基于深度学习的鱼类智能识别系统的设计与实现

中国拥有种类繁多的鱼类,外形是其分类的重要依据.但目前主要采用人工识别方法进行分类,为解决鱼类人工识别存在的问题,提出一种基于深度学习的鱼类智能识别系统的设计,以实现对中国1400种鱼类的智能识别.系统首先采用卷积神经网络的Efficient模型,将含有1400种鱼类,50万张鱼类图片的数据集进行训练,最终得到的模型识别精度达到了95%,单张图片识别时间仅为0.2 s,模型大小为74.5 MB.系统前端使用微信小程序,后端采用Spring+SpringMVC+Mybatis的SSM架构,调用训练好的模型文件进行识别,实现了鱼类识别,页面呈现,统计分析和相邻种类推荐等功能.该系统所提出的设计和实现方法对鱼类智能识别技术在移动端的应用提供了一种可行的思路,对海洋科研人员和开发人员有一定的借鉴作用.

基于深度学习的虫草智能化分拣系统研究

冬虫夏草作为中国传统名贵中草药的一种,以其极高药用价值和医疗效果受到人们的青睐,但因其生长环境恶劣导致采摘难度大,致使虫草在收购时价格居高不下.近年来,随着人们生活水平的提高,虫草的需求量呈上升趋势,进而导致市场上虫草的伪品层出不穷,不仅损害收购商与消费者的经济利益,同时存在用药安全的潜在危险.针对现今市面上虫草分拣设备匮乏,人工分拣效率低下,错误率高等问题,本文围绕基于深度学习的虫草智能化分拣系统展开研究工作.系统结合图像处理技术和嵌入式技术,通过深度学习算法识别虫草及其伪品图像并完成分拣工作,尤其是在虫草识别算法上,将SURF算法提取的多点特征图像作为卷积神经网络输入,通过人工蜂群算法替代传统梯度下降法优化权值更新速度,相比于传统算法,系统的识别精度得到较大提高,识别速度加快. 论文的主要工作总结如下: (1)虫草分拣系统关键技术分析及方案构建.首先,通过从深度学习的发展,主流模型的比对和其在不同领域的应用三个方面进行研究,对深度学习框架进行选型.其次联系系统自身功能需求以及系统设计原则,构建由图像采集识别模块以及分拣控制模块构成的系统整体工作方案,其中图像采集识别模块设计包含图像采集模块和图像识别模块. (2)系统硬件分析与设计.根据系统的需求分析,构建了系统的整体硬件结构框架.首先,通过对工业相机,镜头,光源,图像采集卡和红外检测模块的选型与设计完成对图像采集模块的搭建.其次,对微处理器及最小系统,舵机以及显示屏的选型与设计搭建分拣控制模块,用以实现控制分拣的功能. (3)系统软件分析与设计.通过对图像采集模块中图像采集卡以及工业相机硬件外触发功能进行参数配置,以保证物体在进入图像识别区域,红外检测模块能够完成触发拍照.进而,在上位机Anaconda平台上链接OpenCV视觉库,运用Python语言和Keras框架搭建卷积神经网络,对基本的图像识别流程进行设计,为下一步的深度学习算法做铺垫,并设计上位机软件调节功能.最后,通过对红外检测传感器,舵机以及显示屏进行软件设计,实现虫草真伪品分拣. (4)图像预处理及深度学习算法研究.在预处理阶段,通过对图像进行灰度化,高斯滤波和中值滤波进行图像噪声处理,直方图均衡化进行图像增强,Canny算法进行图像边缘检测这四步,确保图像输入质量趋近于理想效果.最后,针对传统神经网络识别准确率低,识别速度慢,训练样本量大等不足,提出一种卷积神经网络的改进算法S-CNN,通过SURF算法提取特征点图像作为神经网络的输入层,并采用人工蜂群算法替代传统梯度下降法进行权值更新,完成虫草及伪品的图像识别.通过实验验证,改进后的算法识别准确度达到95.58%,识别速度提高了0.23s/个. 本系统通过搭建工业相机,镜头,光源以及图像采集卡,并配置软件参数,实现硬件外触发功能,使得图像进入采集区域后通过红外检测模块触发拍照,并上传至上位机.在上位机搭建Anaconda软件平台链接OpenCV视觉库,通过Python语言搭建Keras框架,通过卷积神经网络算法完成虫草图像真伪品识别,并传输至下位机分拣控制模块.下位机选择STM32微处理器接收上位机信息,并根据红外检测传感器判断传送位置并控制舵机分拣,进而显示分拣信息.同时,论文主要提出了一种S-CNN的卷积神经网络改进算法,通过实验验证发现,该算法能够识别虫草真伪品,并且识别速度快,识别效率高.

基于深度学习技术的货检图像智能识别与测试研究

为了提升铁路货检作业效率和质量,针对目前铁路货检工作主要依赖人工对高清图片进行查看,存在强度大,容易漏判等问题,在统计分析既有货检问题的种类,与车型的关系及所占比例基础上,采用深度学习技术,基于Faster-RCNN网络架构建立货检病害智能识别模型.经样本图片测试集测试表明,所提出的货检智能识别模型对于车顶异物,车门开启,防尘盖开启等7类问题图片的检出率接近80%,准确性超过90%,每张图片的检测速度约0.9 s,可满足现场实时,智能检测需求,从而为铁路货检向智能化发展提供有力的工具.

基于深度学习的图书馆架序智能识别系统研究与设计

随着信息时代的发展,图书馆为了满足读者日益增加的知识需求,其服务理念从“文献为主”转变成“以人为本”,借阅模式也从“闭架借阅”转变成“开架借阅”。这些转变为读者的借阅等需求提供了很大的便利,但由于读者借还书的不规范性或因图书馆管理人员的管理不到位等原因,使得图书乱架现象经常发生,为图书流通以及读者借阅带来了很大的不便。最初,图书馆解决乱架问题主要是通过加强读者素质教育、增加管理员巡馆次数来实现,但效率是非常低的。无线射频识别技术(RFID)引入后,管理人员可以手持仪器对书架扫描,判断有无图书乱架,然后人眼找到乱架图书,虽然提高了图书乱架整理的工作效率,但仍存在耗时、费力等缺点。深度学习在图像识别领域应用非常成功,很多场景下可以模拟人眼识别图像。所以本论文在RFID技术基础上,设计了一个基于深度学习的图书架序智能识别系统,可以很大程度的提高乱架图书整理的工作效率,具有很重要的现实意义。此系统根据RFID扫描书架来判断是否存在乱架图书,并记录信息。若有乱架则对此书架进行拍照,然后应用深度学习对图片中所有图书进行索书号识别,并将识别出的索书号与记录的乱架图书信息进行匹配,从而达到乱架图书的精准定位。本文主要工作如下:(1)对设计图书馆架序智能识别系统相关技术进行介绍,算法的对比、优化后选取本文适合的技术;(2)图书馆架序智能识别系统的整体设计与主要功能模块的设计;(3)对系统的图像识别模块的设计,在TensorFlow框架下,对经典的LeNet5模型进行了改进,得到本文的卷积神经网络模型,并对模型进行了训练;(4)以贵州财经大学图书馆为例,应用图像分割等技术建立了一个索书号字符数据集。