摘要：项目式人工智能实验课程教学模式以学生为中心,依据人工智能项目的开发流程,把实际生产的各环节引入课堂教学,利用课程算法设计符合实际生产场景的实验教学案例,探讨人工智能实验课程的教学内容、教学模式及考核机制。该文以Alex Net模型对脑部肿瘤医学图像的分类识别为例探讨项目式课程教学模式的设计过程,使用人工智能算法解决社会实际问题的实验案例不仅能有效激发学生的学习热情,也能培养学生独立解决实际问题的综合能力和自主学习能力。

摘要：针对传统的工件识别流程是由人工根据工件的特点设计需要提取的特征,整个过程具有耗时高、成本大、通用性较差和识别准确率不高等问题,改进了经典的卷积神经网络模型alexnet和LeNet-5,通过将alexnet网络的输入图像尺寸缩小到120×120,用BN层代替LRN层,减少两层卷积和全连接层,用3×3的卷积核代替第一层卷积层11×11的卷积核;将LeNet-5的输入图像尺寸提升至60×60,用ReLU取代原始Sigmoid激活函数,使用多个小卷积核代替大卷积核;分别使用改进前后的网络模型对工件数据集进行训练、测试.结果表明,改进后的两种网络模型,在测试集上分别达到94.31%和92.75%的平均识别准确率,平均识别时间分别为0.271s和0.321 s,满足生产需求.

摘要：为了改善桥梁结构健康监测数据多模式异常检测难以全覆盖的问题,提出了基于迁移学习图像识别技术的数据异常检测方法。首先,绘制结构应变和温度数据时程图,统计分析数据日周期变化规律,并标记异常类型作为训练集;通过图像仿射变换实现数据增强,减少网络对不平衡数据集的过拟合。其次,以alexnet预训练网络为基础,选择迁移学习策略,建立多个对比模型用于分析不同优化算法、初始学习率、Dropout取值和结构轻量化对网络识别结果的影响;以模型分类准确率、训练速率和内存需求作为评价指标,获得性能优越的监测数据异常检测深度网络模型,模型对试验数据的异常分类准确率可达95.5%,体量可缩减94.7%。最后,基于优化模型编译数据异常检测模块,并以某斜拉桥一个月的监测数据为例进行验证,验证集准确率为98.0%。所提方法准确率高、计算速度快、内存需求小,方便应用于桥梁健康监测数据预处理平台。

摘要：在复杂图像中提取文本信息是模式识别研究的热点,应用前景广阔。自然场景中的门牌号背景复杂,字符风格多样,识别难度较大。基于卷积神经网络设计一种识别方法,可以达到较好的识别效果。在方法设计中用灰度化手段来弱化自然场景中的背景信息,突出重要特征。基于alexnet改进网络,加深网络的深度,在激活函数的后面使用批归一化BN,并在全连接层中应用较低比例的Dropout策略。使用谷歌街景门牌号数据集(SVHN),训练约13个小时,识别率达到94.58%。

摘要：实现了一种基于深度学习的静态手势识别算法,通过图像采集、数据增强、CNN建模、参数训练等构建基于卷积神经网络的静态手势识别模型,并通过测试集验证模型准确率。图像训练集和测试集分别通过笔记本内置摄像头采集并通过数据增强算法进行扩充。CNN模型采用alexnet网络,实验采用TensorFlow平台。结果表明算法准确度较高,为下一步进行动态手势识别算法设计打下良好的基础。

摘要：随着服装电子商务的快速发展,服装的种类日益增加,根据服装的纹理设计对其进行分类变得越来越重要。传统的图像处理方法已经很难应对越来越复杂的图片背景。为了解决这个问题,本文提出了一种改进的CNN用于服装分类方法,对原有的CNN模型进行结构的调整并在调整的结构中增加卷基层。将改进的算法应用于不同服装数据集上,对Fashion数据集的分类准确率为84.5%,对CAD数据集的分类准确率为77.8%。两个不同数据集的实验结果显示,改进的模型比现有的两个著名的CNN模型(alexnet和VGGNet)有着更高的准确率。

摘要：为了实现在复杂环境下具有较高准确率的交通标志识别以及在小样本情况下也能良好工作的识别网络,提出一种基于卷积神经网络和多类SVM的交通标志识别模型。此模型不需人工设计特征提取算法,且在小样本训练集上也能训练出具有较高准确率的分类模型。除此之外,利用迁移学习策略,避免重新初始化卷积神经网络,在节省大量样本与训练时间的同时能有效避免过拟合的发生。实验结果表明,提出的分类模型在小样本训练集上进行训练后得到的模型在实际测试中有较好的表现且对处于复杂背景下和严重畸变的交通标志具有可靠的识别能力和良好分类结果。

摘要：在实际的生产过程中,织物的印花图案往往由循环图案基元排列而成。然而基于传统的人工织物循环图案基元分割会消耗大量设计成本,因此实现基元的自动分割,有非常重要的研究意义。近年来,随着深度学习技术的快速发展,为解决该问题带来新的希望。针对印花织物循环图案基元分割,该文提出了一种基于深度学习的循环图案基元分割算法。该算法利用预训练alexnet网络的卷积层进行特征提取,织物图像输入网络后,在网络特征层中会产生规律的激活峰值,每对峰值对应一组位移向量。并且对位移向量进行投票,出现次数最多位移向量的绝对值即为循环图案基元的尺寸。随后在印花织物中找到对应区域,从而实现完整循环图案基元的分割。对比传统算法,该算法不仅可以分割出简单印花织物的循环图案基元,还可以分割复杂印花织物的循环图案基元,达到了更高的准确率,具有更强的鲁棒性。

摘要：板形缺陷识别对于矫直机在矫直过程中具有重要意义,针对传统板形缺陷识别精度低、操作繁琐等问题,以alexnet模型为基础,提出一种基于卷积神经网络的板形缺陷识别模型(OP-alexnet)。在预处理阶段利用双立方插值算法对数据集中的图片进行尺寸的统一并进行标准化操作。对alexnet模型结构进行优化,包括调整卷积核大小并减少两层卷积层,删除一层全连接层降低网络复杂度;对卷积层提取的特征批量归一化(batch normalization,BN)以加快网络的收敛速度,激活函数选择LeakyReLU(Leaky Rectified Linear Unit)替换原结构的ReLU(Rectified Linear Unit)激活函数以减少静默神经元的出现。实验结果表明该模型最终识别精度达到91.3%,相比alexnet模型提高了16.2%,并具有更好的鲁棒性,能够满足板形缺陷识别的要求。

摘要：交通标志的检测与识别已经成为计算机视觉与智能交通系统的热点研究方向。在alexnet网络的基础上进行检测,同时使用RPN网络结构进行候选区域的提取,在池化层后利用Batch Normalization层将每层的输入值进行归一化。在识别阶段提出多级分类识别的算法,先后将检测阶段产生的潜在目标区域通过SVM分类器和CNN网络识别,在设计CNN网络时引入Inception结构,利用多卷积核学习更为丰富的特征。实验证明,提出的交通标志检测与识别算法在时效性和正确率都有极好的表现。