摘要：传统的植物病害图像识别准确率严重依赖于耗时费力的人工特征设计。该文利用深度卷积神经网络强大的特征学习和特征表达能力来自动学习油茶病害特征,并借助迁移学习方法将Alex Net模型在Image Net图像数据集上学习得到的知识迁移到油茶病害识别任务。对油茶叶片图像进行阈值分割、旋转对齐、尺度缩放等预处理后,按照病害特征由人工分为藻斑病、软腐病、煤污病、黄化病和健康叶5个类别。每个类别各选取750幅图像组成样本集,从样本集中随机选择80%的样本用作训练集,剩余20%用作测试集。利用随机裁剪、旋转变换和透视变换对训练集进行数据扩充,以模拟图像采集的不同视角和减少网络模型的过拟合。在Tensor Flow深度学习框架下,基于数据扩充前后的样本集,对Alex Net进行全新学习和迁移学习。试验结果表明,迁移学习能够明显提高模型的收敛速度和分类性能;数据扩充有助于增加数据的多样性,避免出现过拟合现象;在迁移学习和数据扩充方式下的分类准确率高达96.53%,对藻斑病、软腐病、煤污病、黄化病、健康叶5类病害的F1得分分别达到94.28%、94.67%、97.31%、98.34%和98.03%。该方法具有较高的识别准确率,对平移、旋转具有较强的鲁棒性,可为植物叶片病害智能诊断提供参考。

摘要：【目的】针对红外相机拍摄的野生动物图像数据量大、无效图像占比多、图像背景复杂等问题,提出一种可对图像进行自动、高准确率识别的模型,为生物多样性研究和野生动物保护工作提供更高效的支持。【方法】收集整理近4年来北京园林绿化生态系统监测网络各站点红外相机拍摄的约5 TB图像数据,对其手工标注并进行数据增强后自建10类共4234张图像数据集。基于ConvNeXt卷积神经网络,结合北京地区野生动物图像数据集特点,设计BSGG-ConvNeXt模型,使用BlurPool、SENet、全局响应归一化层(GRN)、GCNet提升模型识别能力,并在自建数据集上探究训练策略对ConvNeXt网络识别准确率的影响,通过与其他经典模型比较,明确BSGG-ConvNeXt模型的优势。利用公开的红外野生动物Snapshot Serengeti(SS)数据集和Caltech Camera Traps(CCT)数据集,验证模型的泛化能力。【结果】以ConvNeXt的ConvNeXt-T网络尺寸模型为例,其在自建数据集中的准确率为74.13%,乘加累积操作数(MACs)为4.47×10^(9)。应用不同改进方案发现,使用BlurPool后准确率提升2.2%,MACs降至1.07×10^(9);使用SENet后准确率提升3.2%;使用GRN并删掉缩放层后准确率升至87.18%,参数数量增至27.88×10^(6);使用GCNet后在不增大计算量的情况下准确率升至75.44%,但参数数量增至28.25×10^(6)。将上述改进方案结合得到的BSGGConvNeXt应用于ConvNeXt-T模型获得BSGG-ConvNeXt-T模型,参数数量虽有少量增多,但MACs降为1.07×10^(9),模型准确率升至83.63%,高于原模型。使用预训练权重后的BSGG-ConvNeXt-T模型准确率可达94.07%,高于ResNet-50(76.39%)、ResNeXt-50(87.60%)、MobileViT(90.00%)、DenseNet(87.66%)、RegNet(69.90%)、ConvNeXtv2(91.93%)、SwinTransformer的(86.23%)和MobileOne(71.53%),将BSGG-ConvNeXt模型应用于4种不同网络尺寸的ConvNeXt模型后,在自建数据集中的表现均优于未改进模型。BSGG-ConvNeXt模型在SS数据集中的识别准确率达50.28%,在CCT数据集中的识别准确率达56.15%,均高于原模型的准确率。【结论】BSGG-ConvNeXt模型识别红外相机拍摄的野生动物图像准确率更高,在自建、公开的野生动物红外图像数据集上均有较好表现,且具有一定泛化能力。

摘要：结合图像识别、模糊自适应PID控制等算法,设计并实现一种自主驾驶智能小车。以NXP的微控制器MK60N512VMD100为核心控制单元,通过CMOS摄像头OV7725检测并分析跑道信息,利用512线光电编码器测定小车的运行速度,并将速度和方向参数反馈给电机和舵机,结合PID算法实现闭环控制。经过多次在实验室模拟跑道实测发现,小车运行轨迹控制较为精确,速度平稳,具备较强的环境适应能力。

摘要：数字图像处理技术对于艺术领域的影响越来越大,特别是图像分割技术。针对美术图像识别中的分割精度问题,提出了一种基于canny算子边缘检测和GrabCut算法的美术图像自动分割方案。首先,通过RGB模型对图像进行预处理,实现对图像进行平滑和锐化。然后,采用canny算子边缘检测对待分割图像进行平滑滤波并计算梯度值。最后,采用GrabCut算法在RGB颜色空间中进行最小化能量函数计算,并按照随机的方法将分割区域与其他区域进行合并从而构造出一张分割图。实验对比结果表明:在直接视觉和量化分析上,相比现有分割算法,提出的方案表现出更好的分割效果。

摘要：我国电子商务和制造业发展态势迅猛,物流企业分拣压力大。因此,基于图像识别和激光扫描设计物流分拣系统。通过分析图像识别技术和激光扫描技术的物流分拣实现原理,设计系统结构,使用PROFIBUS-DP总线连接平台设备,设定重要设备参数配置信息。通过拍摄物流条码图像并进行图像识别与激光扫描,获取货物高度和详细的物流信息,验证货物识别信息与入库信息的一致性,通过PROFIBUS-DP总线上传启动指令,驱动物流分拣器进行工作。进行物流分拣速度标定设计,通过激光扫描技术限制物流分拣中货物之间的最短运输距离。实验证明,系统分拣结果的匹配效率和匹配度双高,更适合在国内物流企业使用。

摘要：针对卷积神经网络在图像识别任务上模型复杂度大、参数量多,首先提出了一种轻量化的SepNet网络结构,该结构在分类器模块上采用克罗内克积替换了传统的全连接层。为进一步优化网络结构,在特征提取模块均衡网络深度、宽度,设计了一个利用深度可分离卷积和残差网络的可分离残差模块,最终形成了一个能实现端到端训练的轻量化网络架构,称为sep_res18_s3。实验分别在MNIST、CIFAR-10、CIFAR-100数据集上验证SepNet的有效性,设计的SepNet网络结构相比VGG10,参数数量和运算量在不损失其精度下均降低了94.15%。同时,相比设计的类残差网络cov_res18_s3,sep_res18_s3仍能降低58.33%的参数量和81.82%的FLOPs。实验结果表明,采用克罗内克积替换全连接层可以在保证训练结果准确度的同时显著降低参数数量和计算成本,并在一定程度上防止过拟合,在此基础上结合深度可分离卷积和类残差结构,证明了sep_res18_s3的有效性。

摘要：针对目前矿井火灾的预测预报主要是依据温度、烟雾、CO、C02等参数进行判别,特别是对矿用电缆火灾监测基本上没有新的方法,并且上述方法在监测的准确性和有效性方面尚不能满足煤矿安全生产的需要。提出了采用图像法对矿用电缆火灾进行预测预报,介绍了矿用电缆火灾图像的处理方法,包括图像剪切、图像分割、灰度化处理、边缘轮廓提取、有效区域填充和面积计算,并用VC++进行应用软件设计。实践证明,图像处理和识别方法合理,效果较好,该方法的研究和应用克服了过去监测方法带来的弊端,对矿井火灾监测预报具有十分重要的理论意义和实用价值。

摘要：西南山区碎裂岩崩灾害频发,为了准确模拟岩崩运动过程,量化岩崩风险大小,必须明确崩塌体体积,但目前尚无一种有效且可靠的碎裂岩崩体积估算方法。基于此,提出一种基于图像识别技术的碎裂岩崩体积精细估算方法,并以2020年雅西高速石棉姚河坝崩塌为例进行应用与验证。通过现场实测与无人机贴近摄影测量方法,确定岩崩堆积区分区及采样区;利用图像处理开源软件(ImagePy),建立块体快速识别步骤,提取块体等效粒径、周长和面积等特征参数;构建基于块体体积分布的碎裂岩崩体积估算方法;以岩崩实例进行方法应用与验证。研究结果表明:(1)ImagePy软件对块体图像识别速度快、精度高;(2)获取的块体体积分布曲线与现场实测体积分布规律近一致;(3)姚河坝岩崩体积估算值占三维点云数据差分法获取体积近80%。综上,利用图像识别技术进行碎裂岩崩块体体积提取与体积估算的方法是可行的,并具有高效率与准确性优势,可应用于碎裂岩崩灾害快速评估与风险量化评价,统计的块体体积分布可为碎裂研究提供数据支撑。

摘要：为了解决特征学习过程中导致聚类的不均衡性,提出一种基于高斯编码的特征学习算法,使用K-means聚类进行特征训练,在编码过程中考虑了数据分布的影响,同时保留了K-means编码的稀疏性。并且鉴于K-means聚类的不均衡,还提出了一种特征选择的方法用于去噪和降维。改进的模型不仅很大程度上提高了性能而且训练时间和计算代价均小。在人脸数据库AR以及对象分类库Caltech101上设计了对比实验,实验结果都验证了该算法的有效性和鲁棒性。

摘要：本文认为,在利用计算机技术进行广告监测的过程中,为克服原有语音系统的不足,应利用图像识别技术。本文在分析现有的视频图像特征抽取和图像识别方法的基础上,针对视频电视广告的识别特点和要求以及广告监测的需求,设计和实现了一整套的、包括软硬件在内的广告监播系统。