国家自然科学基金(31200544)
- 作品数：6 被引量：77H指数：4
- 相关作者：郑嫦娥田野刘晋浩路敦民李琼砚更多>>
- 相关机构：北京林业大学南京交通职业技术学院更多>>
- 发文基金：国家自然科学基金中央高校基本科研业务费专项资金国家教育部博士点基金更多>>
- 相关领域：自动化与计算机技术农业科学环境科学与工程金属学及工艺更多>>
- 深度区域网络方法的细粒度图像分类被引量：17
- 2017年
- 目的在细粒度视觉识别中,难点是对处于相同层级的大类,区分其具有微小差异的子类,为实现准确的分类精度,通常要求具有专业知识,所以细粒度图像分类为计算机视觉的研究提出更高的要求。为了方便普通人在不具备专业知识和专业技能的情况下能够区分物种细粒度类别,进而提出一种基于深度区域网络的卷积神经网络结构。方法该结构基于深度区域网络,首先,进行深度特征提取任务,使用VGG16层网络和残差101层网络两种结构作为特征提取网络,用于提取深层共享特征,产生特征映射。其次,使用区域建议网络结构,在特征映射上进行卷积,产生目标区域;同时使用兴趣区域(Ro I)池化层对特征映射进行最大值池化,实现网络共享。之后将池化后的目标区域输入到区域卷积网络中进行细粒度类别预测和目标边界回归,最终输出网络预测类别及回归边框点坐标。同时还进行了局部遮挡实验,检测局部遮挡部位对于分类正确性的影响,分析局部信息对于鸟类分类的影响情况。结果该模型针对CUB_200_2011鸟类数据库进行实验,该数据库包含200种细粒度鸟类类别,11 788幅鸟类图片。经过训练及测试,实现VGG16+R-CNN(RPN)和Res101+R-CNN(RPN)两种结构验证正确率分别为90.88%和91.72%,两种结构Top-5验证正确率都超过98%。本文模拟现实环境遮挡情况进行鸟类局部特征遮挡实验,检测分类效果。结论基于深度区域网络的卷积神经网络模型,提高了细粒度鸟类图像的分类性能,在细粒度鸟类图像的分类上,具有分类精度高、泛化能力好和鲁棒性强的优势,实验发现头部信息对于细粒度鸟类分类识别非常重要。
- 翁雨辰田野路敦民李琼砚
- 关键词：细粒度卷积神经网络
- 复杂背景下基于深度卷积神经网络的森林火灾识别被引量：33
- 2016年
- 针对森林火灾的特点,提出并设计一种基于深度学习的森林火灾图像识别方法。通过实验,给出用于复杂背景下森林火灾识别的深度卷积神经网络结构,并对该结构进行训练和测试。并且,针对小样本林火识别存在识别率低的问题,提出一种参数替换方法。结果表明,该方法具备较高的正确率,正确率达到98%。同时网络可自动提取特征,无需对输入图像进行复杂预处理,克服了传统算法许多固有的缺点,将其应用在森林火灾识别领域取得了很好的效果。
- 傅天驹郑嫦娥田野丘启敏林斯俊
- 关键词：图像处理卷积神经网络
- 小型轮腿复合式越障车轮的设计与改进被引量：2
- 2014年
- 为适应复杂地形的越障作业需要,设计出一种新型的轮腿复合式越障车轮。首先,对所设计机构的工作原理进行了介绍;其次,在三维设计软件SolidWorks中建立了轮腿复合越障车轮的三维CAD模型;最后,利用ANSYS软件对所设计的轮腿复合式越障车轮进行了受力分析,根据分析结果,对相关零件的结构进行了改进。对照改进前后的ANSYS受力分析结果可知:改进设计后,既减轻了质量和降低了转动惯量,又满足越障时的受力要求。
- 郑嫦娥王佳丽王伟龙刘晋浩闫海龙周琪涵
- 关键词：越障ANSYS分析
- 基于OpenCV的大叶黄杨叶片特征视频图像检测被引量：1
- 2014年
- 选用常用观赏性植物大叶黄杨的叶片作为待检测的苗圃苗木,基于OpenCV进行关于大叶黄杨叶片检测识别程序的编写,训练得到了检测大叶黄杨叶片级联的Boosted分类器,通过检测Haar特征,旨在找到一种能够从复杂背景视频图像中检测大叶黄杨叶片的动态检测方法,满足苗圃除草机的检测识别要求。通过试验检测的数据和实际测试的结果证实,基于OpenCV的特征物体检测方法对复杂背景视频图像中的大叶黄杨叶片检测是可行的,也是较简便的。
- 邓汉阳赵东郑嫦娥
- 关键词：大叶黄杨计算机视觉OPENCV
- 基于多传感器融合的林火监测被引量：17
- 2015年
- 为了提高近距离火灾监测的准确率,建立了基于Arduino平台的多传感器实时监测系统。此系统安装在移动机器人身上以探测火灾。在林火发生期间,会产生CO、CO2、明火火焰及其他产物,并引起周围环境温度的升高。因此,选择合适的传感器,检测出以上参数,就有可能据此判断实际环境是否有火。通过在Arduino上搭建火焰传感器、温度传感器、气体传感器和烟雾传感器,可以实时监测环境参数。在无火和有火环境中进行了多次试验,进行数据采集,得到了大量原始数据。无火环境的数据是在不同的天气条件下测得的;有火环境由试验火堆模拟得到。在模拟的过程中,进行人为操作以模拟不同的火情。如通过浇湿底部的可燃物模拟预热阶段,试验数据因此更有代表性。数据分析表明,单个传感器的输出值波动大,且在有火环境和无火环境中的输出值有重叠。因此,用单一传感器来检测火灾的准确率很低。而同时分析3个传感器的输出值时,其输出值随所检测火堆的不同呈现出一致的变化规律。最后,利用神经网络进行多传感器数据融合。涉及5个输入变量,由神经网络实现对多变量的非线性问题进行模式识别。将前述试验所得数据划分为训练数据和测试数据,两类数据均包含一定比例的有火样本和无火样本。用训练数据对BP神经网络进行训练,可得到林火识别模型。用测试数据检验模型,结果表明,该BP神经网络对试验火的识别准确率为98.625%。
- 丘启敏郑嫦娥田野刘晋浩傅天驹
- 关键词：安全工程林火监测多传感器BP神经网络数据融合
