摘要：为了改善人工检修心盘螺栓浪费大量人力,检修作业效率过低的缺陷,研究基于Faster R-CNN的铁路货车心盘螺栓智能检修方法。利用机器视觉设备采集铁路货车心盘螺栓图像,对所采集图像进行膨胀与腐蚀处理,获取图像的感兴趣区域。设置图像的感兴趣区域作为Faster R-CNN模型的输入,Faster R-CNN模型利用RPN部分,生成螺栓状态检测区域,通过池化层与全连接层的运算,输出铁路货车心盘螺栓状态检测结果。针对非正常状态的铁路货车心盘螺栓,利用全自动拧紧机通过自动卡紧、自动对位拧紧等操作,完成心盘螺栓的全自动维修。实验结果表明,该方法可以精准检测铁路货车心盘螺栓的正常、松动、丢失等状态,全自动维修非正常状态的心盘螺栓,提升铁路货车心盘螺栓检修的作业效率。

摘要：采用机器学习中卷积神经网络的方式对获得的心电图数据进行学习,提取心电图数据中的特征因素进行分析建模,利用建立好的预测模型对患者的心电图数据进行分析,根据分析得到的结果判断患者是否患有心脏病,然后进一步给出患者具体的心脏病类型。利用深度残差卷积神经网络算法进行模型的建立以及模型训练,在模型训练的过程中,对批处理脚本大小、卷积核大小、池化窗口大小等进行进一步的最优化预测,以期得到较好的训练模型,最终根据训练好的模型得出实验结果。实验结果显示该系统能够在保证较高的准确率的情况下,利用心电图数据实现对心脏病患者的实时预测,并根据预测的结果给出详细的分析报告,以方便医生和患者对病情进一步了解,达到更好的治疗效果。

摘要：针对包含目标、尺度和平移变化较强的空间信息难以获取大量训练样本的问题,提出一种基于深度卷积神经网络(deep convolutional neural network,DCCN)的弱监督学习方法,从3个层面对当前卷积神经网络进行扩展。为了提取分辨率更高的局部特征,同时考虑到全卷积网络(full convolution network,FCN)在全监督式学习下的高效性能,使用FCN作为后端模块;为了获取更多的通用特征,增加一个多映射弱监督学习的传输层,对与补充性类模态相关的多个局部特征进行显式学习;为了优化训练过程,改进了池化层,使用全局图像标签进行训练,将空间得分聚合为全局预测。使用图像分类、弱监督逐点目标定位和图像分割3种常用的机器视觉任务进行评估。多个公开数据库的实验结果表明,所提方法能够有效地学习强局部特征,具有良好的分类和定位效果。

摘要：针对传统水陆分割线提取算法受光照等环境因素干扰算法准确率降低的问题,提出一种改进FCN的水陆分割线提取方法。去除FCN-8s的最后一个池化层并使用空洞卷积替代第五阶段卷积层,融合第二个池化层的输出特征,保留更多网络学习过程中的重要信息,提高模型分割精度,利用分割的结果确定水陆分割线。实验结果表明,该算法能够克服光照等因素的干扰,对水陆分割线提取准确率达到95%以上,优于传统的提取算法,在水资源管理过程中具有极大的应用价值。

摘要：卷积神经网络(CNN)和反向传播神经网络结合组成的深度学习模型,是目前应用比较广泛的深度学习模型,但是具体算法有多种.本文针对以CNN为主体的深度学习算法的实现技术,包括卷积核设计、池化的作用、激活函数的选取和训练过程等问题进行详细讨论,并结合实例进行说明,便于对卷积网络深度学习算法的掌握,使其能得到更广泛的应用.最后总结并展望卷积神经网络未来的研究方向.

摘要：针对传统图像分割方法对于形状起伏较大和边界模糊的目标无法获得较高分割精度的问题,文中提出使用深度学习方法分割医学图像以辅助医生进行诊断和治疗。使用卷积层、池化层和反卷积层设计了一个包含5个卷积层、3个池化层和1个反卷积层端到端的卷积神经网络,使网络可以获得与输入图像尺寸一致的输出。使用50组临床胸部CT图像的仿真与测试结果表明,所提出的深度神经分割网络能较好地实现端到端分割出胸部CT图像,网络各卷积层对不同的组织与结构均具有不同的响应值。

摘要：针对传统立体匹配算法特征提取能力有限,多步骤、多模块的任务处理方式容易造成误差累积并且计算过程繁冗复杂等问题,本文在基于卷积神经网络立体匹配算法基础上改进了网络结构,设计了一个端到端的六层卷积神经网络框架预测视差,可以生成保留细节信息良好的视差图。

摘要：基于卷积神经网络,对某尾矿区1997—2019年水平位移监测数据进行了方向自动识别。该法首先改进神经网络的卷积核并设计卷积-池化结构,然后将多年监测数据分类为训练集、验证集与测试集,并设置其构成比例与运行参数。实验结果表明,采用卷积神经网络模型进行尾矿区水平位移方向自动识别,具有较高的效率和精度,数据运行时间为636.5 s,识别相对精度为0.23%,该法不失为一种健壮性好、普适性强的水平位移方向识别新方法。