修车大队一品楼qm论坛51一品茶楼论坛,栖凤楼品茶全国楼凤app软件 ,栖凤阁全国论坛入口,广州百花丛bhc论坛杭州百花坊妃子阁

oe1(光电查) - 科学论文

287 条数据
?? 中文（中国） ▾

  • [IEEE 2018第二届多学科研究与创新技术国际研讨会(ISMSIT) - 土耳其安卡拉(2018.10.19-2018.10.21)] 2018第二届多学科研究与创新技术国际研讨会(ISMSIT) - 基于图像处理和卷积神经网络的糖尿病视网膜病变诊断

    摘要： 糖尿病视网膜病变是一种由糖尿病引发的严重眼部疾病，也是发达国家最常见的致盲原因。本研究阐述了利用图像处理和深度学习技术从视网膜眼底图像诊断糖尿病视网膜病变的方法。采用包含HSV色彩空间转换算法、V通道变换及直方图均衡化技术的实用方案来优化眼底图像质量，最后对视网膜眼底图像施加高斯低通滤波处理。图像处理后运用卷积神经网络进行分类诊断。通过Kaggle糖尿病视网膜病变检测数据库中的400张视网膜眼底图像评估该方法的性能，针对每个图像处理阶段均开展分类实验，每个阶段进行二十次试验并取平均值。最终分类结果显示：准确率达96.67%，灵敏度（召回率）为93.33%，特异度为97.78%，精确率为93.33%，F值为93.33%。结果表明该方法对从视网膜眼底图像诊断糖尿病视网膜病变具有高度有效性和成功性。

    关键词： 卷积神经网络，图像处理，Kaggle糖尿病视网膜病变检测数据库，糖尿病视网膜病变

    更新于2025-09-23 15:19:57

  • 单次学习下的动态频谱匹配

    摘要： 卷积神经网络（CNN）已被证明能有效解决振动光谱数据的分类问题，且无需额外预处理即可从含噪声光谱中识别物质。但其实际应用受限于两点：一是当每种物质的训练光谱数量较少时（实际应用中的常见情况），CNN分类效果会急剧下降；二是新增未知物质类别需重新训练网络，计算成本高昂。本研究通过将多类分类问题重构为数据表征学习充足的二分类问题来解决这些局限——将学习任务定义为判断输入样本对是否属于同类。我们采用孪生卷积神经网络实现该目标，并提出新型采样策略以解决孪生网络训练中的类别不平衡问题。训练后的网络仅需单个参考样本（机器学习领域称为"单样本学习"）即可分类未知物质样本。在三个独立拉曼数据集上的结果表明，本方法较现有实用系统具有显著更高的准确率，同时能轻松更新系统数据库以纳入新物质类别。

    关键词： 频谱匹配、暹罗网络、卷积神经网络、单样本学习

    更新于2025-09-23 15:19:57

  • [IEEE 2018年第26届欧洲信号处理会议(EUSIPCO) - 意大利罗马(2018年9月3日-2018年9月7日)] 2018年第26届欧洲信号处理会议(EUSIPCO) - 基于卷积神经网络的端到端光电容积图(PPG)生物特征认证

    摘要： 尽管传统研究工作主要聚焦于心电图（ECG）信号和人工设计特征作为潜在生物特征，但基于原始光电容积图（PPG）信号的系统探索较少。本研究提出一种端到端架构，通过卷积网络利用PPG生物传感器实现生物认证。我们在两个数据库评估了该方法性能：Troika数据库与PulseID数据库（后者是作者专门为此目的采集的公开数据库）?；诰砘缒Ｐ筒⑹褂迷糚PG信号的验证方法，在电子健康和健身环境的当前监测流程中具有可行性，展现出显著的生物特征潜力。采用单秒试验的验证方式测试时，在PulseID和Troika数据集上分别获得目标受试者平均78.2%和83.2%的AUC值。先前小规模数据集的实验结果支持PPG提取的生物标志物作为多模态或独立生物特征的实用性。此外，该方法具有低输入吞吐量和复杂度的特点，适用于现实场景中的持续认证。但实验结果也表明，需要进一步研究以解释和理解某些受试者中存在的变异源。

    关键词： 生物特征验证、光电容积脉搏波信号、卷积神经网络、生物特征认证、PPG

    更新于2025-09-23 15:19:57

  • [2019年IEEE光子学与电磁学研究春季研讨会（PIERS-Spring）- 意大利罗马（2019.6.17-2019.6.20）] 2019光子学与电磁学研究春季研讨会（PIERS-Spring）- 集成光子学功能材料：有机材料在硅基光子集成电路中的混合集成，用于先进光调制器与光源

    摘要： 对于任何宣称接近或超越人类水平的分类与识别系统而言，具备抵御数据集中微小扰动的能力至关重要。研究人员发现，神经网络对微小扰动并不稳健——通过在测试数据中添加特定类别的噪声，就能轻易诱使其持续出现误分类。这种所谓的对抗性噪声会严重削弱神经网络的性能，而该网络在未受扰动的数据集上原本表现优异。最新研究提出，可通过使用本身已受对抗性噪声污染的数据进行训练，使神经网络获得对抗此类噪声的稳健性。基于此方法，本文提出一种基于K-支撑范数生成强力对抗噪声模型的新机制来训练神经网络。我们在MNIST和STL-10两个基准数据集上，采用多层感知机和卷积神经网络验证该方法。实验结果表明，相较于现有最先进技术，采用本技术训练的神经网络在稳健性方面展现出显著提升。

    关键词： 鲁棒性、泛化能力、卷积神经网络、对抗性、K-支持范数

    更新于2025-09-23 15:19:57

  • 用于多尺度、多角度遥感场景分类的深度卷积神经网络实现

    摘要： 随着卷积神经网络的发展，利用深度特征实现遥感（RS）图像精准分类的研究取得了显著进展。然而，由于高分辨率遥感图像存在尺度差异，精准分类仍是一项挑战性任务。此外，除尺度变化外，角度差异也会降低卷积神经网络提取深度特征的准确性。本文提出一种多尺度多角度卷积神经网络（MSMA-CNN），通过采用具有判别性、非线性和不变性的卷积层、池化层和全连接层来提取遥感图像的深度特征。该网络在分类过程中不仅考虑空间特征，还融合光谱特征以增强遥感场景分类的鲁棒性。首先通过高斯金字塔分解对遥感图像进行多尺度处理并旋转不同角度，再利用最大稳定极值区域（MSER）方法提取光谱与空间维度的特征，经拼接后输入MSMA-CNN。通过添加正则化参数使测试图像结果逼近训练图像效果。通过调整CNN结构参数设计混合MSMA-CNN架构以实现优化性能提升。为验证方法有效性，我们在六个高难度高分辨率遥感数据集上进行对比实验，最终获得92.25%的分类准确率，在分类精度和计算成本方面均较现有先进场景分类方法有显著提升。

    关键词： 深度特征提取、遥感图像分类、多尺度与多角度遥感图像、卷积神经网络

    更新于2025-09-23 15:19:57

  • 利用高光谱显微镜成像技术结合卷积神经网络对食源性细菌进行分类

    摘要： 食源性病原体已成为食品行业持续存在的威胁，而对其早期阶段的快速检测与分类仍具挑战性。为解决早期快速检测问题，本研究提出结合高光谱显微成像（HMI）技术与卷积神经网络（CNN）对食源性细菌进行细胞级分类。该技术能同步获取不同活菌细胞的空间与光谱信息，同时采用U-Net和一维卷积神经网络（1D-CNN）两种框架加速数据分析流程：U-Net用于自动化细胞感兴趣区域（ROI）分割，在更短时间内生成比传统Otsu或分水岭算法更精准的细胞ROI掩膜；1D-CNN则用于对提取的细胞ROI光谱特征进行分类，其准确率（90%）显著高于k近邻算法（81%）和支持向量机（81%）。总体而言，这种CNN辅助的高光谱显微成像技术展现出食源性细菌检测的应用潜力。

    关键词： 卷积神经网络、机器学习、高光谱显微镜、食品安全、食源性病原体、快速分类

    更新于2025-09-23 15:19:57

  • 通过结合短期和长期深度特征检测太阳能电池表面微裂纹

    摘要： 基于机器视觉的太阳能电池表面微裂纹检测方法因其高效便捷已成为主要研究方向之一。现有方法大致分为两类：基于当前观测信息的方法和基于先验知识的方法。前者通常采用泛化能力差的手工设计特征且缺乏先验知识指导，后者多通过机器学习实现但因大规模标注数据集稀缺导致泛化能力有限。为解决上述问题，本文提出一种融合短期与长期深度特征的微裂纹检测新方法。通过堆叠降噪自编码器（SDAE）从输入图像本身学习表征当前观测信息的短期深度特征，利用卷积神经网络（CNN）从人们常见的大量自然场景图像中学习表征先验知识的长期深度特征。主客观评估表明：1）短期与长期深度特征融合的性能优于任一单一特征；2）所提方法优于基于浅层学习的方法；3）该方法能有效检测各类微裂纹。

    关键词： 太阳能电池，堆叠去噪自编码器，长期，卷积神经网络，短期，微裂纹检测

    更新于2025-09-23 15:19:57

  • 一种用于激光焊接自动光学检测的高性能深度学习算法

    摘要： 由于电动汽车和储能应用需求强劲，电池行业增长迅猛。激光焊接是电池制造的关键工艺。为把控生产质量，业界对自动化激光焊接缺陷检测有着迫切需求。近年来，卷积神经网络（CNN）在检测、识别和分类领域应用成效显著。本文运用迁移学习理论和视觉几何组（VGG）模型的预训练方法，提出优化后的VGG模型以提高缺陷分类效率。该模型在工业计算机上运行，采用产线采集的电池图像进行测试，准确率达99.87%。本研究主要贡献如下：（1）证实基于大型图像数据库训练的优化VGG模型可用于激光焊接缺陷分类；（2）证明预训练VGG模型具有体积小、误检率低、训练与预测时间短的特点，更适用于工业环境质检。此外，我们通过可视化卷积层和最大池化层，便于模型观测与优化。

    关键词： 缺陷分类、优化VGG模型、激光焊接、卷积神经网络（CNN）、自动光学检测

    更新于2025-09-23 15:19:57

  • 用于无参考图像质量评估的多池化初始特征

    摘要： 图像质量评估（IQA）是涵盖自动视频流传输到显示技术等广泛应用领域的重要环节。此外，图像质量测量需要对图像内容和特征进行平衡分析。我们提出的方法通过在ImageNet数据库预训练的卷积神经网络（CNN）多个Inception?？樯细郊尤制骄鼗℅AP）层来提取视觉特征。与先前方法不同，我们不从输入图像中截取图像块，而是将整幅输入图像通过预训练CNN主体处理，以提取分辨率无关的多层次深度特征。因此，本方法可轻松推广至任意尺寸输入图像和预训练CNN模型。我们针对CNN基础架构及不同深度特征的有效性进行了详细参数研究，证明最优方案——MultiGAP-NRIQA能在三个基准IQA数据库上超越现有最先进技术，该结果在使用LIVE野外图像质量挑战数据库的跨数据库测试中也得到验证。

    关键词： 深度学习、无参考图像质量评估、卷积神经网络

    更新于2025-09-23 15:19:57

  • 基于卷积神经网络的光伏组件I-V特性曲线预测

    摘要： 光伏组件暴露于外部环境，受辐射、组件背板温度、相对湿度、大气压等多种因素影响，这使得光伏组件性能的测试与分析较为困难。传统上采用等效电路法分析光伏组件性能，但存在较大误差。本文基于机器学习方法和大量光伏测试数据，建立了卷积神经网络（CNN）和多层感知器（MLP）神经网络模型来预测光伏组件的I-V曲线。此外，详细比较了这些方法对电流-电压（I-V）曲线预测的准确性和拟合程度。结果表明，CNN和MLP神经网络模型的预测准确性显著优于传统等效电路模型。与MLP模型相比，CNN模型具有更好的准确性和拟合度。此外，CNN的误差分布更集中，具有更好的鲁棒性，且预测试曲线更平滑，在非线性段拟合效果更佳。因此，在复杂气候条件下，CNN优于MLP模型和传统等效电路模型。CNN是预测光伏组件性能的高可信度方法。

    关键词： 卷积神经网络，光伏组件，电流-电压曲线，多层感知机

    更新于2025-09-23 15:19:57