摘要：目前城市建筑垃圾大量持续产生且堆积严重,利用率较低同时危害城市生态环境。建筑垃圾的识别是实现建筑垃圾分割、提取以及监测的技术基础,但由于建筑垃圾本身的复杂特征和遥感影像的尺度差异、光谱差异等因素导致其识别和监管困难。提出了一种利用迁移学习再训练模型来实现自动识别建筑垃圾的方法。首先根据建筑垃圾的典型遥感特征构建样本库,样本库包含30292张建筑垃圾和110110张典型地物在内的共计140402张样本。之后基于国际先进的深度学习环境Tensorflow,利用迁移学习在模型的最后一层重新输入了建筑垃圾等6类训练数据集,对inception-v3模型进行了再训练,在较短时间内得到了建筑垃圾识别模型。随机抽取6016张样本构成验证集逐个输入建筑垃圾识别模型,统计验证样本的模型识别结果构成混淆矩阵,得出该模型对所有地物的整体识别率K为97.43%,Kappa系数Ka为0.96,模型识别建筑垃圾的识别精确度Pv为99.10%,识别灵敏度为94.88%。与传统的航片监测、实地考察等纯人工识别方法相比,该方法所需时间较短且识别精度较高,有利于实现建筑垃圾的全过程实时监控和精准管理。

摘要：目的针对目前工业自动化生产中基于人工特征提取的包装缺陷检测方法复杂、专业知识要求高、通用性差、在多目标和复杂背景下难以应用等问题,研究基于深度学习的实时包装缺陷检测方法。方法在样本数据较少的情况下,提出一种基于深度学习的inception-v3图像分类算法和YOLO-v3目标检测算法相结合的缺陷检测方法,并设计完整的基于计算机视觉的在线包装缺陷检测系统。结果实验结果显示,该方法的识别准确率为99.49%,方差为0.0000506,只使用inception-v3算法的准确率为97.70%,方差为0.000251。结论相比一般基于人工特征提取的包装缺陷检测方法,避免了复杂的特征提取过程。相比只应用图像分类算法进行包装缺陷检测,该方法在包装缺陷区域占比较小的情况下能较明显地提高包装缺陷检测精度和稳定性,在复杂检测背景和多目标场景中体现优势。该缺陷检测系统和检测方法可以很容易地迁移到其他类似在线检测问题上。

摘要：随着我国航空紧固件制造业的高速发展,生产车间流水线上的紧固件制造工艺变得越来越复杂。目前,生产流水线上工段内中不同规格产品的流转停留在人工分类阶段,这种做法不仅耗费人力,还很难满足实时处理分类需求。文中提出一种基于图像分类算法的航空紧固件自动分类方法,设计了一套紧固件图像采集和自动分类实施方案,并根据真实工业数据执行评估实验,评估实验统计了卷积神经网络和inception-v3模型的准确率、查全率、查准率和F1值指标。实验结果表明,inception-v3的各项评估指标优于卷积神经网络,inception-v3模型分类的准确率达到98%以上,可以有效对航空紧固件产品实现自动分类。

摘要：传统高校实验室的安防管理高度依赖于管理人员,信息化程度不高,实效性较差。在万物互联的当下,本文基于物联网和人工智能技术提出了一套针对高校实验室安防监控的管理信息系统解决方案,以助力高校实验室的安防管理能力的提升。系统利用物联网技术解决环境实时监控问题,利用改进的inception-v3模型算法和ARIMA模型算法来提升系统的智能监测预警能力。针对传统物联网系统存在的信息安全问题,本文提出了一套安全解决方案来保障系统数据的安全可信,其利用安全芯片设计传感节点和网关设备,基于商密算法和平衡二叉树算法设计轻量级的安全通信协议。

摘要：针对现今的智能垃圾桶使用方法大都无法应用在列车的问题,提出了一种基于迁移学习方法的智能垃圾分类方法.首先建立了12种列车常见垃圾数据集,并应用迁移学习ResNet50模型进行模型设计与参数设计,给出了模型的准确率与模型收敛速度曲线,并与inception-v3模型进行了对比实验,实验结果表明ResNet50模型有更好的识别效果.最后通过PyQt5编写GUI仿真系统,实现了基本的拍照与分类识别功能.

摘要：针对食物图像识别领域中菜品图像识别精度低的问题,提出了融合迁移学习与inception-v3模型的中餐菜品名称及原料识别方法,实现针对中餐菜品名称及原料的识别工作。该方法在预训练模型的基础上对瓶颈层进行训练,并添加新的全连接层,完成对包含172类食物的中餐菜品数据库vIREO Food-172的菜品图像标签分类工作。实验表明:在迭代次数为50000次时,菜品名称识别准确率达到70.85%,原料识别率达到56.26%,同时对该模型进行轻量化压缩,借助移动端架构设计一款中餐菜品识别APP是后续的研究方向。