基于Web的糖尿病视网膜病变分类检测系统

为实现对糖尿病视网膜病变的自动检测,提出一种基于Web的糖尿病视网膜病变分类自动检测系统,该系统基于数据标注和深度卷积神经网络学习完成,通过对大量标注的数据通过深度学习Inception算法训练模型,最终搭建B/S架构,使用户能够在Web端通过浏览器上传患者眼底图片进行自动检测糖尿病视网膜病变等级。该系统可用于辅助医生对患者症状的检测诊断,减少误诊率,提高医生的工作效率,同时也可以用于患者自查,及时关注病情变化。     

基于深度学习的蚕茧种类识别研究

蚕茧分选是缫丝前的必备工作,当前的分选方式主要是人工分选,效率较低,不利于蚕桑丝绸业的转型发展。为研发智能化的蚕茧分选装备,开展了基于深度学习的蚕茧种类识别研究。在实际环境下采集蚕茧图像,构建出数量为2000张的蚕茧图像数据集,单张图像中包含多种类别的蚕茧,并使用标注工具标注出4个类别的蚕茧,分别为上车茧、黄斑茧、柴印茧和畸形茧。使用深度学习领域中目标检测网络YOLO v5开展了模型训练和验证。结果表明,深度学习模型可以准确地识别出蚕茧的位置,训练的模型对上车茧和黄斑茧的识别精度较高,而柴印茧和畸形茧的识别精度较低。研究可为后续蚕茧智能分选研究和分选装备研发提供参考。     

基于AlexNet的栽培苜蓿病害识别

苜蓿病害的准确快速识别是栽培苜蓿草地病害防治的关键。苜蓿病害鉴别对专业知识和识别工具及检测环境要求较高，传统的苜蓿病害识别往往需要采用显微观察等手段对叶片病害部位进行镜检，存在时效性差、成本高，难以实现大范围多点位的快速识别等弊端。近年来在图像识别领域的计算机视觉和深度学习得到快速发展，为苜蓿病害智能化识别提供了新途径。本研究利用13种常见苜蓿病害图像数据集，基于改进的AlexNet深度学习卷积神经网络，经过300次迭代训练，构建了苜蓿病害识别模型，并对比分析了不同图像输入分辨率的苜蓿病害识别精度。结果表明：13种苜蓿病害最优模型识别总体精度达到72%，最优图像输入尺寸为512像素×512像素；剔除识别精度过低的苜蓿病害样本图片后，褐斑病、霜霉病、炭疽病、黑茎叶斑病和小光壳叶斑病5类苜蓿病害的识别总体精度提高到92%，最优输入尺寸为1200像素×1200像素。这2种模型均能够实现对苜蓿主要病害的快速识别，研究结果可以为苜蓿病害智能检测系统的研发提供图像识别方面的技术支持。     

基于YOLOv5模型的仔猪社交识别方法研究

精准识别仔猪间社交关系对了解仔猪内部社交和预警异常仔猪具有重要意义。针对传统方法在仔猪社交识别时存在的人工依赖多、劳动强度大、观测效率低等问题,本研究借助机器视觉与深度学习技术,提出了一种基于改进的YOLOv5模型的仔猪社交识别研究方法。该研究以9头30～35日龄群养的长白二元杂交仔猪为研究对象,从顶部视角连续采集视频数据,经图像截取与数据增强共获得13 389张图像作为数据集。首先,选取Faster R-CNN、SSD、YOLOv4和YOLOv5这4种典型目标检测算法对数据集进行训练,通过对比分析,确定用于仔猪个体身份识别最优模型;然后依据K-means聚类算法确定仔猪社交中心,通过计算仔猪与社交中心的欧氏距离量化仔猪社交值,利用位置信息构建仔猪社交网络,绘制仔猪运动轨迹,获得社交正常与社交异常仔猪的识别阈值;最后,利用该阈值对仔猪进行分类,识别社交异常仔猪个体并实现预警。经测试,改进的YOLOv5对群养仔猪个体身份识别的平均精度均值达99.29%,模型大小为13.71 MB,满足仔猪身份识别需求,与YOLOv5、YOLOv4、SSD和Faster R-CNN模型相比,改进的YOLO...     

基于视觉定位的牧场奶牛自动跟踪定位系统研究

机器视觉已经成为现代畜牧业中的一个重要应用技术,这主要是得益于近年来图像处理技术的快速发展以及计算机的硬件成本不断下降和其运算速度的飞速提升。随着近几年具有高科技的大型奶牛养殖基地的不断兴起,基于机器视觉的奶牛自动定位系统成为新的研究课题。为了解决在牧场中对特定奶牛的定位跟踪问题,笔者提出采用视觉机器人,而视觉定位系统是整个机器人系统的核心和关键。本研究利用高斯金字塔LK光流法实现对奶牛的目标定位及运动跟踪,对传统算法的不足之处进行了总结分析,提出了改进的Harris特征点检测算法。结果表明:改进后的算法不仅在特征点提取效果方面有显著提高,同时具有处理速度快的优点,可为移动奶牛的准确定位做好准备。     

机器鱼运动控制模式的优化

本文采取的是基于视觉的强化学习算法,利用摄像头平台检测机器鱼在水中的状态,将采样数据传入计算机中,利用强化学习算法得出机器鱼采取的下一组运动参数,并将运动参数以无线通信的方式发送到机器鱼中指导机器鱼的运动。本文的目的就是利用强化学习算法解决机器鱼运动控制模式的优化问题。     

改进Yolov8的柑橘果实目标检测研究

目前基于深度学习技术快速发展起来的目标检测技术,是未来果园精准化生产的必然趋势,目标检测技术如何与果实识别、定位和分类相结合成为一个热门研究内容。本研究提出基于自然状态下单侧完整树冠果实的图像制作数据集,建立添加小目标检测层的Yolov8检测模型。柑橘进入果实转色期后,利用佳能相机于温州蜜柑果园随机采集单侧树冠的树体照片,采集时间覆盖晴天、阴天以及雨后未晴的不同时期,共采集1800张图像,并划分成训练集、验证集、测试集,分别为1260、360和180张图片。在Yolov8源码的主网络中添加小目标检测层形成I-Yolov8,用于检测4x4以上的目标,建立柑橘果实的目标检测模型Yolov8和I-Yolov8。模型的训练损失函数（loss）在迭代早期快速收敛,I-Yolov8和Yolov8的平均精确度（mAP）分别在训练58和23轮次达到最高值 93.5 %和92.2 %。在未标注的晴天和阴天两个场景下的冠层实例图上分别进行模型预测性能评估,果实总数分别为98和142个,晴天场景下2种模型预测精确度（P）均为100%,漏检的果实较多,召回率（R）分别为56.12%和72.45%。而在阴天场下,模型的预测表现更好,Yolov8和I-Yolov8的R分别达77.62%和91.61%。以自然状态下柑橘树冠图像的数据集能提供更全面的果实特征,而添加小目标检测层后提高了模型的学习能力,增强了模型的检测效果,本研究为目标检测技术在复杂环境下水果的实时检测任务提供重要参考。     

蟋蟀视觉的联合学习与记忆能力研究

为了揭示昆虫学习记忆的神经生物学机制,研究以条件刺激与非条件刺激联合的方式通过建立蟋蟀视觉联合学习记忆实验模型,探究了双斑蟋蟀视觉联合学习记忆能力。实验以自主学习为主,利用蟀蟋奖惩结合的方式对其进行视觉联合学习训练:训练时黑白相间条会伴随着温凉区出现,作为奖励;剩下的区域灰色伴随高温(55度)出现,作为惩罚。使蟋蟀在寻找适宜温度的过程中辨别颜色,形成记忆。训练后24小时测试蟋蟀对颜色识别即视觉识别的学习记忆能力。结果表明:虽然数据较少,但依然可以看出蟋蟀有视觉学习能更多数据的验证。     

基于AlexNet的Oxford花卉识别方法

介绍了对Alex Net深度卷积神经网络进行优化的一种方法 ,该方法能够更好的实现非刚性物体的识别,并以Oxford的102种花卉用于训练和测试,构建了一个新的卷积神经网络模型,后对测试结果进行逐步优化。原Alex Net网络测试识别精度为61.2%,优化网络结构及网络顺序后精度提高到66.3%,解决类间不平衡问题后测试精度提高为71%。结果表明,本文提到的算法可以提升大约10%的精度。     

TLD视频目标跟踪算法浅析

目标跟踪在计算机视觉领域有着重要的应用,跟踪的结果常常会受到光照、遮挡物、相似物的影响,因此算法仍然具有很大的挑战。TLD(Tracking Learning and Detection)算法是目前复杂环境目标追踪的有效算法。本文从框架、追踪和性能等几个方面对TLD算法进行了研究与分析。     

智能视频分析技术在轨道交通视频监控系统中的应用

随着城市居住人口的急剧上升,地铁、高铁等的载客量逐年上升。轨道交通面临的公共安全问题日益严峻,轨道交通视频监控系统可为增强公共安全提供强有力技术支持。传统的视频监控系统因效率低下以及易错过关键目标,容易使视频监控处于"监而不控"的状态,从而导致海量视频数据的利用率极低。智能视频分析技术在原有监控网络的基础上,融合图像处理方法、模式识别技术和计算机视觉算法对视频进行分析提取,具有预警快、效率高的特点。本文着重阐述智能视频分析技术在轨道交通目标检测系统中的应用并提出具体的技术方案。     

基于多层次距离变换的蚕茧分割计数算法

在对蚕茧品质检测的过程中,利用图像处理技术对黏连蚕茧进行分割计数能够减少所需的劳动力、提升工作效率、提高计数精度,也是对蚕茧图像进行更高层次处理、分析的基础步骤之一。利用改进的多层次距离变换并结合分水岭的分割算法能有效分割蚕茧并计数。算法能在保证单个蚕茧不被分割的情况下逐步将黏连蚕茧进行分离,并将多层次距离变换后的图像作为种子,利用分水岭算法,将蚕茧分割开来。在针对蚕茧的目标分割测试中,基于多层次距离变换的蚕茧分割计数算法的计数精度达到99.97%,其中计数100%准确的次数占97.08%。与传统图像分割算法相比,基于多层次距离变换的蚕茧分割计数算法有明显优势,不但计数精度更高,蚕茧分割清晰,边缘锐利无毛刺,而且对较复杂光照条件的适应能力更强。但该方法在对大小差异大的蚕茧计数时会造成准确率下降,适用于大小接近的蚕茧的分割。     

基于规则的临床病历感染症状的检测

目的:大部分的临床症状记录以自由文本形式存储在临床记录中。如果将这些信息(临床记录)准确地加工成计算机可解释的数据,可以帮助临床决策支持和自动监测工作。方法:我们开发了一个可以使用临床叙述检测感染症状的基于规则算法和评估的自然语言处理(NLP)系统。训练集(60)和测试文档(444)从急诊室、紧急护理和初级卫生保健记录中随机抽取。每个文档都经过NLP加工以及两个医生单独的人工审查。感染症状检测规则在训练集中使用关键词和SNOMED-CT概念制定,然后使用的测试集进行评估。结果:总体症状检测的性能测量:精度为0.67,回收率为0.62,F值为0.64,总体症状检测的性能测量:精度为0.91,回收率为0.84,F值为0.87。结论:这项工作表明文本的处理可以使非特异性症状群的检测用于自动监测工作中。     

基于支持向量机奶牛饲粮能量消化预测方法

文章以预测奶牛饲粮消化能(DE)和能量消化率(ED)为目标,提出一种基于支持向量机(SVM)的预测方法,SVM是一种典型的非参数机器学习模型,无需提前对预测模型做任何假设,仅通过对训练样本数据的学习,便能拟合出最接近实际的函数。与传统LR方法和其他非参数机器学习模型RBF-ANN的对比测试结果表明,基于SVM的预测模型在预测精度上优于其他方法,特别是在小样本条件下比传统的LR方法预测精度更高,可以作为对奶牛饲粮DE和ED进行预测的新型参考方法。     

基于LSTM神经网络模型的钢铁价格预测

由于钢铁价格具有影响因子难以确定和非线性的特点,在数据挖掘预测分析是,传统的预测方法只能够对钢铁价格进行小数据量的分析,导致预测精度低、速度慢且效率低下。随着大数据的深入研究,将神经网络与spark相结合,能满足用户对实时数据处理的需求。在多个深度学习神经网络模型中,基于长短期记忆单元(Long Short-term memory,LSTM)的递归神经网络(recurrent neural network,RNN)模型因为其能有效利用序列数据中长距离依赖信息的能力,非常适用于价格指数的预测中。文章利用python和lstm,结合近几年钢铁交易价格的走势数据,对数据进行回归拟合,生成训练模型,然后将得出的模型用来对未来的钢铁交易价格进行预测,使用均方误差(MSE)对预测数据和原始数据进行误差分析与处理,并与支持向量回归(SVR)模型进行对比。     

基于双肤色模型和AdaBoost的人脸检测系统设计

本文在Windows平台下,基于VS2010和Intel开源计算机视觉库OpenCV设计了一个实用的人脸检测系统,实现复杂背景图像中可能存在的人脸区域检测。人脸检测功能的实现主要融合双肤色模型和AdaBoost算法。首先基于YCbCr颜色空间的简单边界模型和高斯模型对图像实现分割并分析处理,实现人脸区域的粗定位。然后对人脸候选区域采用AdaBoost算法进行精检测。该系统使用简单,检测效果较好。     

基于深度学习——DCNN的人脸图像识别技术应用研究

针对基于深度学习的人脸识别技术广泛应用于社会的金融、教育、交通、零售等领域进行了分析,阐述了深度学习、卷积神经网络和人脸识别技术理论及应用现状。为了提高人脸识别在各应用领域的准确率,文章分析一种基于深度学习的深度卷积神经网络（DCNN）的人脸识别技术,该方法主要涉及两个方面,一方面是使用DCNN对训练集进行特征提取,另一方面则是将提取的特征图片通过输入神经网络进行训练及识别。并对基于深度学习—DCNN的人脸识别技术的应用研究做出总结和展望,加深了人们对深度学习人脸识别技术的了解,为实现快速便捷的识别大量人脸图像任务做支撑。     

基于粗糙集的增量贝叶斯分类实现

海量数据且高维环境下,朴素贝叶斯分类可能即面临获取大量带类标签代价过高又面临当前分类规则不能适应数据变化等问题。于是提出一种基于小规模训练集的基于粗糙集(RS)动态约简增量式贝叶斯算法来实现问题分类:利用粗糙集理论对数据进行动态属性约简获得极小集属性,再用朴素贝叶斯推理(NBC)方法对知识进行增量学习和分类。该方法结合了增量学习与动态约简的优点。实验证明了算法的可行性。     

基于双肤色模型和AdaBoost的人脸检测系统设计

本文在Windows平台下,基于VS2010和Intel开源计算机视觉库OpenCV设计了一个实用的人脸检测系统,实现复杂背景图像中可能存在的人脸区域检测。人脸检测功能的实现主要融合双肤色模型和AdaBoost算法。首先基于YCbCr颜色空间的简单边界模型和高斯模型对图像实现分割并分析处理,实现人脸区域的粗定位。然后对人脸候选区域采用AdaBoost算法进行精检测。该系统使用简单,检测效果较好。     

仿复眼运动目标检测技术研究

运动目标检测可以实时地识别、检测、提取视频图像中感兴趣目标。昆虫复眼具有对运动目标快速识别跟踪的特性。本文基于复眼类昆虫的生理特性并结合仿生学与计算机视觉相关理论,提出一种仿复眼的运动目标检测技术,实现对运动目标的快速、准确检测。