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：针对特定业务分类的需求,无从下手设计深度神经网络模型的问题,提出一种基于多参数融合逐步优化深度神经网络的设计方法。先通过分析样本和类别确定初始的无隐层神经网络模型,然后在初始神经网络的基础上逐步增加隐层,构建多参数融合优化的深度神经网络。基于tensorflow框架,以手写体数字识别为例,逐步设计一个深度神经网络模型,整个实验过程中不断调整网络结构、激活函数、损失函数、优化器、学习率和样本批次大小,最终设计出多参数融合优化的具有较高准确率的深度神经网络模型,为构建神经网络提供了一种有效的思路。

摘要：本文通过深度学习实现了银行卡号的定位与识别功能,通过对数据集的采集与标注,来为深度学习模型提供训练样本。其中,定位功能使用了文本定位EAST模型,并在此基础上扩充并实现了Advanced EAST模型;识别功能采用了CNN(VGG网络架构)与RNN的结合来实现此模型,并以CTC作为损失函数来优化。最后对两个主要功能进行了封装设计,实现了与用户交互使用的功能。

摘要：论文利用先进的波分复用技术、计算机通信技术、光纤测量技术和机器学习tensorflow框架等设计实现了光纤链路监测系统,该系统实现了对光纤链路的状态自动监测、故障分析和定位、故障管理和维护安排、线路状态预测,该系统投入运行后降低了维护成本、减少了运维时间。

摘要：针对多数中小企业仍然采用传统工厂模式现状,设计了一套基于机器视觉的智能工厂中枢系统。将云平台、机器视觉和工业机器人相结合,能够实现云办公管理,多生产线统一管理,智能监控生产线状态,联动显示实时生产数据和远程控制执行功能,涉及MQTT、Frp、OpenCV及MoveIt框架等关键技术。测试结果表明,分拣平台能完成运动鞋的识别定位及抓取,达到了较好的分拣效果。系统为企业规范管理、提高效率、安全生产、产品溯源起到了一定的促进作用。

摘要：声纳显控的智能化能降低声纳使用者的操作难度,提高声纳使用效率,在实战中具有重要意义。在具备可扩展性的声纳显控开发平台下,基于tensorflow的深度学习框架,论文提出了一种智能化声纳显控设计的方法,给出了相应的可行性分析,具有一定的应用前景。

摘要：学习桌椅应体现人文关怀,为引导学生建立健康学习方式而设计。目前市场销售的学习桌椅存在着不少设计方面的缺陷,如果学生长时间使用这类不良桌椅,必然会导致一系列不良姿势,并从姿势性变异发展为习惯性变异,导致结构性病变,不仅导致学习效率低下,而且严重损害人体健康。针对青少年眼部疾病、脊椎病、上肢及下肢疾病等四类常见病的成因,综合行为学、美学、医学等多个学科,从健康的角度,特别是在行为导向方面,对青少年学习桌椅进行了改良设计。

摘要：当今互联网趋势下,实体服务行业越来越倾向于与线上的互联网进行深度合作,讲究服务以质量取胜、以人性化、个性化取胜。故在这样的背景下,以传统的打广告的模式来吸引观众去电影院看电影的方式在逐渐被更智能化、更具有针对性的精准推送的线上方式所取代。为了更好地服务喜欢看电影的观众,开发了这个基于文本的卷积神经的个性化电影推荐系统。此系统使用神经网络将自然语言处理与电影推荐相结合,利用MovieLens数据集训练一个基于文本的卷积神经网络,实现电影个性化推荐系统。最后使用django框架并结合豆瓣爬虫,搭建了推荐系统Web端服务。

摘要：为解决传统图像分类算法存在特征提取复杂、训练时间长、分类精度较差等问题,提出一种用于图像分类的改进卷积神经网络方法。首先对卷积神经网络结构、池化运算、激活函数、分类器等方面进行介绍,其次设计了该模型的图像分类算法,最后用TensorFowl对MNIST数据集进行试验,并与传统分类算法进行对比分析。结果表明,将改进卷积神经网络应用于图像分类中,能避免对图像进行复杂的预处理,防止过拟合现象,收敛速度快,分类准确率高达99.22%,其分类性能明显优于其他方法。

摘要：本次设计使用tensorflow搭建了一个用于人脸识别的卷积神经网络模型,在个人电脑上使用大量照片反复训练该模型,树莓派作为识别模型的载体,通过装载在树莓派上的摄像头采集人脸照片,调用训练好的识别模型来进行人脸识别,由树莓派控制继电器,继电器控制门锁的打开和关闭。同时,添加了记录模块,并将每次验证的图像上传到服务器,以便进行后续的查看。实现了刷脸开门的功能。