-
题名基于优化的VGG-16网络模型的煤矸识别研究
- 1
-
-
作者
黄可
樊玉萍
董宪姝
马晓敏
-
机构
太原理工大学矿业工程学院
矿物加工科学与技术国家重点实验室
-
出处
《矿业研究与开发》
CAS
北大核心
2024年第9期219-226,共8页
-
基金
国家自然科学基金国际(地区)合作与交流项目(51820105006)
山西省重点研发计划项目(202202090301009)。
-
文摘
针对复杂工况下煤矸识别效率低、分选难度大的问题,采用VGG-16网络搭建煤矸识别模型,对煤矸识别模型的识别准确率和识别环境影响因素进行了研究,并对VGG-16煤矸识别模型进行了优化。结果表明:(1)优化后的VGG-16网络模型准确率为97.00%,单张煤矸图像识别时间为0.0697s,单张煤矸图像识别所用时间缩短了0.85%;(2)在不同水分、灰分和粉尘等环境因素下,煤矸识别模型的准确率均达到95%以上,其中水分对模型的识别准确率影响最大,表面浸润30 s比干燥的识别准确率低2.01个百分点;(3)鉴于煤与矸石的共伴生特性,对煤表面夹矸、矸表面带煤两种复杂情况进行了煤矸有效识别。研究表明:优化后的VGG-16网络模型具有一定的抗干扰能力,可以实现复杂情况下煤矸的高效精准识别,可为后续煤矸石智能化分选提供理论基础和技术支撑。
-
关键词
煤矸识别
vgg-16网络模型
识别准确率
环境因素
-
Keywords
Coal gangue identification
vgg-16 network model
Identification accuracy
Environmental factor
-
分类号
TD94
[矿业工程—选矿]
TD391.41
-
-
题名利用改进型VGG标签学习的表情识别方法
被引量：4
- 2
-
-
作者
程学军
邢萧飞
-
机构
河南工业大学漯河工学院信息工程学院
广州大学计算机科学与网络工程学院
-
出处
《计算机工程与设计》
北大核心
2022年第4期1134-1144,共11页
-
基金
河南省科技攻关计划基金项目(222102110011)
国家自然科学基金河南省联合基金项目(U1604149)
河南省教育厅自然科学基金项目(19A520006)。
-
文摘
针对图像表情判别精度低下的问题,提出一种基于改进型VGG-16网络的人脸表情识别方法。为解决传统方法存在像素特征分布不均的问题,采用基于改进的高斯混合模型进行图像特征数据的有效提取;基于改进的VGG-16深度神经网络,增强人脸表情识别的训练样本,实现对采集的图像数据多表情多场景精准区分。基于通用数据集及自采集数据集进行仿真实验,验证所提方法在表情识别的准确度和速度方面都展现出一定优势,尤其在黑暗条件下识别准确率可达90%左右。
-
关键词
表情识别
vgg-16网络模型
高斯混合模型
相关情绪标签分布学习
正则化学习
红外图像
-
Keywords
expression recognition
vgg-16 network model
Gaussian mixture model
correlation emotion label distribution learning
regularization learning
infrared image
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于深度学习的学生课堂行为识别
被引量：37
- 3
-
-
作者
魏艳涛
秦道影
胡佳敏
姚璜
师亚飞
-
机构
华中师范大学教育信息技术学院
-
出处
《现代教育技术》
CSSCI
北大核心
2019年第7期87-91,共5页
-
基金
国家自然科学基金项目“基于记忆的不变图像特征学习方法研究”(项目编号:61502195)
湖北省自然科学基金项目“基于I理论的深度学习方法研究”(项目编号:2018CFB691)
中央高校基本科研业务费项目“基于深度学习的学生课堂行为识别研究”(项目编号:CCNU19QN023)的阶段性研究成果
-
文摘
随着教育步入智能时代,智能化的学生课堂行为识别变得越来越重要。但由于学生的课堂行为复杂多变,使得智能化的学生课堂行为识别存在困难。为了提高智能化学生行为识别的精度,文章首先采集了300名学生的7种典型课堂行为图像,并进行了数据预处理。随后,文章将已在ImageNet数据集上训练好的经典深度网络模型——VGG16网络模型迁移到学生课堂行为识别任务中。最后,通过与其它深度学习模型进行实验对比,文章验证了VGG16网络模型对学生课堂行为具有较高的识别精度。上述研究表明,基于深度学习的学生课堂行为识别能及时、精准地反馈学生的课堂学习情况,有利于教师改进教学方法、优化课堂教学与管理,从而提高教与学的效率,助力教学改革。
-
关键词
学生课堂行为
行为识别
深度学习
vgg16网络模型
-
Keywords
students’ classroom behavior
action recognition
deep learning
vgg16 network model
-
分类号
G40-057
[文化科学—教育学原理]
-
-
题名基于SVDD与VGG的纽扣表面缺陷检测
- 4
-
-
作者
樊鑫江
佟强
杨大利
侯凌燕
梁旭
-
机构
北京信息科技大学计算机学院
-
出处
《计算机工程与设计》
北大核心
2024年第3期918-924,共7页
-
基金
国家自然科学基金项目(6177010360)。
-
文摘
为解决纽扣表面缺陷检测中人工效率低下,且无需对纽扣表面瑕疵进行分类的问题,提出一种基于DEEP SVDD与改进VGG16的纽扣表面缺陷检测模型。在VGG16中增加BN层加快网络收敛;为提升网络特征提取能力引入SE注意力模块;使用全局平局池化替代全连接层,减少模型参数量,使模型更加健壮。实验结果表明,改进后的模型在DEEP SVDD中的两种方法软边界及一类方法的AUC值分别提升7.7%、5.9%,均高于96%,单张检测时间仅4.5 ms,模型性能满足实际要求。
-
关键词
纽扣表面检测
深度支持向量数据描述
vgg16网络模型
注意力机制
全局平均池化层
批量归一化
深度学习
-
Keywords
button surface inspection
DEEP SVDD
vgg16
attention mechanism
global average pooling
BN layer
DEEP learning
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名一种基于深度学习的舰船目标融合识别算法
被引量：2
- 5
-
-
作者
李家起
江政杰
姚力波
简涛
-
机构
海军航空大学信息融合研究所
海军装备部信息系统局
-
出处
《舰船电子工程》
2020年第9期31-35,171,共6页
-
基金
国家自然科学基金项目(编号:91538201,61971432,61790551)
泰山学者工程专项经费资助。
-
文摘
低分辨率SAR(合成孔径雷达)卫星遥感图像具有大幅宽特点,是广域海上目标搜索的重要手段,但相较于高分辨率遥感图像,可用于目标识别的特征较少,导致识别性能有待提高。论文探索并设计了一种基于深度学习的低分辨率多极化SAR卫星遥感图像舰船目标融合识别的算法。首先,以多极化SAR图像为输入,利用改进的VGG16网络提取图像特征得到各极化通道的分类结果,同时自动学习各极化通道的权重,然后,对分类结果进行决策级加权融合;最后,利用公开的OpenSARShip数据集进行实验验证,结果表明,与单极化SAR图像舰船目标识别以及其他融合识别方法相比,该算法一定程度上提升了舰船目标识别效果。
-
关键词
舰船目标识别
低分辨率图像
多极化SAR卫星遥感图像
vgg16网络模型
-
Keywords
ship target recognition
low-resolution image
multi-polarized SAR satellite remote sensing image
vgg16 net⁃work model
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名铁路异物入侵深度识别网络快速训练算法
被引量：1
- 6
-
-
作者
沈悦
-
机构
北京交通大学机械与电子控制工程学院
载运工具先进制造与测控技术教育部重点实验室(北京交通大学)
-
出处
《电子设计工程》
2019年第22期48-54,共7页
-
基金
国家重点研发计划(基于空天车地信息协同的轨道交通运营与安全综合保障技术)(2016YFB1200100)
-
文摘
异物侵入铁路限界对铁路系统可靠性造成了极大的威胁。为达到高分类准确率及低模型内存占用率兼备的目的,针对既有技术方法中分类效果、泛化性能较差以及耗时久、模型占用空间大等问题,本文提供了一种快速训练算法,采用网络迁移压缩同时进行的方式,提出基于特征图L1或L2范数的递归式裁剪准则剔除冗余卷积核以压缩网络。对于单个相机新场景的目标分类任务,只需使用在混合场景数据上得到的最优分类网络模型通过压缩和微调训练便可以实现不同场景铁路异物分类的快速训练。实验表明,在基于铁路场景数据库的测试中,该算法可以将原始VGG16模型的参数消耗内存压缩1020倍,在不同的单个相机场景测试样本库上压缩后网络的分类误差最低为0.34%。
-
关键词
铁路异物分类
卷积神经网络
vgg16深度网络模型
迁移压缩
-
Keywords
railway obstacle classification
convolution neural network(CNN)
vgg16 deep network model
transfer compression
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
U215.8
[自动化与计算机技术—计算机科学与技术]
-
