基于卷积网络模型的低照度激光图像特征增强方法 被引量：2

1

作者 周恺 李婧 《激光杂志》 CAS 北大核心 2023年第12期120-125,共6页

针对当前低照度激光图像特征增强方法在图像增强过程中需进行多次翻转平移处理,造成激光图像特征增强后损失值较大的问题,提出基于卷积网络模型的低照度激光图像特征增强方法。应用激光图像色彩模型以及去噪自编码器,完成低照度激光图... 针对当前低照度激光图像特征增强方法在图像增强过程中需进行多次翻转平移处理,造成激光图像特征增强后损失值较大的问题,提出基于卷积网络模型的低照度激光图像特征增强方法。应用激光图像色彩模型以及去噪自编码器,完成低照度激光图像预处理。使用分段性变换方法设计激光图像映射关系函数,得到低照度激光图像增强目标函数。构建卷积神经网络模型以及模型对应损失函数,完成低照度激光图像特征增强。至此,基于卷积网络模型的低照度激光图像特征增强方法设计完成。实验结果表明:此方法增强真实与合成图像特征后的损失值较低,分别为0.245和0.361,其峰值信噪比较高,分别为45.52和48.54,极大地提高了图像的应用价值,且文中方法对图像增强处理的时长最短,在13 s到16 s之间,其应用性能较高。 展开更多

关键词 卷积网络模型 图像滤波处理 图像增强 损失函数 低照度激光图像 处理时长

在线阅读 下载PDF 职称材料

基于ConvNeXt卷积神经网络模型对烟叶成熟度识别的研究

2

作者 郭雨萌 肖亦雄 +4 位作者 肖孟宇 马云明 谭军 周喜新 范伟 《北方农业学报》 2025年第1期125-134,共10页

【目的】确定ConvNeXt卷积神经网络模型在烟叶成熟度识别中最适用于便携手持设备应用的主流图像预处理方法。【方法】使用便携手持图像采集设备采集烟叶图像,应用高斯缩放、对比增强、色彩增强和裁剪缩放4种预处理方法,结合ConvNeXt卷... 【目的】确定ConvNeXt卷积神经网络模型在烟叶成熟度识别中最适用于便携手持设备应用的主流图像预处理方法。【方法】使用便携手持图像采集设备采集烟叶图像,应用高斯缩放、对比增强、色彩增强和裁剪缩放4种预处理方法,结合ConvNeXt卷积神经网络构建模型,记录模型对烟叶成熟度识别的准确率、训练耗时和模型大小。通过对比分析不同预处理方法在性能、训练效率和模型大小上的表现,评估ConvNeXt卷积神经网络模型在便携设备上识别烟叶成熟度的应用潜力。【结果】在4种图像预处理方法中,高斯缩放在结合ConvNeXt卷积神经网络模型进行烟叶成熟度识别时综合表现最优,高斯缩放预处理后的模型准确率达到97.68%,优于对比增强、色彩增强和裁剪缩放,且训练耗时仅为8.927 min,模型大小为63.5 MB,兼具高效性与轻量化特征。在对比YOLO和XGBoost等其他模型时,高斯缩放结合ConvNeXt卷积神经网络构建的模型在各项指标中均表现突出,尤其在准确率和训练时间上展现出明显优势,适配便携手持设备的应用需求。【结论】高斯缩放作为图像预处理方法,能有效提升ConvNeXt卷积神经网络模型在烟叶成熟度识别任务中的准确性和运行效率。高斯缩放结合ConvNeXt卷积神经网络构建的模型训练速度快、占用资源少,适合在便携手持图像采集设备上使用。 展开更多

关键词 ConvNeXt卷积神经网络模型 烟叶成熟度识别 便携手持图像采集设备 智能化图像识别 图像预处理方法

在线阅读 下载PDF 职称材料

应用卷积神经网络模型的超声特征信号提取算法

3

作者 樊丹丹 孔明 +2 位作者 马馨玥 崔志文 徐佳奇 《中国测试》 CAS 北大核心 2024年第12期117-124,共8页

飞行时间差是时差法超声波流量计的关键参数,决定表具的计量精度。该文采用卷积神经网络对超声回波信号进行特征提取,提取的特征用来回归预测飞行时间差。超声回波信号作为模型的输入层,中间层为提高模型性能,加速训练,使用五层卷积层... 飞行时间差是时差法超声波流量计的关键参数,决定表具的计量精度。该文采用卷积神经网络对超声回波信号进行特征提取,提取的特征用来回归预测飞行时间差。超声回波信号作为模型的输入层,中间层为提高模型性能,加速训练,使用五层卷积层、五层池化层及RELU激活函数提取信号特征,输出层回归预测飞行时间差,提高对时间差估计的精度。仿真研究表明,模型预测的准确率高于99%,且有较好的泛化能力。搭建实验平台,进行实验研究,结果表明,卷积神经网络模型用于预测超声回波信号飞行时间差有着较高的测量准确性,其中测量误差优于±1%,重复性优于0.2%。 展开更多

关键词 超声波气体流量计 飞行时间差检测 卷积神经网络模型 回波信号处理

在线阅读 下载PDF 职称材料

基于深度学习的大坝边坡深部变形时空预测模型研究

4

作者 周小燕 李双平 +5 位作者 冉鲁光 苏振 张斌 刘祖强 苏森南 史波 《中国农村水利水电》 北大核心 2025年第7期182-187,195,共7页

大坝边坡大变形或滑坡严重威胁库区长久运行安全。主流传统边坡变形预测模型未能充分考虑变形的时间和空间特征。引入Transformer、时空图卷积神经网络(STGCN)、时序卷积网络(TCN)和图卷积神经网络(GCN)四种代表性深度学习方法,提出基... 大坝边坡大变形或滑坡严重威胁库区长久运行安全。主流传统边坡变形预测模型未能充分考虑变形的时间和空间特征。引入Transformer、时空图卷积神经网络(STGCN)、时序卷积网络(TCN)和图卷积神经网络(GCN)四种代表性深度学习方法,提出基于深度学习模型的边坡测斜孔变形时空预测方法。利用某水电边坡测斜孔变形监测数据,对监测数据展开系统性分析。预测结果表明,GCN、TCN、STGCN和Transformer四种模型均适用于边坡时空预测,其中TCN模型相较于其他3种时空预测模型展现出了更高的预测精度和可靠性,评估指标MAE、MSE、RMSE、MAPE和R2分别为1.007、2.2082、1.486、102.40%和0.9884。此外,4个模型的不同日期的预测结果与实测值的误差分布在0~4 mm之间,验证了4个模型在边坡测斜孔变形时空预测的准确性和有效性。研究结果为库区边坡变形时空短期预测提供了新思路。 展开更多

关键词 深度学习 大坝边坡变形 时空预测模型 时序卷积网络模型

在线阅读 下载PDF 职称材料

儿童室性期前收缩计算机卷积神经网络模型的建立和评价 被引量：1

5

作者 刘莉 黄玉娟 +4 位作者 王健怡 罗佳佳 冯飞 徐萌 黄敏 《临床儿科杂志》 CAS CSCD 北大核心 2019年第2期102-106,共5页

目的运用计算机深度学习的方法,初步建立3个儿童室性期前收缩的卷积神经网络模型,比较并评价其对儿童室性期前收缩的诊断价值。方法采集1 200例儿童室性期前收缩的体表心电图作为室性早博组,并以同期性别、年龄匹配的1 200例正常儿童心... 目的运用计算机深度学习的方法,初步建立3个儿童室性期前收缩的卷积神经网络模型,比较并评价其对儿童室性期前收缩的诊断价值。方法采集1 200例儿童室性期前收缩的体表心电图作为室性早博组,并以同期性别、年龄匹配的1 200例正常儿童心电图作为正常对照组,男女比例3:2,平均年龄均为(6.5±0.5)岁。剔除个别不适于模型训练的心电图,在两组中随机抽取800例样本,运用计算机深度学习的方法,训练建立3种自动诊断儿童室性期前收缩的计算机卷积神经网络模型。另外在室性期前收缩组及对照组剩余的样本中各抽取200例,以心电图专家小组的诊断作为"金标准",利用统计学方法,评价模型的可靠性和真实性。结果利用心电图波形图像建立二维卷积神经网络模型和V3模型,利用心电图时间序列数据建立一维卷积神经网络模型。其中二维卷积神经网络模型的灵敏度65%、特异度71.5%、漏诊率35%、误诊率28.5%、阳性预测值69.5%、阴性预测值67.1%、准确率68.2%、Kappa值0.365;V3模型的灵敏度82%、特异度85%、漏诊率18%、误诊率15%、阳性预测值84. 5%、阴性预测值82. 5%、准确率83. 5%、Kappa值0. 670;一维卷积神经网络模型的灵敏度87.5%、特异度89.5%、漏诊率12.5%、误诊率10.5%、阳性预测值89.3%、阴性预测值87. 7%、准确率88. 5%、Kappa值0. 770。结论运用计算机深度学习方法建立的V3模型与一维卷积神经网络模型性能良好,其中一维卷积神经网络模型真实性和可靠性最佳,与专家小组的诊断高度一致。 展开更多

关键词 室性期前收缩 深度学习 卷积神经网络模型 儿童

在线阅读 下载PDF 职称材料

适应多元尺寸长度的卷积神经网络模型在网络入侵检测中的应用 被引量：3

6

作者 金立群 《山东农业大学学报（自然科学版）》 北大核心 2019年第5期877-880,共4页

为了实现对网络入侵检测领域深度层次特征的探索,本文将多元尺寸长度的卷积神经网络模型引入,并通过BN算法改善模型在学习率方面的表现,结果表明,卷积神经网络在检测入侵事件方面是完全可行、有效的。

关键词 卷积神经网络模型 网络入侵 检测

在线阅读 下载PDF 职称材料

卷积神经网络模型发展及应用 被引量：78

7

作者 严春满 王铖 《计算机科学与探索》 CSCD 北大核心 2021年第1期27-46,共20页

深度学习是机器学习和人工智能研究的最新趋势,作为一个十余年来快速发展的崭新领域,越来越受到研究者的关注。卷积神经网络(CNN)模型是深度学习模型中最重要的一种经典结构,其性能在近年来深度学习任务上逐步提高。由于可以自动学习样... 深度学习是机器学习和人工智能研究的最新趋势,作为一个十余年来快速发展的崭新领域,越来越受到研究者的关注。卷积神经网络(CNN)模型是深度学习模型中最重要的一种经典结构,其性能在近年来深度学习任务上逐步提高。由于可以自动学习样本数据的特征表示,卷积神经网络已经广泛应用于图像分类、目标检测、语义分割以及自然语言处理等领域。首先分析了典型卷积神经网络模型为提高其性能增加网络深度以及宽度的模型结构,分析了采用注意力机制进一步提升模型性能的网络结构,然后归纳分析了目前的特殊模型结构,最后总结并讨论了卷积神经网络在相关领域的应用,并对未来的研究方向进行展望。 展开更多

关键词 卷积神经网络(CNN)模型 特征提取 计算机视觉 自然语言处理

在线阅读 下载PDF 职称材料

求解双曲型方程的半离散卷积神经网络算法

8

作者 汪浏博 郑素佩 +1 位作者 张蕊 封建湖 《浙江大学学报（理学版）》 CAS CSCD 北大核心 2024年第6期724-731,共8页

双曲守恒律方程的间断解对数值算法要求严格。通常传统低阶数值算法构造简单,但数值结果的分辨率较低,且依赖于网格。机器学习方法虽不依赖于网格,且适用于处理复杂场景下的问题(如高维问题),但在求间断解时可能出现移位或抹平现象。将... 双曲守恒律方程的间断解对数值算法要求严格。通常传统低阶数值算法构造简单,但数值结果的分辨率较低,且依赖于网格。机器学习方法虽不依赖于网格,且适用于处理复杂场景下的问题(如高维问题),但在求间断解时可能出现移位或抹平现象。将机器学习方法与传统低阶格式相结合,在空间上采用低阶有限体积格式,在权重系数优化上采用卷积神经网络,从而实现基于较少节点便可得到高分辨率数值结果。数值算例验证了算法的性能,在求解连续及间断问题时均能得到高分辨率数值结果,且未出现移位、抹平现象。 展开更多

关键词 双曲守恒律方程 有限体积法 卷积神经网络模型

在线阅读 下载PDF 职称材料

基于卷积神经网络模型数值求解双曲型偏微分方程的研究 被引量：7

9

作者 高普阳 赵子桐 杨扬 《应用数学和力学》 CSCD 北大核心 2021年第9期932-947,共16页

人工神经网络近年来得到了快速发展,将此方法应用于数值求解偏微分方程是学者们关注的热点问题.相比于传统方法其具有应用范围广泛(即同一种模型可用于求解多种类型方程)、网格剖分条件要求低等优势,并且能够利用训练好的模型直接计算... 人工神经网络近年来得到了快速发展,将此方法应用于数值求解偏微分方程是学者们关注的热点问题.相比于传统方法其具有应用范围广泛(即同一种模型可用于求解多种类型方程)、网格剖分条件要求低等优势,并且能够利用训练好的模型直接计算区域中任意点的数值.该文基于卷积神经网络模型,对传统有限体积法格式中的权重系数进行优化,以得到在粗粒度网格下具有较高精度的新数值格式,从而更适用于复杂问题的求解.该网络模型可以准确、有效地求解Burgers方程和level set方程,数值结果稳定,且具有较高数值精度. 展开更多

关键词 卷积神经网络模型 BURGERS方程 level set方程 有限体积法

在线阅读 下载PDF 职称材料

凡纳滨对虾摄食不同饵料的声音信号分类模型研究 被引量：1

10

作者 曹正良 王子贤 +4 位作者 李钊丞 姜珊 蒋千庆 胡庆松 靳雨雪 《南方水产科学》 北大核心 2025年第2期27-37,共11页

利用机器学习技术对凡纳滨对虾(Litopenaeus vannamei)摄食不同饵料时的声音信号进行分类,旨在比较不同分类模型的性能,确定最优模型,为对虾养殖中饵料管理的信息化提供参考。研究选取对虾摄食沙蚕、颗粒饲料和鱿鱼时的声音信号,经降噪... 利用机器学习技术对凡纳滨对虾(Litopenaeus vannamei)摄食不同饵料时的声音信号进行分类,旨在比较不同分类模型的性能,确定最优模型,为对虾养殖中饵料管理的信息化提供参考。研究选取对虾摄食沙蚕、颗粒饲料和鱿鱼时的声音信号,经降噪滤波处理后,通过2类方式分类:1)基于音频特征向量,分别建立支持向量机(Support Vector Machine,SVM)、随机森林(Random forest,RF)和k-最近邻(k-Nearest Neighbor,KNN)模型;2)基于梅尔频谱图,建立卷积神经网络(Convolutional Neural Networks,CNN)模型。结果表明,结合Mixup数据增强技术和粒子群优化算法(Particle Swarm Optimization,PSO)的CNN模型在准确率方面表现最佳,达到91.67%。4个模型在识别颗粒饲料的召回率均超过90%,说明摄食颗粒饲料的声音信号相较于摄食沙蚕和鱿鱼等软体饵料更易识别。CNN模型不仅在准确率、精确度、召回率和F1分数等指标上均优于上述传统模型,同时能够适应复杂声学信号的分析需求,具有较大的应用潜力。 展开更多

关键词 凡纳滨对虾 被动声学 声音信号分类 机器学习 卷积神经网络模型

在线阅读 下载PDF 职称材料

糖熏鸡腿颜色快速精准识别的多层卷积神经网络模型研究 被引量：3

11

作者 王博 杨洪遥 +3 位作者 陆逢贵 陈子东 曹振霞 刘登勇 《食品与发酵工业》 CAS CSCD 北大核心 2021年第1期259-265,共7页

为快速精准识别糖熏鸡腿在熏制过程中产生的所有颜色,基于机器视觉技术,构建Xception-CNN模型用于熏鸡腿颜色的识别,同时应用Res Net-50、Inception和传统卷积神经网络(convolutional neural networks,CNN)等3种模型对比分析Xception-CN... 为快速精准识别糖熏鸡腿在熏制过程中产生的所有颜色,基于机器视觉技术,构建Xception-CNN模型用于熏鸡腿颜色的识别,同时应用Res Net-50、Inception和传统卷积神经网络(convolutional neural networks,CNN)等3种模型对比分析Xception-CNN模型对熏鸡腿颜色的识别效果。采集并经过图像预处理后,共得到不同颜色的熏鸡腿图像4 352张,作为4种模型的实验样本,随机选取其中的3 482张作为训练组,剩下的870张作为测试组。结果表明,4种模型的平均识别准确率分别为92%(Xception-CNN)、91%(Res Net-50)、89%(Inception)、87%(传统CNN);测试时间分别为1. 36 s(Xception-CNN)、0. 81 s(Res Net-50)、0. 98 s(Inception)、2. 48 s(传统CNN)。Xception-CNN模型对糖熏鸡腿图像的颜色识别准确率最高,达到92%,测试时间略高于Res Net-50模型和Inception模型,但低于传统CNN模型,仅需1. 36 s即可完成识别,此模型可以实现糖熏鸡腿颜色的快速精准识别,为糖熏工艺参数精准调控、保障产品颜色标准化等提供可靠依据。 展开更多

关键词 熏鸡 糖熏 颜色识别 机器视觉 多层卷积神经网络模型

在线阅读 下载PDF 职称材料

基于PSO-ChOA优化的轴流风机故障诊断模型

12

作者 吕亚楠 赵康 +1 位作者 马草原 郑璐 《机电工程》 北大核心 2025年第2期373-386,共14页

传统的风机故障诊断技术依赖大量的历史数据,在参数优化和算法选择上存在早熟收敛问题,且在风机故障诊断过程中需要精确采集信号,但实际应用中受限于传感器安装条件,影响了数据的准确性和诊断的有效性。针对这些问题,提出了一种融合改... 传统的风机故障诊断技术依赖大量的历史数据,在参数优化和算法选择上存在早熟收敛问题,且在风机故障诊断过程中需要精确采集信号,但实际应用中受限于传感器安装条件,影响了数据的准确性和诊断的有效性。针对这些问题,提出了一种融合改进粒子群优化算法(PSO)与黑猩猩优化算法(ChOA)混合优化策略(PSO-ChOA)的VMD-CNN-Transformer模型,应用于轴流风机故障诊断。首先,通过仿真和实验获取了七种风机典型电气故障信号和三种离心风机轴承故障信号,并进行了预处理以满足算法训练要求;然后,使用PSO对ChOA的狩猎搜索阶段进行了优化,减少了人为设定参数对模型训练的影响,通过构建23个标准测试函数,分析了PSO-ChOA算法在收敛速度和全局优化上的优势;最后,利用变分模态分解(VMD)提取了故障特征,并利用卷积神经网络-Transformer(CNN-Transformer)模型进行了分类,采用实例分析了该模型在处理非线性和高维数据时的强大能力。研究结果表明:相较于传统算法,PSO-ChOA算法在收敛速度上的优势显著,能够更快地跳出局部最优,避免早熟收敛,同时保持较高的搜索精度,最终找到更接近全局最优的解;采用PSO-ChOA优化的VMD-CNN-Transformer模型在风机故障诊断任务中达到了97.76%的准确率,较VMD-CNN-Transformer方法,准确率提升了6.64%;PSO-ChOA在参数优化领域的应用潜力,为工业设备故障诊断研究提供了新的视角。 展开更多

关键词 离心式风机 复杂非线性信号 粒子群优化 黑猩猩优化算法 卷积神经网络-Transformer模型 变分模态分解

在线阅读 下载PDF 职称材料

基于不同机器学习模型的滑坡易发性分析及适应性评估

13

作者 王洁 林诚杰 +3 位作者 梁峰铭 季静静 谈松林 刘宇 《科学技术与工程》 北大核心 2025年第2期513-520,共8页

机器学习模型因其强大的特征提取能力被广泛应用于滑坡易发性评价,在应用中其算法在不断改进。为解决常见机器学习模型中精度不高的问题,将分组卷积神经网络模型(group convolutional neural network,GCNN)引入滑坡易发性评价,并与多种... 机器学习模型因其强大的特征提取能力被广泛应用于滑坡易发性评价,在应用中其算法在不断改进。为解决常见机器学习模型中精度不高的问题,将分组卷积神经网络模型(group convolutional neural network,GCNN)引入滑坡易发性评价,并与多种常见机器学习模型结果进行对比分析,综合评估不同机器学习模型在滑坡易发性评价的适应性。以河北省为研究区,从致灾因子、孕灾环境、承灾体这个3个方面出发,共选取16个影响因子,选择GCNN模型和目前常见的机器学习模型——卷积神经网络模型(convolutional neural network,CNN)、逻辑回归模型(Logistic)、随机森林算法模型(random forest,RF)和支持向量机模型(support vector machine,SVM)构建出相应的易发性评价模型,将研究区划分为4类滑坡易发性区域,并对区划的精确性进行综合评价。研究表明,与其他4种机器学习模型相比,GCNN模型在各混淆矩阵指标下拥有更高评分,更适合进行滑坡易发性区划,得到的滑坡易发区划结果与实际发生滑坡点的一致性较好,划分的滑坡灾害易发区更加准确。 展开更多

关键词 机器学习 分组卷积神经网络模型 适应性评价 滑坡易发性评价

在线阅读 下载PDF 职称材料

基于注意力卷积长短时记忆模型的城市出租车流量预测

14

作者 周新民 金江涛 +2 位作者 鲍娜娜 袁涛 崔烨 《中国安全科学学报》 CAS CSCD 北大核心 2024年第7期153-162,共10页

为解决城市交通拥堵和安全问题,提出一种注意力卷积长短时记忆(ConvLSTM)残差(ACLR)模型,该模型通过结合ConvLSTM、注意力机制和残差结构,分别处理出租车流量的时间、空间、和其他特征,挖掘区域兴趣点(POI)数据对出租车流量的影响,有效... 为解决城市交通拥堵和安全问题,提出一种注意力卷积长短时记忆(ConvLSTM)残差(ACLR)模型,该模型通过结合ConvLSTM、注意力机制和残差结构,分别处理出租车流量的时间、空间、和其他特征,挖掘区域兴趣点(POI)数据对出租车流量的影响,有效提升交通时空特征的提取能力。同时,引入专门的学习元件考虑外部因素和POI密度对交通流量的影响,并利用北京市出租车轨迹数据验证。结果表明:ACLR模型在城市交通流预测中的精度高于差分自回归滑动平均(ARIMA)模型、长短时记忆(LSTM)网络、深度时空残差网络(ST-ResNet)、卷积神经网络(CNN)-残差神经单元-LSTM(CRL)循环神经网络、ACFM等模型,在无POI密度和考虑POI密度的情况下,均有助于提升模型的预测性能,ACLA模型的预测值与真实值基本一致,高峰时段也能与真实值较好地吻合,有效提升交通时空特征的提取能力,降低预测误差,使得交通流量预测性能得到优化。 展开更多

关键词 注意力卷积长短时记忆残差网络(ACLR)模型 交通流量预测 城市出租车 时空特征 残差结构

在线阅读 下载PDF 职称材料

基于三维深度卷积神经网络的车间生产行为识别 被引量：17

15

作者 刘庭煜 陆增 +3 位作者 孙毅锋 刘芳 何必秒 钟杰 《计算机集成制造系统》 EI CSCD 北大核心 2020年第8期2143-2156,共14页

传统的依赖视频监控的人员行为管理方式费时且易产生疏漏,难以适用复杂的生产制造环境,为了实现更加有效的人员行为管理,针对生产车间工作人员行为识别与智能监控问题,提出一种基于人体骨架信息的生产行为识别方法。基于三维深度视觉传... 传统的依赖视频监控的人员行为管理方式费时且易产生疏漏,难以适用复杂的生产制造环境,为了实现更加有效的人员行为管理,针对生产车间工作人员行为识别与智能监控问题,提出一种基于人体骨架信息的生产行为识别方法。基于三维深度视觉传感器采集人体骨架关节位置数据,用标准化重构方法对骨架关节数据进行归一化处理,合成人体行为的时空特征RGB图像。在此基础上构建深度卷积神经网络模型,进行时空域的生产行为识别。最后通过CUDA GPU加速环境下面向MSR-Action3D数据集和自建验证数据集NJUST3D进行实验验证,说明所提方法具有较高的准确率和实用价值。 展开更多

关键词 深度视觉 行为识别 骨架 深度学习 深度卷积神经网络模型

在线阅读 下载PDF 职称材料

基于卷积神经网络的霉变烟叶图像识别方法研究 被引量：15

16

作者 李亚召 云利军 +2 位作者 叶志霞 王坤 翟乃琦 《计算机工程与科学》 CSCD 北大核心 2021年第3期473-479,共7页

针对人工在线精选霉变烟叶时,存在效率低下、容易漏检等缺点,提出了一种基于卷积神经网络模型对霉变烟叶图像进行筛选、分类识别的方法。首先建立烟叶数据集,然后搭建卷积神经网络模型,利用卷积神经网络先初步提取特征,再筛选提取主要特... 针对人工在线精选霉变烟叶时,存在效率低下、容易漏检等缺点,提出了一种基于卷积神经网络模型对霉变烟叶图像进行筛选、分类识别的方法。首先建立烟叶数据集,然后搭建卷积神经网络模型,利用卷积神经网络先初步提取特征,再筛选提取主要特征,然后进行各部分的特征汇总;最后实现图像的分类,从而实现了快速、准确的识别霉变烟叶图像和正常烟叶图像。实验结果表明,与人工挑选霉变烟叶的方法和烟叶传统图像分类算法相比较,搭建的卷积神经网络不仅具有较高的识别准确率,也简化了人工提取图像特征的复杂过程。 展开更多

关键词 霉变烟叶 卷积神经网络模型 图像分类

在线阅读 下载PDF 职称材料

基于卷积神经网络的井中分布式光纤传感器地震数据随机噪声压制新技术 被引量：15

17

作者 董新桐 李月 +2 位作者 刘飞 冯黔堃 钟铁 《地球物理学报》 SCIE EI CAS CSCD 北大核心 2021年第7期2554-2565,共12页

分布式光纤传感器(distributed fiber-optical acoustic sensor,DAS)是一种快速发展的具有巨大应用前景的地震勘探检波器技术.实际DAS地震资料往往会受到大量强能量随机噪声的干扰,通常表现为低信噪比(signal-to-noise ratio,SNR).这一... 分布式光纤传感器(distributed fiber-optical acoustic sensor,DAS)是一种快速发展的具有巨大应用前景的地震勘探检波器技术.实际DAS地震资料往往会受到大量强能量随机噪声的干扰,通常表现为低信噪比(signal-to-noise ratio,SNR).这一现象给接下来的成像、反演以及解释带来了巨大的困难,因此如何压制DAS地震资料中的随机噪声并提高其SNR成为一个有待解决的技术问题.卷积神经网络(convolutional neural network,CNN)已经被证明是一种有效的噪声压制工具.通常情况下,CNN需要一个理论纯净地震数据集来优化网络,这极大地限制了CNN在DAS地震资料处理中的应用.在本文中,我们采用正演模拟的方法来构建理论纯净DAS地震数据集,通过正演模型的参数多样化增强数据集的真实性,从而获得适合DAS地震资料随机噪声压制的CNN去噪模型.此外,在网络结构方面,我们利用泄漏线性整流单元作为CNN的激活函数增强训练后模型对微弱有效信号的恢复能力;在训练过程中,通过能量比矩阵调节噪声片和有效信号片之间的SNR,增强CNN去噪模型对于不同SNR的DAS地震数据的适应性.模拟和实际实验均表明本文提出的这种正演模型驱动的卷积神经网络(forward-model-actuation convolutional neural network,FMA-CNN)能够有效地压制DAS随机噪声同时完整地恢复有效信号. 展开更多

关键词 随机噪声 低信噪比 分布式光纤传感器地震数据 正演模型驱动的卷积神经网络

在线阅读 下载PDF 职称材料

基于改进全卷积神经网络的红外与可见光图像融合方法 被引量：13

18

作者 冯玉芳 殷宏 +3 位作者 卢厚清 程恺 曹林 刘满 《计算机工程》 CAS CSCD 北大核心 2020年第8期243-249,257,共8页

基于深度学习的图像融合技术易丢失网络浅层特征信息,难以实现图像的精准识别。提出一种利用全卷积神经网络(FCN)提取特征的红外与可见光图像融合方法。采用非下采样剪切波变换(NSST)对源图像进行多尺度和多方向分解,生成高频子带和低... 基于深度学习的图像融合技术易丢失网络浅层特征信息,难以实现图像的精准识别。提出一种利用全卷积神经网络(FCN)提取特征的红外与可见光图像融合方法。采用非下采样剪切波变换(NSST)对源图像进行多尺度和多方向分解,生成高频子带和低频子带图像,将高频子带输入FCN模型提取多尺度特征,并生成高频子带特征映射图,使用最大加权平均算法完成高频子带的融合,同时采用区域能量和融合策略融合低频子带,对融合后的高频子带和低频子带进行NSST逆变换,得到最终的融合图像。实验结果表明,与GFF、WLS和IFE等方法相比,该方法融合图像的主观视觉效果和客观评价指标更好。 展开更多

关键词 卷积神经网络 非下采样剪切波变换 全卷积神经网络模型 多尺度特征 特征映射图

在线阅读 下载PDF 职称材料

基于卷积神经网络的人体动作识别 被引量：7

19

作者 于华 智敏 《计算机工程与设计》 北大核心 2019年第4期1161-1166,共6页

针对复杂场景下人体动作识别精度不高的问题,提出融合改进的可变形部件模型算法(DPM)以及卷积神经网络模型算法(CNN)的人体动作识别算法。在特征提取阶段,为提高人体检测精度,采用改进的DPM算法将部件滤波器模型由5个增加到8个,同时结... 针对复杂场景下人体动作识别精度不高的问题,提出融合改进的可变形部件模型算法(DPM)以及卷积神经网络模型算法(CNN)的人体动作识别算法。在特征提取阶段,为提高人体检测精度,采用改进的DPM算法将部件滤波器模型由5个增加到8个,同时结合分支定界(BB)算法;CNN采用连续的卷积层提取特征,使用的CNN模型是经过梯度优化训练的针对人体动作识别的卷积神经网络,两个算法并行进行。在特征融合阶段,用加权求和的方式把两个模型提取的特征进行融合。用softmax分类器进行人体动作的分类识别。实验结果表明,该算法在标准的数据集、自搜集数据集上的精度较传统的机器学习方法提高了约10个百分点。 展开更多

关键词 卷积神经网络模型算法 可变形部件模型算法 特征提取 特征融合 人体动作识别

在线阅读 下载PDF 职称材料

基于融合TC-WREM模型的热带气旋大风半径估算研究

20

作者 周必高 鲁小琴 +4 位作者 吴贤笃 仇欣 谢海华 朱忠勇 郑建琴 《热带气象学报》 CSCD 北大核心 2024年第5期736-744,共9页

利用2001—2020年美国联合台风警报中心(JTWC)热带气旋(Tropical Cyclone,TC)最佳资料数据集和静止气象卫星云图,建立了基于多层感知器神经网络模型(Multi-Layer Perceptron,MLP)和卷积神经网络(Convolutional Neural Network,CNN)融合... 利用2001—2020年美国联合台风警报中心(JTWC)热带气旋(Tropical Cyclone,TC)最佳资料数据集和静止气象卫星云图,建立了基于多层感知器神经网络模型(Multi-Layer Perceptron,MLP)和卷积神经网络(Convolutional Neural Network,CNN)融合的TC大风半径估算模型(TC Wind Radii Estimation Model,TC-WREM)。该模型利用MLP和CNN分别对TC属性数据和卫星云图中与TC大风半径相关联的核心特征进行预提取,最终通过融合TC-WREM模型开展大风半径估算。融合的TC-WREM模型能实现对TC属性数据和卫星云图底层特征的深度客观挖掘,较单独的MLP和CNN模型的估算误差降低7%~24%。以TC近地面8级大风半径(R8)估算为例,针对2021年台风“烟花”的独立样本估算检验显示分象限R8估算平均绝对误差(Mean Absolute Error,MAE)分别为39、33、40和51 km,均值为41 km,误差中位值约40 km,优于业务估算精度(为大风半径的25%~40%)及西北太平洋和大西洋同类研究估算结果。由于融合TC-WREM模型的输入为易获取的TC属性数据和静止气象卫星云图,因此该模型易于在业务中进行推广,从而可改善国内TC大风半径估算模型缺乏的现状。 展开更多

关键词 热带气旋 大风半径估算 卷积神经网络模型 多层感知器神经网络模型 融合TC-WREM模型 西北太平洋

在线阅读 下载PDF 职称材料