期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到5篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于F-CNN的电网工程场景识别系统设计与应用
1
作者 董斌 祝和春 +2 位作者 邹仕富 张剑铧 龚旗帜 《自动化与仪器仪表》 2025年第4期264-268,273,共6页
针对电网工程场景识别准确率和效率不高的问题,设计一种基于卷积神经网络的多源图像融合识别模型(Fusion image convolutional neural network,F-CNN)的电网工程场景识别系统。首先,然后采用改进的YOLOv5s网络进行电网场景图像进行目标... 针对电网工程场景识别准确率和效率不高的问题,设计一种基于卷积神经网络的多源图像融合识别模型(Fusion image convolutional neural network,F-CNN)的电网工程场景识别系统。首先,然后采用改进的YOLOv5s网络进行电网场景图像进行目标检测;然后对红外图像和可见光图像进行多光谱图像融合处理;最后通过F-CNN识别模型实现电网工程场景识别。实验结果表明,本模型的场景识别精确率、召回率和F1值分别取值为95.37%、94.06%和97.59%,明显高于传统的CNN-Transformer识别模型和ResNet-LSTM识别模型,且本模型的识别时长仅为18.52 s,相较于另外两种模型分别低了61.48 s和39.97 s。由此分析可知,本方法可实现电网工程场景快速准确识别,可在系统中进行有效应用,具备有效性。 展开更多
关键词 电网工程 场景识别 目标检测 图像融合 f-cnn
原文传递
深度模糊卷积神经网络在秀珍菇菌丝退化高光谱图像分类中的应用
2
作者 许亚 钟弘立 +1 位作者 汪星一 钟智雄 《农业装备与智能技术》 2024年第4期1-8,共8页
秀珍菇在培养时常出现菌丝退化的现象,导致产量下降和品质降低。文章研究深度模糊卷积神经网络在秀珍菇菌丝退化高光谱图像分类中的应用。首先对培养的秀珍菇菌丝进行高光谱图像采集并进行去噪预处理;其次分别使用主成分分析(PCA)与连... 秀珍菇在培养时常出现菌丝退化的现象,导致产量下降和品质降低。文章研究深度模糊卷积神经网络在秀珍菇菌丝退化高光谱图像分类中的应用。首先对培养的秀珍菇菌丝进行高光谱图像采集并进行去噪预处理;其次分别使用主成分分析(PCA)与连续投影算法(SPA)对去噪后的高光谱图像进行特征波长的选择,得到PCA和SPA选取的特征数据集;然后构建深度Ⅱ型模糊卷积神经网络(Deep Type-2 Fuzzy-Based CNN,DT2F-CNN)分类模型,并设计比例积分梯度下降(Proportional Integral-Based Stochastic Gradient Descent,PI-SGD)学习优化器;最后对比在PCA和SPA特征数据集下,DT2F-CNN与CNN的模型分类结果,以及PI-SGD优化器与SGD、Adam、RPSprop、Adadelta、Adagrad等优化器的分类结果。 展开更多
关键词 秀珍菇 菌丝退化 PI-SGD优化 DT2f-cnn分类模型
在线阅读 下载PDF
基于多尺度卷积神经网络的交通标示识别研究 被引量：4
3
作者 刘万军 李嘉欣 曲海成 《计算机应用研究》 CSCD 北大核心 2022年第5期1557-1562,共6页
交通标示识别在自动驾驶领域有着广泛的应用前景。在实际场景中,光照、地理位置、检测方法等因素会对较小交通标示识别产生影响,导致识别精度降低。针对这些问题,提出一种新型多尺度融合卷积神经网络模型(SF-RCNN)。首先在基础特征提取... 交通标示识别在自动驾驶领域有着广泛的应用前景。在实际场景中,光照、地理位置、检测方法等因素会对较小交通标示识别产生影响,导致识别精度降低。针对这些问题,提出一种新型多尺度融合卷积神经网络模型(SF-RCNN)。首先在基础特征提取网络中加入多尺度空洞卷积池化金字塔模块(MASPP),在多尺度空洞卷积采样后,不改变每一个特征下的信息量,而是通过合并通道数来实现特征图的融合,这样既减少了分辨率的损失,也可以捕捉同一图像的上下文信息;其次在网络中增加两个快速拼接模块(F-concat),融合模型中高层与低层的信息,既丰富语义信息,又可以实现不同尺度信息的重复利用;最后在每个最大池化层之前增加批标准化层(BN),转换每一层的数据。尽管增加模块加深了网络深度,但是BN层可以加快模型收敛速度,使整个训练时间不发生较大改变。在CCTSDB数据集上进行特征提取。实验结果表明,该模型利用新型网络结构SF-RCNN,交通标示识别精度均值达到了87.48%,警告类别识别精度达到89.93%,禁令类别识别精度达到89.25%、方向类别识别精度达到81.08%、指示类别识别精度达到89.66%。 展开更多
关键词 卷积神经网络 交通标示识别 SF-RCNN MASPP F-concat
在线阅读 下载PDF
频高图F层异常分层现象的自动识别 被引量：2
4
作者 胡辉 姜春华 +2 位作者 周晨 杨国斌 赵正予 《地球物理学进展》 CSCD 北大核心 2020年第2期415-421,共7页
频高图F层异常分层(增层)是指在常规电离层结构的基础上,由于电子密度被扰动而在频高图中出现多层回波结构,该F层异常分层(增层)现象在白天和晚上均可观测到.电离层异常分层(增层)主要由某种电动力学或者突发电离源导致电子密度出现扰... 频高图F层异常分层(增层)是指在常规电离层结构的基础上,由于电子密度被扰动而在频高图中出现多层回波结构,该F层异常分层(增层)现象在白天和晚上均可观测到.电离层异常分层(增层)主要由某种电动力学或者突发电离源导致电子密度出现扰动而形成,已经引起国内外学者的广泛关注和研究.目前从频高图中识别F层异常分层(增层)主要还是通过人工的方法,海量的频高图数据使该方法在研究F层异常分层(增层)统计特征时变得非常困难.有别于传统的图像分类算法中需要对图像特征进行提取,本文通过引入卷积神经网络(Convolution Neural Network, CNN),设计开发出一种能够自动识别存在F层异常分层(增层)频高图的方法,该方法可以直接输入频高图样本数据,省去了复杂的图像特征提取过程.本文设计的卷积神经网络经过训练以后F层异常分层(增层)识别率为85.82%,准确率90.36%.实验结果表明该卷积神经网络可以较好地自动识别出F层异常分层(增层)的频高图. 展开更多
关键词 电离层 频高图 F层异常分层 卷积神经网络
原文传递
特征优选与卷积神经网络在农作物精细分类中的应用研究 被引量：19
5
作者 刘戈 姜小光 唐伯惠 《地球信息科学学报》 CSCD 北大核心 2021年第6期1071-1081,共11页
农作物的精细分类一直是农业遥感领域的热点,对农作物估产和种植结构监管有重要意义。深度学习的出现为农作物分类准确性的提升提供了新的思路。本文提出一种特征优选与卷积神经网络(Convolutional Neural Networks,CNN)相结合的多光谱... 农作物的精细分类一直是农业遥感领域的热点,对农作物估产和种植结构监管有重要意义。深度学习的出现为农作物分类准确性的提升提供了新的思路。本文提出一种特征优选与卷积神经网络(Convolutional Neural Networks,CNN)相结合的多光谱遥感农作物分类方法,用以解决精细分类问题。实验以哨兵2号遥感影像为数据源,基于多光谱遥感影像的波段反射率与包括归一化植被指数在内的10种植被指数,利用Relief F算法进行特征增强与优选,获取最优特征集,从而设计出基于特征优选的CNN分类方法,并对河南省原阳县主要农作物水稻、玉米、花生进行分类识别与制图,分类精度达到96.39%。同时,选用支持向量机、CNN方法分别对研究区农作物进行分类识别。对比分析3种方法的分类结果,发现本文提出的基于最优特征集的CNN农作物分类方法表现最优,CNN方法次之,支持向量机方法表现最差。实验结果表明:(1)利用Relief F算法能够对特征贡献度进行排序,完成特征筛选,得到包含24个特征的最优特征子集,训练精度达到99.89%;(2)基于最优特征集的CNN方法能够在最大程度上提取高精度差异性特征,实现对农作物的精细分类,且相比CNN和支持向量机的农作物分类方法,本文方法表现更佳。 展开更多
关键词 农作物分类 遥感 CNN 深度学习 Relief F 特征优选 植被指数 多光谱
原文传递
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部