卷積神經(jīng)網(wǎng)絡(luò)識(shí)別地基云圖的數(shù)據(jù)庫(kù)建立及處理方法[其他][其他]

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network,CNN)具有非比尋常的從樣本中學(xué)習(xí)特征的能力，訓(xùn)練需要大量帶有標(biāo)簽的圖像樣本。因此，在使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)地基云圖相關(guān)研究時(shí)，建立云圖樣本庫(kù)是第一步，也是非常重要的一步。首先，通過(guò)數(shù)碼相機(jī)直接拍攝、從互聯(lián)網(wǎng)上下載、從公開(kāi)發(fā)行的云圖類書(shū)籍獲取以及由全天空照相機(jī)拍攝等手段獲取三個(gè)云圖樣本庫(kù)；接著，對(duì)三個(gè)樣本庫(kù)圖像的分辨率、噪聲、數(shù)量等問(wèn)題進(jìn)行了分析；然后，采用雙線性插值和數(shù)據(jù)增強(qiáng)方法對(duì)樣本庫(kù)進(jìn)行歸一化預(yù)處理；最后，利用卷積神經(jīng)網(wǎng)絡(luò)、LBP、Heinle feature和Textonbased method三種方法對(duì)增強(qiáng)后的數(shù)據(jù)集進(jìn)行云識(shí)別分類驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，利用本文方法進(jìn)行增強(qiáng)數(shù)據(jù)可有效解決卷積神經(jīng)網(wǎng)絡(luò)對(duì)小樣本數(shù)據(jù)識(shí)別率不高

發(fā)表于：12/16/2020 4:28:00 PM

基于卷積神經(jīng)網(wǎng)絡(luò)的織物瑕疵檢測(cè)方法研究[人工智能][其他]

織物瑕疵檢測(cè)是控制織物產(chǎn)品質(zhì)量的重要步驟，傳統(tǒng)的織物瑕疵檢測(cè)方法檢測(cè)效率低，勞動(dòng)強(qiáng)度大。因此，針對(duì)傳統(tǒng)檢測(cè)方法存在的問(wèn)題，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的分類算法用于實(shí)現(xiàn)織物瑕疵檢測(cè)。網(wǎng)絡(luò)是在VGG16的基礎(chǔ)上進(jìn)行減枝，通過(guò)優(yōu)化網(wǎng)絡(luò)參數(shù)實(shí)現(xiàn)最優(yōu)結(jié)果。首先，由于織物瑕疵大小差別較大，提出將瑕疵邊緣作為檢測(cè)的目標(biāo)，這樣就可以將大尺度圖片分割為64×64的小尺度圖片用于網(wǎng)絡(luò)訓(xùn)練，既提高了網(wǎng)絡(luò)的分類準(zhǔn)確率，又解決了織物瑕疵圖像搜集困難的問(wèn)題。其次，在測(cè)試過(guò)程中，提出對(duì)大尺度圖片進(jìn)行有重疊的分割，然后對(duì)分割后的圖片進(jìn)行分類，根據(jù)每張圖片的輸出標(biāo)簽和位置來(lái)實(shí)現(xiàn)大尺度圖片的瑕疵檢測(cè)。實(shí)驗(yàn)結(jié)果表明，本文所提出的網(wǎng)絡(luò)結(jié)構(gòu)相比于傳統(tǒng)的VGG16和LeNet網(wǎng)絡(luò)結(jié)構(gòu), 具有檢測(cè)速度快、檢測(cè)精度高等優(yōu)勢(shì)。

發(fā)表于：12/16/2020 4:13:05 PM