摘要：随着现代医疗水平的快速提高,医疗废弃物品的处理问题显得尤为重要.本文针对医疗废弃物品的无接触收集问题,设计了一种医疗废弃物品收集小车.通过OpenMV搭配自行训练的mobilenet神经网络模型对废弃物品进行实时识别、定位,并进行抓取操作.实验结果表明,小车能够以较高的识别率识别出已训练过的物品并能对其进行准确抓取,较好地应对医疗废弃物处置问题.

摘要：为达到掘进过程中掘进机可实时预测前方地质状况的目的,以实际工程案例的岩渣图片数据为基础,分析传统神经网络模型的结构特征,自主设计轻量化网络模型,并对岩渣图片进行训练,使用岩渣图像数据调整mobilenet轻量化网络模型参数。结果表明:1)传统的神经网络算法参数量多,占用内存量大,无法在现场部署算力有限的岩渣识别边缘终端,而自主设计的轻量化网络可以满足现场岩渣图像分类准确性的要求;2)mobilenet轻量化网络模型比传统网络模型减少了80%~90%的计算量,但岩渣图像分类准确性达到97%。

摘要：随着我国垃圾分类制度的加速推行,基于虚拟/增强现实技术的垃圾分类应用大量涌现。受识别设备平台及居民应用习惯等方面的影响,针对目前该类应用在便捷性、实用性上存在较大不足,提出了一种基于轻量化神经网络并融合移动增强现实及可视化技术的垃圾分类应用方案。首先,提出了基于深度学习的垃圾分类可变扩张卷积VD-mobilenet模型方法能够解决移动设备中存在的计算能力有限、网络庞大等问题,通过在mobilenet模型中引入空洞卷积增加感受野、扩大垃圾的特征信息以提升分类精度,引入LeakyReLU激活函数优化网络的表达能力;其次,将该模型与WebAR技术结合,设计了一款面向移动设备的轻量级垃圾分类信息可视化系统,该系统具备跨平台特性,实现了对分类信息的多元化可视呈现,提供了灵活的交互方式。实验及评估表明,该VD-mobilenet模型在垃圾分类数据集中分类效果良好,能够在参数量不变的前提下有效减少计算量,此外结合该模型所设计的WebAR应用系统可为用户的垃圾处理事务提供合理有效地协助。

摘要：针对用户家中服装存放无序、分类管理难度大且效率低下等问题,提出了一种基于树莓派的服装识别系统,该系统使用树莓派作为嵌入式开发板。系统通过树莓派调用摄像头获取待存放的服装图片,将图像传输到已训练好的mobilenet模型为核心的服装识别系统中进行类型识别;最后将服装识别的结果和相对应的储存位置通过语音的方式告知用户,以便用户快速准确地找到服装储存的位置。经实验测试,服装识别的正确率为95.19%。系统能够在准确识别服装的基础上,获取该类服装在衣橱中的存放位置,以帮助用户高效、准确地分类管理不同款式的服装。

摘要：目前人工智能技术已经渗透到媒体日常生产的全部环节,研究面向内容安全的图像识别技术,对网络中的违法不良图像信息进行识别和监管,具有重要的现实意义。本设计利用深度可分离卷积神经网络和mobilenet模型,配合cuDNN的GPU并行计算架构,对构建的敏感图像数据集进行训练。保存训练完成的模型,对敏感图像实现较高准确度的识别。

摘要：基于机器视觉与深度学习的医疗垃圾分类系统包括目标定位系统和智能识别系统。目标定位系统由OpenCV检测并定位待识别物体,智能识别系统应用深度学习的mobilenet模型对识别物体进行训练和分类。以手术钳、手套、输液带和注射器为例,实验结果表明,设计的医疗垃圾自动识别分类系统的识别精度大于99%。该系统在应用于实际的医疗垃圾分类中,能有效减少人工投入、降低分拣员受病毒感染的风险。

摘要：在大雾天或冬季路面积雪的环境,会影响车辆驾驶的安全性,甚至发生安全事故。使用树莓派平台,提出了一种基于卷积神经网络(CNN)的图像检测算法,用于实时检测雾气和道路表面积雪。使用树莓派开发板和一个摄像头实时获取雾气和路面积雪的信息,通过mobilenet深度学习算法检测道路情况。实验表明,其对雾气和路面积雪的检测准确率为97%以上。并且证实mobilenet的深度学习算法的在树莓派上的工作速度优于ResNet50等算法。