油菜菌核病为土传病害, 发病早期叶片无可见症状, 从植株表面很难发现。 用叶片的普通光谱图像或RGB图像无法对其进行识别。 采用高光谱图像作为监测技术, 结合深度学习模型构建油菜菌核病发病早期识别模型, 并取得了较好的识别效果。 以油菜菌核病为研究对象, 采用菌丝块接种法, 在油菜根部诱发病害。 分别于发病后第2、 5、 7、 9天采集发病油菜植株和健康植株光谱图像。 对高光谱图像去除背景、 S-G光谱曲线平滑处理、 剪切、 分割等处理后构建模型训练测试数据集。 以Resnet50深度学习模型为基础, 通过增加特征图数量, 减小第1层卷积核大小来提高模型对油菜菌核病发病早期的识别能力。 通过交叉验证、 模型结构改进前后识别能力对比、 模型泛化能力测试等, 验证了改进模型的识别能力和泛化能力。 Resnet50模型结构改进前后, 对油菜菌核病发病早期的识别正确率分别是66.79%、 83.78%和88.66%, 改进后模型的识别正确率分别提高了16.99%和4.88%, 模型的识别精度和召回率也得到很大提高。 所提出的识别模型平均识别正确率为88.66%, 精度和召回率达到83%以上, 只有对发病第7天的召回率为79.04%。 把构建的多分类模型设定为是否受病害胁迫的二分类模型, 则模型的正确率97.97%, 精度99.19%, 召回率98.02%, 同时, 模型对第9天测试集的识别正确率达到91.25%。 改进后的Resnet50模型可有效保留数据的光谱特征和局部特征, 使模型对油菜菌核病发病早期的识别能力显著提高。 该模型对发病1周内的油菜菌核病严重程度具有较好的识别能力。 对是否发病的识别能力更高, 模型识别正确率、 精度和召回率均达到97.97%以上。 模型对油菜菌核病发病早期识别具有很好识别能力和泛化能力。 因此, 该模型可综合利用高光谱图像的光谱和图像特征, 解决油菜菌核病发病早期无症状、 识别困难的问题; 也可为基于高光谱或多光谱图像的农作物病害早期识别技术的发展提供参考。

从空间目标的观测图像中自动感知其类别及工作状态对****及空间探测等具有重要意义。为实现对空间目标图像信息的自动化精确感知,提出了一种数据驱动的空间目标图像信息感知技术。所提技术以深度卷积神经网络为基础,利用海量的模拟数据和少量的真实数据训练神经网络,训练后的神经网络能够直接从空间目标图像中感知空间目标的载荷及工作状态等信息。以两个空间目标图像信息感知任务为例,对技术实用性进行了测试。在空间目标载荷识别任务中,所提技术可以对不同模糊程度及不同噪声水平条件下的未知空间目标图像进行载荷识别。结果表明,对于不同的空间目标载荷,所提技术的平均识别准确率超过80%,检测速度可达50 frame/s。在空间目标状态感知任务中,采用模型组合方法搭建了空间目标工作状态感知专家系统。根据空间目标图像,实现了对空间目标工作状态信息的感知,验证了数据驱动的空间目标图像信息感知技术的有效性。

近红外光谱(NIR)分析具有分析高效、 样品无损、 环境无污染以及可现场检测等优点, 特别适合药品的快速建模分析。 但NIR存在吸收强度弱以及谱带重叠等缺点, 需要建立稳健可靠的化学计量学模型对其进行分析。 深度卷积神经网络是深度学习方法中一个重要分支, 它通过逐层抽取数据特征并进行组合、 转换, 形成更高层的语义特征, 具有极强的建模能力, 广泛应用于计算机视觉、 语音识别等领域, 而在药品NIR分析方面尚未见报道。 基于深度卷积网络模型, 对药品NIR多分类建模进行研究。针对药品NIR数据的特点,设计若干个面向多品种、多厂商药品NIR分类的一维深度卷积网络模型。模型中卷积层和池化层交叠排列用于逐层抽取NIR数据特征,输出层连接softmax分类器,对药品NIR数据进行分类概率预测。在输出层之前采用全局最大池化层, 将特征图进行整体池化, 形成一个特征点, 用于解决全连接层存在的限制输入维度大小, 参数过多的问题。 同时, 在网络模型中引入批处理操作和dropout机制, 以防止梯度消失和减小网络过拟合的风险。 在网络模型的设计过程中, 通过设计不同的卷积网络层数以及不同的卷积核尺寸大小, 分析其对建模效果的影响, 同时分析五种经典数据预处理方法对NIR分析的影响。 以我国7个厂商生产的头孢克肟片和11个厂商生产的苯妥英钠片样本NIR为实验对象, 建立药品的多品种、 多厂商分类模型, 该模型在二分类、 多分类实验中取得了良好的分类效果。 在十八分类实验中, 当训练集与测试集比例为7∶3时, 分类准确率为99.37±0.45, 比SVM, BP, AE和ELM算法取得更优的分类性能。 同时, 深度卷积神经网络模型推理速度较快, 优于SVM和ELM算法, 但训练速度慢于二者。 大量实验结果表明, 深度卷积神经网络可对多品种、 多厂商药品NIR数据准确、 可靠地判别分类, 且模型具有良好的鲁棒性和可扩展性。 该方法也可推广到烟草、 石化等其他领域的NIR数据分类应用中。

针对非约束环境下,受姿态、遮挡、尺度变化等因素的影响,密集、分辨率较低的人脸难以检测问题,提出了一种上下文敏感的多尺度人脸检测 (CSMS) 方法。该方法引入一种结合人脸上下文信息的提取模块,通过有效地融合多感受野特征来丰富目标的判别性信息。从模型结构设计的角度出发,利用多尺度特征提取尺度专门化的特征向量,使人脸检测中尺度变化具有很好的稳健性。在训练阶段采用端到端的学习方式,并引入专注于难分负例样本的训练方法来解决小尺度目标检测中的类间不平衡问题,提高了网络对难例样本的判别能力。实验结果表明,该方法对于非约束环境下的人脸检测具有很好的稳健性,在Wider Face数据集上实现了先进的检测效果。

为了避免景深和遮挡的干扰, 提高人群计数的准确性, 采用了LeNet-5,AlexNet和VGG-16 3种模型, 提取图像中不同景深目标的特性, 调整上述模型的卷积核尺寸和网络结构, 并进行了模型融合。构造出一种基于多模型融合的深度卷积神经网络结构, 网络最后两层采用卷积核大小为1×1的卷积层取代传统的全连接层, 对提取的特征图进行信息整合并输出密度图, 极大地降低了网络参量且取得了一定提升的数据, 兼顾了算法效率和精度, 进行了理论分析和实验验证。结果表明, 在公开人群计数数据集shanghaitech两个子集和UCF_CC_50子集上, 本文中计数方法的平均绝对误差和均方误差分别是97.99和158.02,23.36和41.86,354.27和491.68, 取得比现有传统人群计数方法更好的性能; 通过迁移实验证明所提出的人群计数模型具有良好的泛化能力。该研究对人群计数精度的提高是有帮助的。

针对宫颈细胞病理自动筛查问题，提出一种基于深度卷积神经网络的智能辅助诊断方法。首先采用基于改进UNet深度卷积神经网络模型的语义分割方法，检测出宫颈细胞病理涂片扫描图像中的细胞(粘连簇团)区域。接着，利用VGG 16深度卷积神经网络模型，结合迁移学习技术，对检测出的细胞(粘连簇团)区域进行精确识别。为了提高深度卷积神经网络模型的性能，在进行细胞(粘连簇团)区域检测、识别的过程中，采用了数据增强技术。同时，针对该领域相关研究缺乏宫颈细胞病理液基涂片扫描图像数据集的问题，我们收集四川大学华西附二院的典型LCT筛查病例，建立了宫颈细胞病理图像HXLCT数据集，并由资深病理医生完成数据标注。实验表明，本文方法能够较好地完成宫颈细胞病理涂片扫描图像中的细胞(粘连簇团)区域检测(正确率为91.33%)，并能对检测出的区域完成正常、疑似病变二分类识别(正确率为91.6%，召回率为92.3%，ROC曲线线下面积为0.914)。本文工作将有助于宫颈细胞病理自动筛查系统的开发，对于宫颈癌早期防治具有重要意义。