基于嵌套多分支网络的纺织品瑕疵检测
这是一篇关于纺织品瑕疵检测,双端输入型网络,自注意力机制,卷积注意力机制的论文, 主要内容为在纺织品生产过程中,瑕疵检测是确保产品质量的重要步骤。自动化和智能化的瑕疵检测方法可以提高生产效率,减少人工检测的错误率,降低生产成本。因此,研究纺织品瑕疵检测技术具有重要的应用和经济价值。随着纺织品产业的发展,织物的图案变得越来越复杂,从而增加了瑕疵检测的难度。本研究旨在探究复杂图案织物样本中瑕疵的检测方法,利用图像增强、骨干网络特征提取以及特征融合等技术,提高检测精准度。具体研究内容如下:(1)基于双端输入型嵌套融合多尺度信息的纺织品瑕疵检测方法研究。针对织物瑕疵检测中复杂纹理区域误判和边缘检测模糊问题,提出双端输入型网络架构WNet。该网络使用了两个骨干分支,分别提取多尺度局部和全局特征。依靠自注意力机制的全局建模能力,在卷积深层网络中补充全局信息,减少深层网络中纹理特征的冗余。为减少深层网络中局部细节信息丢失,提出一种轻量级双分支池化金字塔将浅层多尺度细节特征引入深层模块。为综合各级尺度下的特征信息,提出了一种多尺度嵌套双分支模块将多级感受野的特征信息进行自适应融合。实验表明,该方法的平均F1值达到74.79%,平均查全率达到78.68%,平均查准率达到71.30%。(2)基于融合自注意力机制和递归多级残差的纺织品瑕疵检测方法研究。为了提高复杂图案织物瑕疵检测精度,提出了一种融合Swin Transformer的递归多级残差混合网络U-SMR。针对周期图案数据集样本量过少的问题,提出了一种基于自适应分割算法的周期图案晶格乱序重构方法。U-SMR采用U型结构的嵌套形式,通过混合连接了Swin Transformer Block来提高骨干分支的多尺度全局特征提取能力。在特征融合阶段,提出了递归多级残差模块,该模块可以灵活地调整模块的深度,以适应不同的需求。实验结果表明,U-SMR能够有效地处理复杂的纹理织物瑕疵,并取得了较好的性能。在ZJULeaper数据集上的平均F1值达到了75.33%,平均查全率达到78.54%,平均查准率达到72.39%。在HKU-Fabric数据集上的F1值达到了70.80%。(3)基于双分支非对称卷积注意力的纺织品瑕疵检测方法研究。为了解决复杂图案织物中细小瑕疵漏检的问题,提出了一种基于双分支非对称卷积注意力机制的网络DBACA-Net。本研究针对WNet和U-SMR的骨干网络进行了优化,将Swin Transformer Block加入到Res Net-18的C2通道连接中,既减少了参数量又保留了局部和全局语义信息。为提高细小瑕疵的检测精度,提出了双分支卷积注意力金字塔模块,运用多尺度卷积和非对称卷积注意力机制来提高网络对条形细小瑕疵的敏感性。实验结果表明,DBACA-Net在ZJU-Leaper数据集上的性能显著优于之前提出的WNet和U-SMR方法,检测精度大幅提升,同时也降低了模型计算消耗。在ZJU-Leaper数据集上,DBACA-Net的平均F1值达到了75.66%,平均查全率达到了79.12%,平均查准率达到了72.51%。相比WNet和U-SMR方法,DBACA-Net在F1值、查全率、查准率方面均有提升。
基于深度学习的声纹识别研究与应用
这是一篇关于声纹识别,残差网络,卷积注意力机制,ArcFace损失函数的论文, 主要内容为近年来,人们对身份识别和验证的准确性要求越来越高,这给企业和相关领域的学术研究人员带来了新的研究方向和挑战。与早先的人脸识别和指纹识别等生物特征识别相比,传统的身份认证方式存在安全性低、不便于记忆、易被攻击等缺点,带给用户较差的体验感。而声纹有着独特的优势,因此声纹识别技术在当下身份验证场景下具有较大的前景。但是由于声纹识别在实际应用场景中准确率有待提高,并且其结果容易受到环境、噪声等影响,因此该技术的应用尚未得到推广和普及。随着深度学习的深入发展,声纹识别系统的性能和准确率也得到了一定程度的提升,声纹识别的主要工作是集中在特征提取、模型结构以及预测评估这几个方向。本文具体的研究内容和创新点如下:(1)声纹特征提取网络是声纹识别的研究重点,而注意力机制在当前深度学习的研究中十分热门。本文也是针对声纹的特征提取网络进行研究,在Res Net50模型的基础上进行改进,在残差块的网络结构中加入CBAM这一卷积注意力模块,它同时使用了平均池化和最大池化,这在一定程度上降低了池化带来的信息损失。加入CBAM块后,Res Net50模型的新特征图能够获得通道和空间两个维度的注意力权重,这提高了声纹特征在通道和空间上的相关性,有助于提取出有效特征,进而提高特征提取网络的性能,通过实验与其他模型对比,改进的残差卷积网络提高了识别准确率。(2)在模型训练优化上,使用了Arc Face这一损失函数作为分类器,使用Arc Face函数可以将时频图像的特征向量映射到球面空间,从而更好地区分不同的声音信号,而且当数据集中的分类数超过三千时,这个损失函数的分类效果更好。(3)在声学模型的研究基础上,本文把声纹识别技术应用到身份验证系统之上,对目前的B/S架构的系统或平台的登录添加一个新的身份认证方式,即利用系统用户的声音去验证是否具有该系统使用的合法性,这样做不仅给用户带来了便利,也提升了用户体验感,也在一定程度上提高了系统使用的安全性。
基于深度学习的高分辨率遥感影像道路自动提取研究
这是一篇关于高分遥感影像,道路提取,U-Net网络,改进的残差单元,卷积注意力机制的论文, 主要内容为高分辨率遥感影像蕴含的地物复杂多样,道路作为重要的基础地物之一,分布范围较广。高分辨率遥感影像道路信息的自动化精确提取,在无人车辆驾驶、电子地图导航和智慧城市建设等领域具有较大的应用潜力,是近些年诸多学者研究的热点。因不相关地物如建筑物、行道树遮挡等对道路信息干扰较大,导致高分辨率遥感影像道路信息提取充满挑战。目前,基于深度学习算法的信息提取技术在图像分割领域表现优异,成为诸多学者的研究重点。如何将深度学习算法用于高分遥感影像道路信息提取,提高道路类别辨识精度,以及合理构建高效的道路提取模型,使深层次信息特征得到有效表达,是道路信息提取研究工作中的关键。因此,本文以高分辨遥感影像中道路信息为研究对象,针对在道路提取中因信息特征模糊和“同谱异物”影响而出现的信息缺失、错误等问题,运用深度学习算法进行研究分析,构建了改进的道路提取模型。本文主要的研究工作总结如下:(1)总结了当前道路信息提取过程中所面临的工作难点,对国内外具有代表性的研究方法进行归类概括,并分析其优缺点。介绍卷积神经网络的原理、构成和训练优化方法,并概述了几种经典的卷积神经网络。(2)对马萨诸塞州和Deep Globe道路数据集进行预处理,并分别基于FCN网络、PSPNet网络和U-Net网络构建道路提取模型,对这三种模型在两个数据集的不同场景中,道路提取的可视化结果和精度评定指标值进行分析比较,选取出最佳的道路提取模型U-Net。(3)针对因道路特征模糊及“同谱异物”现象影响,出现的提取缺失、错误等问题,以U-Net网络为基准,构建了一种融合残差和卷积注意力机制的UNet网络道路提取模型。首先,将残差单元中的Re LU激活函数改为一种具有自正则非单调性的Mish激活函数,以缓解梯度消失问题;其次,在U-Net网络中加入改进后的残差单元来加深网络层次,增强特征学习能力,维持网络稳定性;最后,提高模型对道路信息的表征能力以及细化模型的分割能力,抑制其他无关信息的表达,在跳跃连接部分嵌入了卷积注意力机制,提升模型的性能,获得更多的道路细节特征。(4)将改进后的模型分别在马萨诸塞州和Deep Globe道路数据集上进行消融和对比实验。为了证明其普遍适用性,分别选取了四种具有代表性的场景进行对比分析,实验结果表明在两个不同数据集上,改进模型的整体精度、准确率、召回率、F1值等评定指标均优于原U-Net模型,提取效果更加优良;在与Deeplabv3+和CE-Net模型对比时,道路提取的可视化结果和各项精度评定指标,均有一定提升。综上,本文所改进的网络模型性能优良,具有明显的优势及较好的语义分割能力。
基于嵌套多分支网络的纺织品瑕疵检测
这是一篇关于纺织品瑕疵检测,双端输入型网络,自注意力机制,卷积注意力机制的论文, 主要内容为在纺织品生产过程中,瑕疵检测是确保产品质量的重要步骤。自动化和智能化的瑕疵检测方法可以提高生产效率,减少人工检测的错误率,降低生产成本。因此,研究纺织品瑕疵检测技术具有重要的应用和经济价值。随着纺织品产业的发展,织物的图案变得越来越复杂,从而增加了瑕疵检测的难度。本研究旨在探究复杂图案织物样本中瑕疵的检测方法,利用图像增强、骨干网络特征提取以及特征融合等技术,提高检测精准度。具体研究内容如下:(1)基于双端输入型嵌套融合多尺度信息的纺织品瑕疵检测方法研究。针对织物瑕疵检测中复杂纹理区域误判和边缘检测模糊问题,提出双端输入型网络架构WNet。该网络使用了两个骨干分支,分别提取多尺度局部和全局特征。依靠自注意力机制的全局建模能力,在卷积深层网络中补充全局信息,减少深层网络中纹理特征的冗余。为减少深层网络中局部细节信息丢失,提出一种轻量级双分支池化金字塔将浅层多尺度细节特征引入深层模块。为综合各级尺度下的特征信息,提出了一种多尺度嵌套双分支模块将多级感受野的特征信息进行自适应融合。实验表明,该方法的平均F1值达到74.79%,平均查全率达到78.68%,平均查准率达到71.30%。(2)基于融合自注意力机制和递归多级残差的纺织品瑕疵检测方法研究。为了提高复杂图案织物瑕疵检测精度,提出了一种融合Swin Transformer的递归多级残差混合网络U-SMR。针对周期图案数据集样本量过少的问题,提出了一种基于自适应分割算法的周期图案晶格乱序重构方法。U-SMR采用U型结构的嵌套形式,通过混合连接了Swin Transformer Block来提高骨干分支的多尺度全局特征提取能力。在特征融合阶段,提出了递归多级残差模块,该模块可以灵活地调整模块的深度,以适应不同的需求。实验结果表明,U-SMR能够有效地处理复杂的纹理织物瑕疵,并取得了较好的性能。在ZJULeaper数据集上的平均F1值达到了75.33%,平均查全率达到78.54%,平均查准率达到72.39%。在HKU-Fabric数据集上的F1值达到了70.80%。(3)基于双分支非对称卷积注意力的纺织品瑕疵检测方法研究。为了解决复杂图案织物中细小瑕疵漏检的问题,提出了一种基于双分支非对称卷积注意力机制的网络DBACA-Net。本研究针对WNet和U-SMR的骨干网络进行了优化,将Swin Transformer Block加入到Res Net-18的C2通道连接中,既减少了参数量又保留了局部和全局语义信息。为提高细小瑕疵的检测精度,提出了双分支卷积注意力金字塔模块,运用多尺度卷积和非对称卷积注意力机制来提高网络对条形细小瑕疵的敏感性。实验结果表明,DBACA-Net在ZJU-Leaper数据集上的性能显著优于之前提出的WNet和U-SMR方法,检测精度大幅提升,同时也降低了模型计算消耗。在ZJU-Leaper数据集上,DBACA-Net的平均F1值达到了75.66%,平均查全率达到了79.12%,平均查准率达到了72.51%。相比WNet和U-SMR方法,DBACA-Net在F1值、查全率、查准率方面均有提升。
基于机器学习的固废塑料检测方法研究
这是一篇关于固废塑料检测,YOLOv5s,卷积注意力机制,深度集成网络,PyQt5开发平台的论文, 主要内容为现如今,随着城市社会的飞速发展,固体废弃物大量产生,且没有得到良好的分类处理和利用,引发了严重的环境问题。事实上,固废塑料通过技术转换成纤维,继而制作成服装重新上市,从而实现固废垃圾可回收循环利用。因而,固废塑料的有效分拣能够为社会资源循环利用、生态化境可持续发展提供有利支撑。然而,传统的固废塑料人工分拣环境恶劣且分拣效率低下,因而无法满足日益增长的固废垃圾分拣参量需求。针对复杂环境下固废塑料检测效率和精度难以满足要求等问题,本文提出了一种基于机器学习的固废塑料检测方法。主要研究内容有:(1)固废塑料检测模型结构与运行机制研究。构建了基于改进的YOLOv5s的固废塑料认知模型结构,阐明了认知模型的功能要求和运行机制,为固废塑料有效高效精准检测提供理论结构框架。(2)固废塑料深度特征空间构建研究。针对有限固废塑料样本空间,构建了基于YOLOv5s的固废塑料深度特征提取模型;为增加高维度特征相关性且控制计算复杂度,在多尺度卷积块中引入卷积注意力机制(Convolutional Block Attention Module,CBAM),从而构建了基于CBAM-YOLOv5s的固废塑料深度特征空间提取模型,实现了固废塑料属性多尺度融合表征。(3)固废塑料模式分类器构造研究。针对快速高准确率的的固废塑料分类器模型需求,分别构建了基于Softmax机制、基于随机向量函数链网络(Random vector functional link network,RVFL)、基于深度随机配置网络(Deep Stochastic Configuration Networks,Deep SCN)的固废塑料模式分类器模型;为增加分类算法的泛化性能,以SCN为基网络,给出了集成学习机制,构造了固废塑料深度集成网络模式分类器模型,实现固废塑料分类结果的有效获取。(4)固废塑料识别系统开发设计。基于Py Qt5开发平台,设计了基于改进的YOLOv5s固废塑料识别体统软件。设计了镜像、旋转等固废图像数据增强和固废塑料识别算法功能,并开发了系统上位机可视化界面,为固废塑料识别应用提供了技术支撑。(5)针对固废塑料检测,本文开展了大量的参数整定和模型对比实验,以验证本文方法的有效性与优越性。经过实验证明,本文方法在固废塑料模型认知准确性和计算速度时,综合评价方面具有显著优势,可以有效的应用于固废图像塑料成分识别,提升工作效率,为实现固废塑料“机器分拣”代替“人工分拣”探索了一种新的工程技术手段。
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：源码客栈网 ，原文地址：https://m.bishedaima.com/lunwen/54425.html
