基于超分辨率模型与YOLO V4的织物疵点检测

针对工业条件限制下采集的印花布数据集图像分辨率低、检测效果差等问题，课题组提出基于超分辨率模型SRGAN与YOLO V4网络的织物疵点检测方法，并对SRGAN算法进行改进。课题组首先使用改进的SRGAN算法对原数据集进行超分辨率重构，提高图像分辨率；然后将重构图翻转变化与原图共同作为数据集输入YOLO V4进行网络训练；最后通过YOLO V4网络检测印花布表面疵点。实验结果表明：该方法可提高低分辨率织物图疵点检测效果，准确率高达90.29%，比超分辨率重构前提升了13.19%，能实现实时定位疵点的准确位置并输出疵点类别。     

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。     

结合图卷积网络的多模态仇恨迷因识别研究

针对现有迷因识别方法常忽视网络实体作用的情况,提出一种结合图卷积网络的迷因识别方法。提取图像中网络实体信息,利用图卷积网络对网络实体模态和文本模态进行融合,结合外源词典从多角度衡量网络实体和迷因文本之间的关系,构建跨域图;通过注意力模块对文本和图像模态进行交互,结合自蒸馏技术提高模型对信息的利用率。实验结果表明：该方法在Hateful Memes和MAMI数据集上的准确率分别达到76.03%和73.9%,性能优于现有的SOTA模型。     

核偏最小二乘算法的图像超分辨率算法

提出了基于核偏最小二乘算法(KPLS)回归的超分辨率复原算法。该算法首先将高低分辨率图像块的高频信息和中频信息作为建立回归关系的特征,并对图像进行分块;依据相应的高低分辨率图像块的关系,使用KPLS建立起回归模型;在复原时,依据该模型回归得到高分辨率的图像块,将图像块拼接为高分辨率的图像。通过对人脸图像和车牌图像的实验结果,表明该算法无论是对人脸图像还是车牌图像都能取得较好的复原效果。     

局部特征在航拍图像拼接中的应用

针对航拍图像的特点和难点,提出了一种基于局部特征的航拍图像拼接方法,以提高拼接的质量和速度。该方法利用多分辨率技术和局部特征对航拍图像序列进行配准。通过仿射变换模型将拼接问题转化为像素点空间坐标变换的过程。采用渐入渐出的图像融合算法,消除拼接痕迹,实现了色彩和亮度的平滑过渡。实验结果表明,该方法对航拍图像序列和视频图像拼接效果良好,具有较高的实用价值。     

基于YOLOv5深度学习模型的动态靶标识别跟踪方法

针对火炮身管动态靶标识别跟踪精度和实时性不高的问题,提出了一种基于YOLOv5深度学习模型的靶标识别跟踪方法。分析了靶标识别跟踪过程和基本思想,通过网格化模型对靶标样本图像进行多尺度处理,并利用金字塔模型进行融合预测;搭建了YOLOv5网络模型,对组件设置优化;对比了损失函数对锚框识别效果的影响,并选取优化后的CIOU作为模型损失函数;最后对模型进行训练,并利用训练好的模型对动态靶标进行识别跟踪。实验结果可视化分析显示,靶标动态识别跟踪率可达到99.3%,动态实时跟踪效果较好。     

面向生活垃圾图像分类的多级特征加权融合算法

生活垃圾的有效分类处理是改善社会环境的一项重要措施,传统的垃圾分类算法已经不能满足当前垃圾分类的要求。为了提高生活垃圾分类性能,在深入研究卷积神经网络中不同层次具有不同特征的基础上,提出一种面向生活垃圾图像分类的多级特征加权融合算法。构建基于ResNet的特征提取网络,通过多分支网络结构提取并处理图像不同层次的特征信息,在特征融合过程中分析自适应权重融合和固定权重融合对图像分类性能的影响,选取更优的加权融合方法对多级特征进行融合,从而获取更丰富的生活垃圾图像特征信息,提高垃圾分类准确率。实验结果表明,该算法在华为生活垃圾图像数据集上的分类准确率最高可达97.53%,优于其他算法,具有一定的实用价值。     

基于同步提取变换和DRSN的滚动轴承故障诊断研究

针对旋转设备在复杂运行工况下,滚动轴承故障信号特征难以准确提取及识别的问题,结合深度残差收缩网络(depth residual contraction network,DRSN)的优势,将同步提取变换(simultaneous extraction transformation,SET)和深度残差收缩网络结合的故障诊断方法应用于轴承故障诊断。首先利用同步提取变换时频分辨率高的特点,对采集到的滚动轴承外圈信号进行模态分解和处理,得到分解后的时频图像:然后对图像进行灰度处理,并进行降维,以适合DRSN模型输入,最后进行故障特征识别,实现滚动轴承故障诊断。实验结果表明,该方法有效实现了复杂工况下对滚动轴承故障信号的特征提取,提高了故障识别率。     

一种改进YOLOv3的绝缘子检测方法

针对无人机巡检图像中绝缘子识别精度不高的问题,提出了一种基于YOLOv3的目标检测方法。该方法通过将YOLOv3主干网络16倍下采样单元中原始卷积层替换成扩张率为2的空洞卷积层,增大了卷积层感受野,卷积网络在保证分辨率的同时融合了更多的目标信息,有效提高了检测网络的识别精度。此外,考虑到输电线路中绝缘子具有细长型特点,方法对k-means聚类算法中距离度量公式也进行相应改进,聚类出更适合绝缘子特征的anchor框尺寸。实验结果表明:在保证实时性的前提下,改进后的YOLOv3网络结构与经典的YOLOv3网络结构相比较,其目标检测召回率从80.3%提高到89.1%,识别精度从83.9%提高到91.8%,可为后续的绝缘子故障识别提供技术支持。     

基于多重同步挤压变换与深度脊波卷积自编码网络的滚动轴承故障诊断

利用传统故障诊断方法对滚动轴承进行诊断时,存在故障特征提取困难以及故障模式难以辨识的问题。针对此问题,提出了一种基于多重同步挤压变换以及深度脊波卷积自编码网络的智能故障诊断方法。首先,利用多重同步挤压变换处理含噪信号能力强、具有优越的时频分解特性的特点,将采集的轴承故障信号进行MSST处理,得到分辨率较高的时频图像。然后,利用深度脊波卷积自编码网络自身泛化性能强、能够有效挖掘数据特征的特点,建立深度脊波卷积自编码网络识别模型。将降维至适当大小的时频图像输入到该模型系统中,进行自动特征提取和故障识别。实验结果表明,该方法提取故障特征信号能力较高,并能够有效地识别出不同的故障类型。     

CNN与SVM和ResNet相结合的牛脸识别系统模型研究与实现

针对传统的牛个体身份识别需借助外部工具而产生的管理上的安全隐患及对牛身体的刺激和物理伤害问题,提出基于图像方法的牛脸生物特征提取的方法进行身份识别。同时,由于CNN对硬件设施有高要求并且识别精度低、速度慢,以及传统机器学习方法对先验知识的依赖性,考虑到牛脸数据采集困难的小样本问题,以及自然野外光照、视角、距离、运动等客观环境因素与牛脸特征复杂性,提出以CNN为主体且引入ResNet和SVM相结合的牛脸识别与检测的算法与模型,其较传统的CNN网络结构具有训练收敛速度快、识别率高及泛化性强等特点。在Andriod平台下运用该轻量型模型设计了安卓手机APP,完成了方便快捷的实时识别目标,并通过了实验验证,实验结果准确率达95.1%以上。     

复杂背景下航检视频字符的识别算法与应用

传统的OCR技术在复杂背景视频中的字符识别方面,其识别结果的准确率不尽如人意。为此,本文通过改进及优化传统识别算法,研究出一种新的复杂背景下的字符识别算法。该算法借鉴统计模式识别的思路,通过大量实验得出每个字符的特征规律,并形成公式,实现了字符的识别。然后以输电线路航拍图像为例,设计开发了字符识别系统。通过系统运行表明,采用本文算法识别字符的准确率为99.4%,优于开源Tesseract-OCR接口函数方法及样本训练方法,对于复杂背景中的字符识别具有较高的准确性和广阔的应用前景。     

基于YOLO-GT网络的零售商品目标检测方法

提出改进的YOLO-GT深度学习网络,实现基于嵌入式平台的零售商品数据集RPC的图像目标检测。YOLO-GT网络以YOLOv3-Tiny网络为基础,采用线性扩展优化用于特征提取的卷积层,并将深度学习网络浅层信息与深层信息融合使得网络成为三尺度预测网络,提高网络对小目标商品的识别能力。YOLO-GT采用Mish函数优化了网络激活函数,并重新利用FCM聚类算法生成多个新的先验框。利用RPC零售商品数据集在嵌入式平台Jetson nano核心板上实验,YOLO-GT网络对于每张图片的平均检测速度为342.67 ms/张,平均检测准确率(m AP)为97.21%,与YOLOv3-Tiny相比,检测速度提升了57.81%,m AP提升了1.84%,并降低了小目标漏检率,能够满足使用要求。     

基于改进型SSD的多类汽车车身冲压件识别算法

智能机器人在汽车生产制造中有着重要意义,准确地识别抓取任务中的目标是基于视觉引导的汽车车身冲压件抓取系统的基础。针对传统工件识别算法人工提取特征困难、通用性差、识别率不高且易受环境因素影响等问题,首先采用深度学习SSD网络模型对10类汽车车身冲压件进行识别。在此基础上,为了提高工件识别准确率,改善工件相互遮挡情况下识别差的问题,提出一种改进的SSD算法,引入残差网络,采用Resnet-50替换原SSD的基础网络VGG-16。实验结果表明:原始的SSD网络在自制的工件数据集评估集上的平均准确率均值m AP为92. 3%,改进后的SSD网络检测的平均准确率均值m AP为98. 3%,比原始的SSD网络提高了6%,基于Resnet-50改进的SSD模型具有更高的识别准确率、更好的遮挡识别效果以及更强的泛化性能。     

变负载工况下滚动轴承故障分类识别方法研究

针对变负载工况下单尺度CNN提取滚动轴承健康状态特征不充分的问题,提出了一种DSCNN-BiLSTM诊断模型。该模型基于粗粒度化和平均池化层的理论基础,通过双尺度卷积神经网络结合双向长短时记忆网络,对滚动轴承振动信号进行空间维度特征和时间序列特征的提取,实现端对端的滚动轴承故障诊断。通过设置2种不同变负载工况实验,采用DSCNN-BiLSTM模型进行滚动轴承故障特征提取,平均准确率分别达到了97.55%和98.07%,有效提高了在变负载工况下的滚动轴承故障诊断准确率,为滚动轴承健康状态识别提供了关键技术。     

图像情感语义分类及检索研究

提高情感语义映射和检索的准确率是图像检索的研究主题。在情感语义映射模型中,将图像的形状七阶矩和颜色矩作为模糊神经网络的输入,对网络的权值和阈值进行二进制编码,作为遗传算法的染色体串,通过遗传算法寻优得到情感语义映射效率最高的个体编码。在检索模型中,用遗传算法对图像匹配算法进行优化,直接找到最适合匹配的子模板坐标。相比传统的序贯相似检测算法,模型大大提高了图像匹配的效率。通过查全率与查准率的对比结果可知,经遗传算法优化后,图像情感映射和检索的性能均得到了明显提升。     

基于改进的PSO-SVM的SAR图像分类识别

利用SAR图像的Hu不变矩,仿射不变矩,以及Zernike不变矩,通过调整学习因子后的PSO对SVM进行优化,提出了基于改进PSO-SVM的SAR图像分类识别算法。该方法主要调节PSO的异步学习因子,加强粒子的学习能力,在算法性能上不仅减小粒子陷入局部最优的概率,而且能有效提高算法的收敛性。最后,对SAR图像进行分类识别实验,结果表明:该算法比其他算法识别率显著提高。     

AVMD Kriging砂轮寿命周期磨削性能在线监测方法

为了对砂轮寿命周期磨削性能进行特征提取与智能识别，课题组提出了一种改进的变分模态分解算法与Kriging模型相结合的砂轮寿命周期磨削性能识别方法AVMD Kriging。首先，通过人工鱼群算法和包络熵适应度函数来优化VMD，以解决VMD中本征模态函数分解个数k和惩罚因子α难以自适应确定的问题；再利用皮尔逊相关系数选取与原始信号相关性最高的本征模态函数并计算其样本熵值组成特征向量，将其输入Kriging模型进行砂轮寿命周期磨削性能识别；最后利用实验采集的声发射数据，将提出的AVMD Kriging方法与传统的KNN模型、Tree模型进行对比。结果表明：AVMD Kriging方法的识别准确率优于KNN模型和Tree模型，能有效提高砂轮寿命周期磨削性能的识别准确率，同时具有较好的泛化能力和鲁棒性。     

WorldView-2遥感图像融合新方法

新型高分辨率World View-2星载图像的出现给现有的图像融合技术带来了更大的挑战,该文提出了一种全色光和多光谱图像融合新方法。首先采用最近邻插值对多光谱图像重采样放大;然后结合World View-2各波段光谱响应特点利用多元线性回归构造出低分辨率全色光图像,通过对原始高分辨率全色光图像空间细节信息的提取并将其注入至多光谱图像的成分空间中;最后经对应分析反变换得到融合结果。实验结果表明,该方法在融合World View-2遥感图像时能够在提高空间分辨率和保持光谱信息两方面达到较好的平衡,优于现有的几种融合方法。     

基于CEEMDAN和CNN TSA GRU的滚动轴承故障识别方法研究

为避免复杂噪声对滚动轴承智能诊断模型的准确率干扰，提出一种基于完全集合经验模态分解CEEMDAN和深度时间自注意力卷积网络CNN TSA的滚动轴承故障识别模型。该模型首先采用CEEMDAN将信号分解为若干固有模态函数(intrinsic mode function，IMF)分量，利用光谱放大因子SAF指标自适应筛选最优高信噪比分量；其次采用改进时间自注意力机制对数据分配权重并采用卷积神经网络CNN提取空间特征，弱化冗余特征信息，保留目标特征；最后利用门控循环单元GRU提取样本数据时间特征，使得网络得到更充分的学习，提高模型鲁棒性。经试验数据验证：所提出的深度学习智能故障识别模型故障识别准确率达到98.87%；对比一维CNN和CNN LSTM模型，识别准确率分别提高915%和8.86%，验证了该模型的有效性和优越性。