大量图像对该算法的性能进行测试和比较,结果表明该算法在低嵌入率下优于其他算法。     

基于深度哈希的批量图像并行检索方法

针对图像检索的精确度和效率基于内容海量图像检索的关键问题,提出了一种基于深度哈希算法的图像并行检索方法。首先使用卷积神经网络建立图像特征和哈希码提取模型,然后将图像输入到训练好的模型中获取图像特征和哈希码,并存储在分布式数据库HBase中,最后在Hadoop并行计算框架中实现了一种并行检索方法。在大规模数据集CIFAR-10上进行检索实验,得到平均准确率为60.28%,相比SIFT算法提高了12.63%,且批量检索一张图像的平均时间为0.73 s。因此,该方法可使检索精度得到明显提高,还能提高海量图像的存储和检索效率。     

基于Gabor滤波特征和一类分类器的人脸检测

人脸检测是人脸识别的一项重要任务.论文提出了一种基于Gabor滤波特征和一类分类器的正面人脸检测方法.算法首先利用了Gabor滤波器的良好的空间位置与方向的选择特性,采用了四种方向的Gabor滤波器提取人脸样本图像特征并用PCA方法对特征降维,然后用已降维的特征训练支持向量机分类器.最后应用一类分类器分类检测人脸.实验结果证明该方法是十分有效.     

中国海外上市公司的PCA-SVM财务危机预警研究

在支持向量机(Support Vector Machine,SVM)方法的基础上融入主成分分析(Principal Compo-nent Analysis,PCA)方法,可构建PCA-SVM财务危机预警模型。以我国海外上市公司为研究对象,运用PCA提取出对财务危机具有显著影响的特征指标,进而通过训练集在不同核函数下对SVM进行训练,最后运用测试集对经过训练得到的SVM财务危机预警模型进行性能验证与评价。实证研究结果表明,PCA-SVM财务危机预警模型在线性、多项式、径向基和sigmoid四种核函数下都具有良好的预测能力,而径向基核函数下的PCA-SVM财务危机预警模型具有更加优越的学习能力与泛化推广能力。     

基于CEEMDAN-SVM的高铁轴承故障诊断研究

高铁轴承在高铁运行中起着重要作用,对其进行状态检测和故障诊断有着十分重要的作用和意义。总结出一种基于自适应辅助噪声的完备集合经验模态分解(CEEMDAN)和样本熵(SampEn)相结合的高铁轴承故障诊断方法。振动信号经过分解获得诸多的本征模态分量(IMF),计算其样本熵特征参数来表征不同故障状态下的轴承信号的相关特征,并构造相应的训练和测试样本数据,而后将样本数据录入支持向量机(SVM)并配合灰狼优化算法(GWO)进行训练和测试,完成轴承故障的分类和识别。实验结果表明,此方法能够有效区分不同故障状态下的轴承振动信号。     

非均匀光照金刚石切割线颗粒提取方法

针对常用的金刚石切割线人工检测抽检误检率高，检测精度低，而且由于实际环境中成像条件的限制，图像的背景光照不均匀，金刚石颗粒粘连在一起，给金刚石颗粒提取带来困难的现状。课题组提出了基于机器视觉的非均匀光照金刚石切割线颗粒提取方法，利用同态滤波去除噪声与光照不均匀度，最大间方差法对采集的图像进行二值化处理，引入形态学与分水岭分割融合的算法对粘连颗粒进行分割，根据八连通域标记方法统计出颗粒数。课题组对6种不同样本进行对比试验，结果表明课题组所提出的方法准确度较高，提高了计算速度。