相关实验视频
Updated: Jun 9, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.0K
一种基于反机制的自适应参数优化深度学习模型,用于能量液体视觉识别
Lu Chen1, Yuhao Yang1, Tianci Wu1
1School of Aeronautics and Astronautics, University of Electronic Science and Technology of China, Chengdu 611731, China.
Sensors (Basel, Switzerland)
|October 26, 2024
概括
一个新的深度学习模型,DBN-AGS-FLSS,准确地实时检测液体流量和粘度. 这种计算机视觉方法提高了工业监测精度,用于各种和反射液体.
科学领域:
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
- 工业监控 工业监控 工业监控
背景情况:
- 精确的液体流量和粘度检测对于工业和环境监测至关重要.
- 传统方法面临着各种液体样本和能量液体的反射性质的挑战.
研究的目的:
- 开发一种新的,高精度的,实时的液体表面指针检测模型.
- 用计算机视觉和深度学习来解决样本多样性和反射性质的复杂性.
主要方法:
- 提出了DBN-AGS-FLSS集成深度学习模型.
- 结合深度信念网络 (DBN),反最小平方SVM (FLSS) 和自适应基因选择器 (AGS).
- 使用双边过,自适应对比增强,以及用于参数优化的反机制.
主要成果:
- 实现了高性能指标:准确率为99.37%,精度为99.36%,F1得分为99.16%,回忆率为99.36%.
- 演示了1.5ms/的快速推断速度.
- 在复杂的检测场景中验证了卓越的性能.
结论:
- 该DBN-AGS-FLSS模型提供实用和可靠的液体检测.
- 开辟了实时工业监控和自动化系统的新途径.
- 为未来的计算机视觉检测技术提供了宝贵的参考.
