摘要：随着深度学习的快速发展,神经网络和深度学习算法已经广泛应用于图像处理。基于FPGA的神经网络加速设计,搭建了以快速特征嵌入的卷积结构(caffe)框架、卷积神经网络为核心的物体识别系统,该系统使用Zynq-7000系列异构多核架构芯片实现。完成了神经网络模型与参数的移植、多层结构的神经网络构建、计算密集度分析以及硬件加速设计。结果表明,设计的基于异构多核平台的caffe框架物体分类系统实现了物体的识别和分类,且识别速度远超传统CPU架构的识别速度,从而为后续的深入研究提供一种新思路。

摘要：以自然环境下采集到的生姜病害图片为基础,对炭疽病、姜瘟病、根结线虫病和白星病进行研究分析,提出一种基于卷积神经网络的生姜病害识别系统。首先是对收集来的图片进行二值化和轮廓分割等预处理,从而增强数据的可靠性。其次,将处理后的图像数据交由优化后的卷积神经网络模型进行分析、学习,并在caffe框架下进行模拟仿真。最后,在已训练好的网络模型基础上利用Qt软件设计人机交互界面,从而达到数据可视化提高系统使用的便捷性。结果表明优化后的模型识别率达到了96%,可以较好地预测和识别生姜的相关病害。

摘要：为在电网应用环境中实现对异常传输电子量的精确化处理,提出基于深度学习的电力系统异常数据自动捕获方法。联合caffe深度学习框架,清洗各类型电力数据资源,通过异常检测标签编码的方式,实现基于深度学习的电力系统异常数据检测。在此基础上,设置多层次的自动化协议栈架构,借助异常数据拷贝计划,建立必要的数据捕获映射条件,实现基于深度学习的电力系统异常数据自动捕获方法的顺利应用。对比实验结果表明,与机器学习型捕获手段相比,深度学习捕获法在单位时间内所能处理的异常传输电子数量值更大,而所需的消耗等待时间却相对更短,符合精确化处理异常传输电子量的实际应用需求。

摘要：针对人工分拣垃圾成本过高影响垃圾分类推广的问题,将计算机视觉中的物体检测应用于垃圾分类领域,实现“云、边、端”协同的垃圾分类检测系统开发。从垃圾物体数据采集和预处理,到配置YOLO v3神经网络模型,并将模型部署在硬件开发板上,通过摄像头识别垃圾物体并完成垃圾分类检测任务,实现理论研究到生产实践落地的整个过程。

摘要：以常见的大豆病害图片为样本,研究分析了大豆的叶斑病、花叶病、霜霉病和灰斑病,并利用卷积神经网络技术设计了针对大豆的病害检测系统。通过对病害图片的二值化和轮廓分割等预处理来获得神经网络模型的训练集,并在此基础上对模型进行了多方面的优化,利用caffe框架对优化后的网络模型进行了识别率等方面的实验验证。此外,为提高模型使用的便捷性,本实验使用了Qt软件为该系统设计了人机交互界面,从而进一步实现了数据可视化。

摘要：目前,水凝胶挤出式打印成型过程中极易出现成型问题,例如打印断丝和打印物体坍塌现象时有发生。所以通常打印时需要实验员长时间守在打印设备附近,观察打印情况。但由于打印时间较长,这样十分浪费时间和人力。针对这一情况,采用计算机视觉技术,利用卷积神经网络技术设计了针对水凝胶挤出式打印成型的实时监测系统。通过对打印过程中出现的情况建立数据集,借用caffe框架的便利,对神经网络结构进行修改优化,并通过数据集进行训练获得网络模型。然后,对网络模型进行了"正常"、"断丝"、"坍塌"、"阻挡"4种类型状况下检测识别率的实验验证。实验证明该检测模型平均准确度达78%。另外,该实验使用PyQt5软件通过Python语言为该系统设计了人机交互界面,实现了数据可视化。

摘要：本文基于高等院校课堂考勤管理的实际情况及需求设计一个基于本地人脸识别的考勤系统,采用了RFBnet网络及caffe框架等新兴图像处理技术,识别效率和精度高;同时采用云服务器接收和处理考勤数据,跨平台实现考勤数据的实时查询,极大地方便了管理员的操作,提高了工作效率。

摘要：为了提高猪肉新鲜度检测的实时性,提出了基于caffe框架与ResNet残差神经网络的猪肉新鲜度分级的新方法。根据理化试验结果将猪肉的新鲜度分为7级,并在理化试验前拍摄对应的猪肉照片作为样本进行网络训练。在网络训练完成后分别用同源和异源样本图片对系统分级准确率进行验证,结果显示系统分级的准确率均达到95%以上,说明该系统能够很好地对猪肉新鲜度进行分级。与传统的理化试验检测新鲜度的方法相比,在保证了分级准确率较高的同时,检测过程简单、实时性高、无损,是一种更高效的猪肉新鲜度分级方法。