基于无人机航拍的河道整治工程工情智能识别研究
这是一篇关于河道整治工程,水污染,施工区域,区域分割,图像识别,卷积神经网络的论文, 主要内容为河道整治工程多为长线性工区且布置分散,工区水文气象环境条件复杂,常态化巡检辅助管理者及时识别现场异常状况、全局掌握工程的形象面貌,是合理进行现场风险规避、管理控制、采取应急措施的重要前提。但是,采用传统人工巡检效率低,且人工巡检常存在视野盲区,难以完成对于全局的巡检任务。同时人工巡检信息的数字化水平低,反馈现场工作管控的时效性较差,制约了现场管控工作的工作效率。同时,目前对于施工水污染、区域工况等工情信息缺乏快速识别的手段,现有的图像识别方法多针对于某一类同质场景内容进行研究,难以直接与河道整治工程巡检应用相结合,还需深入研究以匹配工程巡检应用需求。近年来,随着各种移动检测设备及智慧数据分析方法的发展,寻求高效率巡检方法代替传统的人工巡线方式成为趋势。本文针对现有手段的不足之处,开展基于无人机航拍的河道整治工程工情智能识别研究。利用无人机平台高机动性的特点,进行现场影像及相关数据的快速巡检采集,进而采用图像识别技术,智能识别河道水污染状况和反馈工程区域形象面貌,为河道整治工程工情监测提供高效、智能的技术手段。本文主要研究成果如下:(1)研究了河道整治工程施工水污染图像的分类识别与追踪标记方法。首先,利用无人机航拍进行了影像采集,并基于此构建了相关数据集;依据施工水污染图像分类识别需求,建立河道水污染图像分类与识别的Efficient Net卷积神经网络模型,利用水污染图像数据集训练模型使其可准确识别出存在水污染的图像;进而,利用Grad-CAM(Class Activation Mapping,类激活热力图)特征可视化算法与全连接CRF(Conditional Random Fields,条件随机场)后处理优化算法,完成模型提取特征图的可视化表达,在此基础上实现目标区域的追踪标记。实例结果表明水污染识别的准确率可达97.35%,追踪标记的效果评价指标IO值可达96.91%。(2)研究了河道整治工程工区范围图像检测识别与空间定位方法。依据河道整治工程工区范围图像的识别需求,构建河道整治工程区域图像检测识别的EfficientNet卷积神经网络模型,并利用工程区域图像数据集训练模型;进而利用Morphological Snakes算法、大津法结合数字图像处理方法,完成工程区域的图像分割,再利用无人机技术与摄影测量学方法进行区域控制点世界坐标的定位计算。实例结果表明工程区域识别的准确率可达92.61%,区域分割提取的准确度可达88.59%。(3)开发了河道整治工程工情智能图像识别系统。依据系统开发基本原则,对系统进行了总体结构设计及系统主要功能设计,主要包含图像加载模块、图像检测模块、污染追踪模块、工程区域定位模块等四个模块;利用搭建的系统开发环境及Python、Flask、JavaScript等开发语言,实现了系统网页各模块功能,并对系统功能进行了应用分析。本系统可以辅助进行河道整治工程施工巡检,为施工水污染的快速智能识别及现场形象面貌的及时反馈,进而实现河道整治工程施工精细化管理提供有效的技术手段。
基于卷积神经网络的电缆巡检图片目标检测方法研究与应用
这是一篇关于图像识别,目标检测,卷积神经网络,电缆巡检,监控平台的论文, 主要内容为数字技术在电缆运检专业的推广应用导致数据不断累积,进而对数据的处理效率提出了更高要求,特别是巡检图片所包含的敏感物体信息对防止外力破坏有着至关重要的作用。目前对巡检图片的处理多依赖人工,不仅处理效率不高,且由于人员素质和责任心的问题,漏检现象时有发生。基于卷积神经网络的目标检测技术由于可以有效减少图片数据处理的工作量,为巡检图片智能服务的开发提供了一种有效解决方案。本文主要完成以下工作:(1)调研了智能电缆巡检、计算机视觉、目标检测等领域的发展现状,以Faster R-CNN、SSD和YOLOv3为对象,特别是YOLOv3,分析了目标检测模型的运行机理和基本结构,得出数据增强预处理、调整预设的锚点框参数等方式可以提高检测速度和准确率。(2)提出了本文需要解决特定数据集上的目标检测、目标检测主机与监控平台融合等问题,建立了基于YOLOv3的电缆巡检图片目标检测模型YOLOv3 PCIP(YOLOv3 for power cable inspection picture),检测效果与各原模型有不同程度提高,符合工程应用要求。(3)利用Python与Java混合编程、Spring框架开发部署、内嵌web容器和定时任务等技术,实现目标检测独立主机与监控平台服务器的融合,投入工业生产应用。本文在电缆巡检图片处理领域引入了以深度学习卷积神经网络为代表的人工智能手段,丰富了电缆巡检数据的处理方式,大幅提高工作效率。所提出的目标检测模型YOLOv3 PCIP应用于南京电缆智能监控平台,解决了人工图片检查的低效率和高出错率的问题,在实际工作中验证了目标检测模型的有效性。
基于元学习的少样本图像识别方法研究
这是一篇关于深度学习,图像识别,元学习,嵌入模型,融合权重的论文, 主要内容为图像识别是目前热门的研究方向。例如,所使用的人脸识别、车牌识别、行为识别等都需要图像识别技术的支持,因此,对图像识别领域的研究具有重大意义。早期关于图像识别的研究使用机器学习的方法,通过机器学习模型提取图像特征并对图片进行分类。随着大数据时代的来临,深度学习开始兴起。深度学习采用复杂的神经网络,通过多层的网络结构更有效的提取图片特征。但是,即使传统的深度学习方法在图像识别领域取得了不错的成果,不过模型前期的训练需要大量标注的数据,同时训练的模型也只能在所见到过的任务上取得较好的效果,在面对一个新任务时,模型所表现出的泛化性能较差。并且,在对模型所提取出的特征进行识别时,多数方法只关注了模型顶层的语义信息,而忽略了底层的纹理信息。因此,针对以上问题,对基于元学习的少样本图像识别方法展开研究,同时,针对网络输出特征单一和未充分利用模型各阶段输出的样本特征问题,对特征融合方法进行研究。本文的具体工作内容为:(1)针对传统深度学习方法在进行图像识别任务时依赖大量标注数据、模型泛化性能弱的问题,采用了基于分类器度量样本特征的元学习算法。同时,在进行图像识别时,针对网络模型单层输出特征所包含图像信息单一以及对模型各层输出特征利用不充分的问题,提出了一种基于维度的非线性特征融合方法,充分利用了嵌入模型底层所输出的纹理信息和高层所输出的语义信息,进一步提高了元学习的图像识别性能。(2)在对嵌入模型各个阶段输出的特征进行融合时,由于不同阶段的输出特征对分类器影响不同,因此在进行特征融合时各阶段的特征所占融合权重大小也是不同,如何确定融合权值进而达到最优的图像识别精度是一个关键问题。针对该问题,首先采用固定特定阶段特征权值的方法,确定出对分类器性能影响最大的模块特征,并结合元学习快速适应新任务的特点,采用一种改进的粒子群优化算法,对融合权值进行自适应优化,有效提升了元学习的图像识别准确率。(3)为验证所提基于元学习和自适应特征融合权重优化算法的有效性,在多个少样本图像识别数据集上进行应用和验证。将算法在数据集上进行实验,针对所提的融合方法和优化算法进行多个对比实验,进一步验证了所提方法的优越性能。同时,在FC100数据集上,方法在1-shot策略下比原来的基准提升了1.56%,在5-shot上提升了3.07%。在mini Image Net数据集上,所提方法在1-shot策略下的识别精度达到了62.55%,在5-shot上达到了80.57%,均超越了原来的识别基准。
基于卷积神经网络的电缆巡检图片目标检测方法研究与应用
这是一篇关于图像识别,目标检测,卷积神经网络,电缆巡检,监控平台的论文, 主要内容为数字技术在电缆运检专业的推广应用导致数据不断累积,进而对数据的处理效率提出了更高要求,特别是巡检图片所包含的敏感物体信息对防止外力破坏有着至关重要的作用。目前对巡检图片的处理多依赖人工,不仅处理效率不高,且由于人员素质和责任心的问题,漏检现象时有发生。基于卷积神经网络的目标检测技术由于可以有效减少图片数据处理的工作量,为巡检图片智能服务的开发提供了一种有效解决方案。本文主要完成以下工作:(1)调研了智能电缆巡检、计算机视觉、目标检测等领域的发展现状,以Faster R-CNN、SSD和YOLOv3为对象,特别是YOLOv3,分析了目标检测模型的运行机理和基本结构,得出数据增强预处理、调整预设的锚点框参数等方式可以提高检测速度和准确率。(2)提出了本文需要解决特定数据集上的目标检测、目标检测主机与监控平台融合等问题,建立了基于YOLOv3的电缆巡检图片目标检测模型YOLOv3 PCIP(YOLOv3 for power cable inspection picture),检测效果与各原模型有不同程度提高,符合工程应用要求。(3)利用Python与Java混合编程、Spring框架开发部署、内嵌web容器和定时任务等技术,实现目标检测独立主机与监控平台服务器的融合,投入工业生产应用。本文在电缆巡检图片处理领域引入了以深度学习卷积神经网络为代表的人工智能手段,丰富了电缆巡检数据的处理方式,大幅提高工作效率。所提出的目标检测模型YOLOv3 PCIP应用于南京电缆智能监控平台,解决了人工图片检查的低效率和高出错率的问题,在实际工作中验证了目标检测模型的有效性。
基于深度学习的电商产品图像识别系统的研究与实现
这是一篇关于深度学习,卷积神经网络,图像识别,电商产品的论文, 主要内容为随着互联网的快速发展,电子商务迅速崛起,在电子商务中提供便捷服务成为了研究热点。与此同时,基于深度学习的图像识别技术凭借准确率高、可扩展性强的特点迅速成为人工智能领域新的研究及应用热点。将基于深度学习的图像识别技术与实际的电子商务产品进行结合,分析目前电商产品市场应用需求,将大量的电商产品的包装盒正面图片作为数据集,利用深度学习的卷积神经网络算法进行图像特征挖掘,最终实现在线图像识别任务。例如本研究中以药品领域作为测试领域,首先,将大量的药品包装盒正面图片进行数据清洗、数据抽取以及数据扩展,构建药品图像的原始数据集;其次,利用深度学习的卷积神经网络算法对药品图像的原始数据集进行图像特征抽取,构建深度学习训练模型;最后,利用训练好的深度学习模型对待识别的药品图像进行特征抽取和概率计算,进而判别出图像对应的药品名称并检索到对应药品进行推送展示。该系统将为老年人或对某种药品不熟悉的客户群体提供极大的便利,将有利于电商产品的推广使用并提升用户满意度。为了实现针对电商产品的图像识别及检索展示,本文从两方面研究和实现了该系统:第一,以深度学习中的卷积神经网络为原型,利用深度学习平台Caffe对本文的药品数据集进行大量的模型训练,将模型组合应用为三种图像识别模式:不区分大类识别、区分大类识别以及BLOCK块分组识别。三种模式分别适应数据集类别由少及多的情况,创新性的满足大部分药品的识别任务,并具有较好的准确率及应用性。第二,利用上述三种模型,通过构建的图像数据集、药品文字数据集,并且采用 ReactJs+AntDesign+Rest+Spring+ibatis 架构,搭建在线的基于深度学习的药品图像的识别及检索展示的Web系统。通过在线仿真系统,直观的展示基于深度学习的图像识别技术与电商产品结合的可操作性以及对电商发展的帮助促进作用。当然,基于深度学习的图像识别技术目前正处于起步及发展阶段,本文也针对所做工作的成果及不足进行了总结,并且对未来的工作进行了进一步的思考与展望。
PE管道施工质量监控平台设计与实现
这是一篇关于PE管道,施工质量监督,图像识别,卷积神经网络的论文, 主要内容为目前市政燃气工程中普遍使用塑料管材,其中PE管材因其具有抗腐蚀、密闭性、柔韧性和耐冲击等优点而被广泛应用。在实际使用过程中,由于PE管道施工质量不过关从而导致天然气泄漏,引发重大安全事故,给人民的生命财产造成损失。因此,设计开发能够满足建设单位、施工单位和监检单位要求的PE管道施工质量监控平台势在必行。本文开发的PE管道施工质量监控系统采用B/S设计模式结合SSH框架实现,数据库使用My SQL,系统经过测试性能良好,实用性强。论文内容主要分为系统的设计与实现和施工质量的智能化监督。(1)论文详细阐述了PE管道施工质量监控系统的需求,分析了在管理燃气管道施工质量时需要控制的因素,主要包括对人员,设备和数据的控制,根据实际项目管理得到系统需要的功能需求包括:焊工管理需求、焊接数据管理需求、项目管理需求、施工质量监督功能和用户权限管理需求。在需求分析的基础上,论文阐述了系统设计,说明了系统的体系架构,并对系统的功能模块进行划分,利用流程图、类图、时序图等建模方法,对功能模块进行了详细设计,之后给出数据库结构的设计。根据设计结果实现了系统的主要功能模块,最后给出系统测试的内容和结果。(2)论文通过介绍图像识别的过程,对关键步骤的算法进行比较,得出深度学习在处理图像分类问题的优势。本文对卷积神经网络的相关理论进行了详细研究,分析阐述经典神经网络模型。在处理焊工人脸图像时,本文首先对VGG网络模型进行分析和研究,搭建适用于本文研究对象的VGG模型,并对进行改进将其与Siamese网络相结合构建了Sia VGG网络模型。最后使用LFW人脸数据库训练Sia VGG网络模型,实验结果表明改进的Sia VGG网络模型在焊工身份验证方面有较高的准确性。针对焊工身份验证和回填质量检测的数据集和分类难度不同,在回填质量检测时以经典Le Net-5模型为基础,搭建回填图像的分类模型,通过在自采集数据集上的训练实现回填图像的分类检测。通过使用本系统使得相关单位用户可以对项目的全过程进行监管,从而提高燃气管道施工管理质量,降低项目风险的发生,具有实际应用价值。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码客栈 ，原文地址：https://m.bishedaima.com/lunwen/45435.html
