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

44 条数据
?? 中文（中国） ▾

  • 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

  • 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

  • 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

  • 用于HEp-2荧光强度分类的深度卷积神经网络

    摘要： 间接免疫荧光（IIF）检测被推荐为抗核抗体（ANA）检测的金标准方法，该抗体对自身免疫性疾病诊断具有重要价值。荧光强度分析通常较为复杂，且受操作者能力影响，统计上易与错误类别关联。本文提出一种卷积神经网络（CNN）系统，用于HEp-2 IIF图像的阳性/阴性荧光强度分类（这对自身免疫疾病诊断至关重要）。该方法采用知名预训练CNN提取特征，并通过支持向量机（SVM）分类器进行最终的正负类别判定。本系统基于AIDA（计算机辅助自身免疫诊断）项目构建的数据库开发完成，分类器在该数据库上完成训练。我们在该数据库公开的2080张IIF图像子集上测试了所提方法，性能分析显示荧光强度分类准确率约达93%。通过与最具代表性的前沿研究对比评估结果，证实了本系统在HEp-2图像强度分类中的优越性。

    关键词： 自身免疫性疾病、准确性、支持向量机、受试者工作特征（ROC）曲线、卷积神经网络（CNN）、间接免疫荧光（IIF）图像

    更新于2025-09-23 20:38:33

  • 基于卷积神经网络的电致发光图像中光伏电池缺陷自动检测

    摘要： 由于人工/目视检测应用有限且光伏组件产量不断增长，自动缺陷检测在光伏领域的重要性日益凸显。本研究针对电致发光（EL）图像中的光伏组件缺陷开展自动检测。我们提出了一种采用轻量级卷积神经网络架构的新方法来识别EL图像缺陷，在EL图像太阳能电池数据集上取得了93.02%的当前最优结果。该方法计算功耗和时间需求较低，可在普通CPU计算机上保持实时处理速度，单张图像预测仅需8.07毫秒。为构建轻量架构，我们对系列网络结构进行了大量实验验证，并评估数据增强操作以应对数据稀缺问题。针对显著的过拟合问题，我们采用适当策略提升模型泛化能力，同时展示了各策略的影响效果。此外，研究还分析了EL图像中可能出现的裂纹形态及缺陷类型，这将有助于在大规模数据可用时正确标注新图像以实现特定缺陷类型的预测。本框架已在实验室环境实验应用，可助力现场及工业场景的自动缺陷检测。

    关键词： 光伏电池开裂，自动缺陷检测，卷积神经网络（CNN），电致发光，深度学习，光伏（PV）组件

    更新于2025-09-19 17:13:59

  • [IEEE 2019物联网国际会议(iThings)暨IEEE绿色计算与通信会议(GreenCom)暨IEEE信息物理社会计算会议(CPSCom)暨IEEE智能数据会议(SmartData) - 美国佐治亚州亚特兰大市(2019年7月14日-17日)] 2019物联网国际会议(iThings)暨IEEE绿色计算与通信会议(GreenCom)暨IEEE信息物理社会计算会议(CPSCom)暨IEEE智能数据会议(SmartData) - 基于集成卷积神经网络从红外卫星数据估算热带气旋最大风速

    摘要： 热带气旋（TC）最大风速是评估风灾潜力和风暴潮等TC风险的重要参数。先前研究表明，通过基于卫星云图云特征的系列经验规则可估算TC最大风速。卷积神经网络（CNN）等深度学习技术具备提取与理解眼区、螺旋雨带等与最大风速密切相关的云特征的能力。但CNN主要用于目标识别与分类，在回归任务中应用较少。我们提出基于卷积神经网络的集成架构，可更精准地估算TC最大风速。该架构具体包含：用于训练并捕捉云图与其风速间非线性关系的输入层、卷积层、激活函数及池化层，以及执行估算任务的全连接层。我们评估了红外云图与TC最大风速回归领域的最新技术水平，论证了不同组件的必要性，结果表明该方法提升了TC强度估算能力。

    关键词： 红外云图，卷积神经网络（CNN），台风最大风速

    更新于2025-09-16 10:30:52

  • 对数变换域中基于跳跃连接的扩张残差学习用于血流激光散斑成像的实时去噪

    摘要： 激光散斑对比成像（LSCI）是一种用于绘制血流图的大视场非接触式成像技术。尽管基于块匹配和三维滤波（BM3D）的去噪方法能显著提高其信噪比（SNR），但处理时间难以实现实时去噪。此外，在存在显著噪声和伪影的情况下，仅用少量原始散斑图像仍难以获得可接受的SNR水平。前馈式去噪卷积神经网络（DnCNN）在自然图像去噪中达到最先进性能且能通过GPU高效加速，但由于LSCI原始散斑对比图像的噪声分布不均匀，其学习效果较差。因此，我们提出在log变换域训练LSCI专用DnCNN以提高训练精度，使峰值信噪比（PSNR）提升5.13 dB。为缩短推理时间并提升去噪性能，我们进一步提出具有跳跃连接的扩张深度残差学习网络（DRSNet）。采用五幅原始散斑图像的DRSNet图像质量评估优于使用二十幅原始散斑图像的空间平均去噪。在NVIDIA 1070 GPU上，DRSNet对486×648像素血流图像的去噪耗时35毫秒（即每秒28?。?，比DnCNN快约2.5倍。在测试集中，DRSNet的PSNR也比DnCNN提高0.15 dB。该网络在生物医学血流实时监测方面展现出良好应用潜力。

    关键词： 血流、卷积神经网络（CNN）、激光散斑对比成像（LSCI）、扩张卷积、跳跃连接

    更新于2025-09-16 10:30:52

  • [IEEE 2019年第十届高光谱成像与信号处理研讨会：遥感技术演进（WHISPERS）- 荷兰阿姆斯特丹（2019.9.24-2019.9.26）] 2019年第十届高光谱成像与信号处理研讨会：遥感技术演进（WHISPERS）- 基于卷积神经网络的多分辨率草坪杂草分类知识迁移

    摘要： 杂草识别与分类是实施定点除草的关键且具有挑战性的任务。由于杂草与作物的光谱相似性较高，本研究采用基于空间信息的对象图像分析方法进行杂草分类。随着多种传感器的广泛应用，我们能够从不同高度、利用不同规格的传感器获取杂草影像。本文提出一种创新方法：通过卷积神经网络（CNN）运用迁移学习技术处理多源传感器获取的多分辨率图像。先利用典型图像数据集训练CNN并迁移其训练权重至不同分辨率的其他数据集，从而仅需少量训练样本对网络进行微调即可实现新数据集分类，大幅降低模型训练所需的大数据量。为避免微调过程中的过拟合问题，我们基于预训练模型初始层参数，研究并提出了小型深度学习架构。实验还探究了训练样本规模对微调效果的影响。田间试验表明，该方法在识别精度和计算成本方面均优于直接训练法。

    关键词： 高光谱图像，分辨率，卷积神经网络（CNN），杂草制图，迁移学习

    更新于2025-09-12 10:27:22

  • 用于跨域虹膜呈现攻击检测的多视图学习分类器集成

    摘要： 全球范围内大规模虹膜识别系统的应用，凸显了检测呈现攻击图像（纹理隐形眼镜和打印件）的重要性。本研究提出了一种新型虹膜呈现攻击检测（PAD）方法，通过探索卷积神经网络（CNN）与二值化统计图像特征（BSIF）转换输入空间的组合方案。该方法采用轻量级CNN对输入图像的多个BSIF视图进行分类。在研究互补输入空间以获取更具判别性的攻击检测特征后，我们还提出了一种算法来为本任务筛选最优（且最具判别性）的预测因子。该预测因子集合利用其预期个体性能，将结果聚合为最终预测。实验表明，该技术改进了当前虹膜PAD领域的先进水平，在LivDet-Iris 2017竞赛中同时超越了同数据集和跨数据集场景的优胜方案，并揭示了跨数据集场景的极高挑战性。

    关键词： 卷积神经网络（CNN）、集成学习、二值化统计图像特征（BSIF）、呈现攻击检测（PAD）、虹膜识别

    更新于2025-09-11 14:15:04

  • 基于Wasserstein生成对抗网络的高光谱图像无监督特征提取

    摘要： 特征提?。‵E）是高光谱图像（HSI）处理中的关键研究领域。近年来，由于深度学习（DL）在提取空间和光谱特征方面具有强大能力，基于DL的FE方法展现出巨大的应用潜力。然而，大多数基于DL的FE方法属于监督学习，其训练过程严重受限于高光谱图像中标注样本的缺失问题，这制约了监督式DL特征提取方法在高光谱处理中的应用。为解决该问题，本文提出一种改进型生成对抗网络（GAN），用于无监督地训练DL特征提取器。该网络包含生成器和判别器两个组件：生成器专注于数据集真实概率分布的学习，判别器则能有效提取具有优异不变性的空间-光谱特征。为实现自适应学习上采样与下采样策略，生成器采用全反卷积子网络设计，判别器则基于全卷积子网络构建。此外，通过利用生成器与判别器的零和博弈关系，设计了新型极小极大代价函数，实现端到端的无监督GAN训练。该方法还将原始JS散度替换为Wasserstein距离，以缓解GAN框架训练过程中的不稳定性和困难性。三个真实数据集的实验结果验证了所提方法的有效性。

    关键词： 卷积神经网络（CNN）、高光谱图像（HSI）、特征提?。‵E）、生成对抗网络（GAN）

    更新于2025-09-11 14:15:04