- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
利用可见近红外高光谱成像技术结合深度学习对谷斑皮蠹和杂拟谷盗的整体及碎片进行识别与诊断
摘要： 谷斑皮蠹（Trogoderma granarium Everts）是全球谷物产业面临的最严重的生物安全害虫威胁。为防止其入侵，必须采用高度精准可靠的诊断工具来区分谷斑皮蠹与其他形态学相近的皮蠹属物种（尤其是幼虫阶段）。但目前仅能通过资深分类学家进行鉴定。此外，谷物产品中发现的疑似皮蠹属物种常为虫体残部（如幼虫蜕皮或成虫碎片），这些形态学上无法鉴定。本研究探索了可见近红外高光谱成像技术（VNIH）与深度学习工具相结合来识别谷斑皮蠹的方法。研究共获取约2000张高光谱图像，对谷斑皮蠹和杂拟谷盗（Trogoderma variabile）的成虫、幼虫、幼虫蜕皮、成虫及幼虫碎片等样本，采用卷积神经网络（CNN）和胶囊网络两种深度学习模型进行分析。两种模型的总体准确率均超过90%，其中胶囊网络准确率更高（96%）。完整成虫体和成虫碎片的鉴定准确率分别为96.2%和91.7%；完整幼虫、幼虫蜕皮及幼虫碎片的准确率分别为93.4%、91.6%和90.3%。无论幼虫还是成虫阶段，腹面朝上的成像准确率均高于背面朝上?；谏鲜鼋峁岷鲜实被餮肮ぞ叩腣NIH成像技术可用于鉴别最具危害性的仓储害虫——谷斑皮蠹与其他形态相似的皮蠹属物种（如杂拟谷盗）。该技术尤其为从虫体残部及幼虫蜕皮（传统分类学无法鉴定的材料）中有效识别皮蠹属物种提供了新途径。
关键词： 深度学习、可见近红外高光谱成像技术（VNIH）、谷斑皮蠹诊断、胶囊网络、卷积神经网络
更新于2025-09-23 15:19:57
-
检测机载激光扫描数据与摄影测量数据之间的建筑物变化
摘要： 检测城市环境中的地形变化并保持城市级点云数据的时效性，是城市规划与监测的重要任务。实际应用中，不同时期的遥感数据往往仅以不同模态形式存在。由于输入数据的多模态特性及密集匹配误差，机载激光扫描数据与摄影测量数据间的变化检测具有挑战性。本文提出一种多模态采集数据间建筑物变化检测方法：将多模态输入数据转换后输入轻量级伪孪生卷积神经网络（PSI-CNN）进行变化检测，并比较了不同网络配置与融合策略?；诖笮统鞘惺菁氖笛檠橹ち怂岱椒ǖ挠行浴帽浠颊倩芈蚀?6.17%，精确率达68.16%，F1分数为76.13%。通过对比孪生架构与前馈架构，本研究为多模态数据处理网络设计提供了诸多重要发现与建议。
关键词： 卷积神经网络、变化检测、密集图像匹配、机载激光扫描、孪生网络、多模态数据
更新于2025-09-23 15:19:57
-
基于深度学习的激光粉末床熔融原位热成像监测缺陷检测模型
摘要： 采用激光粉末床熔融技术进行金属部件的增材制造是一个非常复杂的过程，因为每一层都需要对粉末进行熔化和冷却以形成零件。许多参数会影响打印过程；然而，由非最佳参数设置导致的缺陷通常在过程结束后才会被发现。为了在打印过程中检测这些缺陷，人们提出了不同的过程监测技术，如熔池监测或离轴红外监测。在这项工作中，我们使用热成像离轴成像作为数据源，并结合基于深度学习的神经网络架构来检测打印缺陷。对于网络训练，采用了k折交叉验证和保留交叉验证。通过这些技术，可以以96.80%的准确率识别出分层和飞溅等缺陷。此外，还通过计算类激活热图对模型进行了评估。该架构非常小且计算成本低，这意味着即使在性能较低的硬件上也能实时运行。
关键词： 增材制造、卷积神经网络、机器学习、质量保证
更新于2025-09-23 15:19:57
-
采用卷积神经网络实时监测拼焊板激光焊接的熔透状态
摘要： 本文介绍了一种创新性激光焊接过程熔透状态诊断监测系统，该系统由同轴视觉监测平台和熔透状态诊断单元两大?？楣钩?。平台通过半透半反镜和高速摄像机获取激光焊接过程中相互作用区的同轴图像，并建立了包含四种焊接状态的图像数据集用于训练验证。诊断单元主要由低功耗嵌入式计算平台TX2和基于卷积神经网络（CNN）的图像处理算法组成。实验表明该平台能稳定采集高质量焊接图像，采用超高斯函数初始化卷积层权重、通过优化网络结构和超参数构建的CNN诊断模型，在TX2上的延迟低于2毫秒，满足实时性要求。在实际激光拼焊过程中，即使光照条件显著变化仍可实现94.6%的熔透状态诊断准确率，验证集与实际焊接场景的相近准确率证明该监测系统具有强鲁棒性，其CNN模型的精确率和召回率均优于方向梯度直方图、局部二值模式等其他方法。
关键词： 激光焊接、同轴视觉监测、熔透状态诊断、卷积神经网络（CNN）、差厚板
更新于2025-09-23 15:19:57
-
基于电致发光图像的深度学习光伏组件自动缺陷识别
摘要： 多年来，大规模光伏电站的维护一直被视为重大挑战。本文通过解决两大技术难题，提出了一种基于深度学习的电致发光图像光伏组件缺陷检测方法：（1）针对电致发光（EL）图像样本有限的问题，提供大量高质量EL图像生成方案；（2）利用生成的EL图像实现高效自动缺陷分类模型。该EL图像生成方法融合传统图像处理技术与生成对抗网络特性，能以有限样本生成大量高分辨率EL图像样本。随后提出基于卷积神经网络（CNN）的EL图像缺陷自动分类模型，通过提取EL图像深层特征，在检测精度与效率上显著优于其他方案。研究采用VGG16、ResNet50、Inception V3和MobileNet等现有机器学习模型作为对比基准进行实验验证，数值结果表明：所提深度学习方案能利用电致发光图像实现高效精准的自动缺陷检测。
关键词： 自动缺陷分类，电致发光图像，生成对抗网络，卷积神经网络
更新于2025-09-23 15:19:57
-
一种用于移动激光雷达数据自动分类的多面CNN架构及用于增强训练的点云样本复现算法
摘要： 室外环境的移动激光扫描（MLS）数据通常具有遮挡、噪声、杂乱、数据量大和信息量高等特点，这使得其分类成为一项具有挑战性的问题。本文提出了三种三维深度卷积神经网络（CNN）架构，即单CNN（SCN）、多面CNN（MFC）及带复现功能的MFC（MFCR），用于MLS数据的自动分类。MFC利用MLS样本的多个面作为不同SCN的输入，从而在分类过程中提供额外信息。训练后的MFC可借助现有样本复现附加样本，这些复现样本被用于进一步优化MFC训练参数，从而形成名为MFCR的新方法。研究团队在包含四类三维室外MLS数据（树木、电线杆、房屋及低矮植被覆盖地面）及KITTI数据集中的汽车样本的数据集上评估了这三种架构。分类总体精度与卡帕系数分别达到：(i) SCN为86.0%和81.3%；(ii) MFC为94.3%和92.4%；(iii) MFCR为96.0%和94.6%。本文证实多面输入能显著提升SCN的分类精度，并开发出具有分类精度提升潜力的独特样本复现方法。与既往针对室内结构化点云的CNN应用研究不同，本工作展示了所提各类CNN架构对MLS采集的非结构化点云数据（包括树木、电线杆、房屋及地面等室外对象）的分类效用。
关键词： 样本复现、移动激光扫描（MLS）、自动分类、卷积神经网络（CNN）
更新于2025-09-22 20:37:23
-
基于特征融合金字塔网络与深度强化学习的遥感图像船舶旋转检测模型
摘要： 船舶检测在自动遥感图像解译中具有重要作用。船舶尺度差异大、长宽比悬殊、遥感图像背景复杂以及船舶密集停泊场景等因素使得检测任务面临挑战。针对上述难题，本文提出一种基于特征融合金字塔网络与深度强化学习（FFPN-RL）的船舶旋转检测模型。该检测网络能高效生成船舶倾斜矩形框：首先，我们提出特征融合金字塔网络（FFPN），通过加强多尺度特征的复用，提取对多尺度船舶检测及密集停泊船舶精确定位具有重要影响的基础层位置信息与高层语义信息；其次，首次将深度强化学习应用于倾斜船舶检测任务以获取精确的船舶角度信息；此外，提出先验策略引导与长期训练方法，训练基于决斗结构Q网络构建的角度预测智能体，实现船舶角度的迭代精准获取；同时设计软旋转非极大值抑制算法，在抑制冗余检测框的同时减少船舶漏检。通过在遥感船舶图像数据集上的详细实验验证，本FFPN-RL船舶检测模型展现出高效的检测性能。
关键词： 特征图融合、深度强化学习、船舶检测、卷积神经网络
更新于2025-09-23 01:41:37
-
利用卷积神经网络对FAST反射面单元面板节点进行检测
摘要： 500米口径球面射电望远镜（FAST）采用主动反射面。观测时，反射面将变形为直径300米的抛物面。为提升其表面精度，我们提出通过摄影测量方案来测定反射面上2226个节点的位置。照片中节点的检测方法是该摄影测量应用的关键问题。本文采用带候选区域的卷积神经网络（CNN）来检测照片中的节点。实验结果显示识别率高达91.5%，远高于传统边缘检测方法的识别率。
关键词： 摄影测量学、FAST（射电望远镜）、望远镜、节点检测、卷积神经网络
更新于2025-09-23 02:03:31
-
[2018年IEEE国际赛博格与仿生系统会议(CBS) - 中国深圳(2018.10.25-2018.10.27)] 2018年IEEE国际赛博格与仿生系统会议(CBS) - RDS-Denoiser：一种用于图像去噪的细节保持卷积神经网络
摘要： 图像噪声通常被建模为具有固定标准差的加性独立高斯随机变量，而基于这一假设开发的现有方法在处理空间变化噪声时存在困难。本研究旨在解决噪声水平未知情况下的图像去噪问题。我们提出了一种简单而有效的堆叠去噪网络（Stacked Denoising Networks），该网络将去噪过程分解为两个阶段：第一阶段去噪用于预测含噪图像的噪声图；第二阶段去噪则进一步提升视觉质量并缓解对高斯噪声的过拟合。实验表明，RDS-Denoiser与最先进的去噪方法相比具有竞争优势。此外，我们还提出了条件生成对抗网络RDS-GAN，以进一步改善视觉质量并减轻对高斯噪声的过拟合。
关键词： 图像去噪、卷积神经网络、条件生成对抗网络
更新于2025-09-23 04:43:03
-
[IEEE 2018数字图像计算：技术与应用会议(DICTA) - 澳大利亚堪培拉(2018.12.10-2018.12.13)] 2018数字图像计算：技术与应用(DICTA) - 用于低光照图像增强的对抗性上下文聚合网络
摘要： 低光照环境下拍摄的图像通常存在动态范围不足和噪声问题，这会降低图像质量。近年来，卷积神经网络（CNN）被用于低光照图像增强，以同时实现亮度提升和降噪。虽然基于传统CNN的技术相比非CNN方法表现更优，但由于其网络感受野较小，常会产生视觉伪影。为解决这一问题，我们提出了一种对抗式上下文聚合网络（ACA-net）用于低光照图像增强，该网络通过全分辨率中间层有效聚合全局上下文。本方法首先采用两种不同的伽马校正函数提升低光照图像亮度，再将增亮后的图像输入CNN获取增强结果。为此，我们通过L1像素级重建损失和鼓励生成自然图像的对抗损失来训练ACA网络。实验结果表明，该方法在峰值信噪比（PSNR）和结构相似性指数（SSIM）指标上均达到最先进水平。
关键词： 上下文聚合、低光照图像增强、卷积神经网络、生成对抗网络
更新于2025-09-23 05:01:34