为了让机器人能识别物体类别、探测物体形状、判断物体距离,提出一种基于Mask R-CNN模型的双目视觉的物体识别和定位方法。该方法利用Mask R-CNN处理双目图像,对每张图像进行物体识别和形状分割,然后利用神经网络特征对双目图像中的相同目标进行匹配。以物体形状为依据,使用最近点搜索算法估计视差并计算距离。实验结果表明,该方法能够以准实时的速度进行物体的识别和定位,与传统的依赖计算全局视差图的方法相比,在速度和精度上都有提高。

【目的】针对小麦籽粒性状参数获取需要脱粒后测量，测量程序繁杂、费时费力的缺点，提出基于深度学习的小麦在穗籽粒表型参数测试方法。【方法】采集镇麦25、宁麦13和农麦88这3个品种小麦穗两侧正视图像，利用小麦穗正视图像构建图像增强数据集，提出深度学习与形态学处理相结合的小麦在穗籽粒表型参数测试方法。首先，建立基于改进Mask R-CNN网络的麦穗颖壳分割模型，模型以ResNet和FNP为特征提取网络并引入坐标注意力（CA）模块、聚合模块和半卷积模块，实现麦穗图像中颖壳的准确定位、分割和籽粒计数。其次，利用分割的麦穗颖壳掩膜图经形态学处理方法提取麦穗颖壳的5个表型参数，并建立麦穗颖壳表型参数与颖壳内籽粒表型参数之间的线性相关关系。最后，利用麦穗颖壳表型参数与籽粒表型参数之间的线性相关关系预测籽粒表型参数。【结果】（1）基于改进Mask R-CNN网络的麦穗颖壳分割模型的平均精确率AP为94.13%,F1值为91.12%，召回率为88.30%，单幅图像平均检测耗时97 ms，可以快速、精准地识别单粒麦穗颖壳。模型的籽粒计数的均方根误差和平均相对误差分别为0.94个和0.65%，可见模型分割籽粒的精度较高。（2）麦穗颖壳与籽粒之间的表型参数粒长、粒厚、面积、周长、长径比线性相关关系式为：y=0.7258x、y=0.5166x、y=0.3748x、y=0.6756x、y=1.4085x，其决定系数（R~2）均在0.85以上。（3）利用图像获取的麦穗颖壳参数数据对上述相关性模型进行验证并预测籽粒表型参数，粒长、粒厚、面积、周长、长径比5个参数的均方根误差和平均相对误差分别为0.17 mm、0.08 mm、0.46 mm~2、0.33 mm、0.12和0.02%、0.02%、0.02%、0.02%、0.03%，每个参数的预测数据与实际数据之间的决定系数（R~2）均在0.85以上，说明本文提出的籽粒表型预测方法可行。【结论】基于深度学习的小麦在穗籽粒表型测试方法能够通过麦穗颖壳表型参数精确预测小麦在穗籽粒的表型参数，为快速简便提取小麦籽粒表型参数提供了新的方法。

为解决烟叶智能分级识别中需对多片散放烟叶同步进行部位识别的问题，提出一种基于改进Mask R–CNN的多片烟叶的部位同步识别方法：在Mask R–CNN区域建议网络中引入K–means聚类算法，对已标注目标检测框进行聚类，实现对预设的5种尺度的锚点尺寸和3种比例的锚点长宽比的优化，使其更加符合烟叶图像数据的分布特性，达到提高生成建议框的精确性、缩短识别时间的目的。基于采集的烟叶图像数据集，验证改进Mask R–CNN方法的有效性。结果表明，当IoU为0.5时，改进MaskR–CNN单样本耗时313ms，比MaskR–CNN的326ms快，在测试集上的均值平均精度(mAP)提高了3.56%。与FasterR–CNN和SSD目标检测算法相比，在准确率和召回率上也表现出优势。

为解决烟叶智能分级识别中需对多片散放烟叶同步进行部位识别的问题，提出一种基于改进Mask R–CNN的多片烟叶的部位同步识别方法：在Mask R–CNN区域建议网络中引入K–means聚类算法，对已标注目标检测框进行聚类，实现对预设的5种尺度的锚点尺寸和3种比例的锚点长宽比的优化，使其更加符合烟叶图像数据的分布特性，达到提高生成建议框的精确性、缩短识别时间的目的。基于采集的烟叶图像数据集，验证改进Mask R–CNN方法的有效性。结果表明，当IoU为0.5时，改进MaskR–CNN单样本耗时313ms，比MaskR–CNN的326ms快，在测试集上的均值平均精度(mAP)提高了3.56%。与FasterR–CNN和SSD目标检测算法相比，在准确率和召回率上也表现出优势。

开展馆藏报纸图像内容分割研究，能提升文字识别准确率，对促进机器识别取代人工操作、提高图书馆数字化工作效率具有重要意义。文章根据报纸图像呈现的特征，提出一种基于改进Mask R-CNN的算法，实现报纸图像内容分割。首先，通过优化锚框比例和损失函数，对原始Mask R-CNN算法进行改进。其次，采用数据增强、调整训练参数开展样本训练。最后，通过实验的方式对改进后的Mask R-CNN算法训练模型和原始算法训练模型进行比较，并采用AP＿bbox和AP＿segm评价指标对实验结果进行评估，改进后的算法训练模型AP＿bbox为0.935，AP＿segm为0.943，均超过原始算法训练模型。实验结果表明，改进后的Mask R-CNN算法能够实现报纸图像内容有效检测与分割。

为了让学生更深入地掌握机器学习知识和Python语言程序设计，该文采用Faster R-CNN技术设计了颌面部囊肿目标识别系统综合实验，旨在辅助医生对患者病情的诊断。利用Python语言，在Faster R-CNN算法基础上，编写颌面部囊肿目标识别系统，实现颌面部囊肿图像预处理、特征提取、特征选择和网络模型参数训练，识别单幅计算机断层扫描图像的颌面部囊肿并可视化输出。该实验不仅可以帮助学生综合应用图像处理与机器学习知识，更好地理解和利用Faster R-CNN来进行目标识别的基本原理和方法，还能使学生更深入、熟练地掌握Python程序设计语言，提高学生的科研素质和动手实践能力。

为提高番茄器官目标识别的准确率,提出一种基于RGB和灰度图像输入的双卷积链Fast R-CNN番茄器官识别网络。该方法通过番茄器官图像数据集训练基于VGGNet基本结构的特征提取网络,并用其参数初始化Fast R-CNN,通过再训练,用以识别植株图像中的番茄花、果、茎器官。首先分析了网络深度和宽度、图像输入类型、激活单元对特征提取及网络分类性能的影响。详细阐述了基于Fast R-CNN的番茄器官识别网络的设计及训练方法,基于试验观察,提出了基于双卷积链的Fast R-CNN,融合自动提取的RGB和灰度图像

针对目前我国快递包裹中转中心面临的快递包裹文件数量密集型问题以及包裹辨识检测算法技术，提供了一个经过改进的Faster R-CNN辨识检测算法。通过修改Faster R-CNN算法中的损失函数，用RepGT损失函数替代原回归项中的损失函数，使得选取的包裹候选框更接近包裹目标框,完成图像检测。通过数据实验发现，改进后的算法比传统的Faster R-CNN在精度上提升了2.38AP，同时发现当损失函数中参数σ=1时，检测精确度达到最高。

【目的】在树种图像识别时会存在类内差异、类间相似的现象,因此导致基于单一人工特征的传统识别方法难以达到理想的识别效果。针对这一问题,本文基于卷积神经网络,提出一种将图像深层特征和人工特征融合的树种图像深度学习识别方法。【方法】将6类常见树种(樟子松、山杨、白桦、落叶松、雪松和白皮松)图像作为研究对象。首先,通过裁剪、水平翻转、旋转等操作,对原始树种图像集进行数量扩增,并划分为训练集和测试集,建立本次树种识别实验的图像库;其次,将本文模型设计为3路并列网络,分别选取RGB图像、HSV图像、LBP-HOG图像,从图像像素、色彩、纹理和形状的角度出发,对上述树种图像进行识别。一方面构建适合本文实验的CNN深度学习模型,将训练集样本中RGB图像和相对应的HSV图像作为第1路和第2路CNN模型的输入,进行树种图像深层特征提取;另一方面,对训练集进行高斯滤波去噪和人工提取LBP-HOG特征来代表纹理、形状特征,作为第3路CNN模型的输入。然后,将3路模型各自得到的特征在最后一层全连接层进行汇总,作为softmax分类器的最终分类依据。最后,为检验本文方法的可行性,利用上述特征和训练集对SVM分类器、BP神经网络以及现有的深度学习LeNet-5模型、VGG-16模型进行训练,对测试集进行识别验证,来比较最终的识别效果。【结果】本文提出的多特征融合CNN模型,训练准确率为96.13%,平均验证识别准确率为91.70%。基于单路训练的CNN树种识别模型中,RGB图像作为训练输入值时,识别率最高,为75.21%,HSV特征识别率次之,LBP-HOG特征最差;多特征融合情况下,基于RGB+H通道+LBP条件下,验证识别准确率最高,达到93.50%;RGB+HSV+LBP+HOG组合识别率不增反降,识别率为89.50%。同样的特征或特征组合条件下,SVM、BP神经网络、LeNet-5模型和VGG-16模型所获得的识别率均低于本文模型的识别率。【结论】基于RGB+H通道+LBP特征融合条件下,运用3路并列CNN模型,对本文6类树种图像进行识别的识别率最高,克服了在单一特征情况下识别率低的问题,识别效果也非常理想,实现了从大量不同树种图像中自动识别出具体类别。

物候期和识别模型的选择直接影响植物识别的精度。本研究以蒿类荒漠草地主要植物伊犁绢蒿(Seriphidium transiliense)、角果藜(Ceratocarpus arenarius)以及裸地为识别对象，选择4月、6月、9月3个时期，通过SOC 710 VP高光谱成像仪采集草地群落高光谱数据，在分析地物光谱反射率差异的基础上，利用最佳指数因子(OIF)筛选特征波段，通过卷积神经网络(CNN)和支持向量机(SVM)建立识别模型。结果表明：1)不同物候期的伊犁绢蒿与角果藜在可见光波段均表现为“低-高-低”的光谱反射率趋势，并随月份增加峰谷现象逐渐不明显；红边波段这两种植物表现出快速上升；在NIR平台区4月各识别对象间反射率大小差异最明显。2)利用OIF筛选的识别波段组合在月份间表现一致，为638.64、789.49和923.79 nm。3)在识别精度上，SVM> CNN;4月> 9月> 6月；裸地>伊犁绢蒿>角果藜。综合来看，采用SVM在4月对蒿类荒漠草地主要植物进行识别的精度最高，为92.12%。

现有的类脑计算电路存在的识别对象单一、识别率低等问题，限制了类脑芯片的发展。该文结合器件量子电导及存算一体架构，提出一种基于忆阻器的多模式识别CNN电路设计方案。该方案首先构建具有多阻态、高精度、可重构的忆阻器模型；然后采用CNN架构与权重量化方法，提高电路的训练速度与识别率；最后，在交叉阵列结构中进行电导映射，完成MNIST、Fashion-MNIST和EMNIST等多种模式测试。实验结果表明所设计忆阻器具有50个稳定阻态以及LTP突触可塑性；CNN硬件电路的多模式识别率均为90%以上，尤其是MNIST识别率高达99.08%，并验证了高斯噪声下电路的抗干扰能力。

为适应经济社会和技术环境的快速变化,依据竞优理论,从客体特质模式识别的角度对R&D人员的绩效进行分析和评价。首先,基于对R&D人员不同绩效价值的认同,从体现R&D人员个体优势的角度对其特质进行识别;其次,通过聚类分析的方法对R&D人员的个性特质进行共性提炼,得到R&D人员特质的不同模式;然后,从兼顾R&D人员数量和信息一致性的角度,计算各模式的权重值,从而获得各R&D人员的绩效评价值;最后以15名R&D人员为例,对所提方法的可行性和有效性进行验证。

个人击键节奏模式具有很难被模仿的特点并可以用于身份认证。根据个人自由文本输入时的击键数据可以学习到个人独有的击键模式。基于对用户自由文本击键输入的检测,能够在不影响用户输入的情况下完成对用户身份的持续认证。该文提出将整体击键数据划分成固定长度的击键序列,并且根据击键的时间特征将击键序列中的击键时间数据转化成击键向量。使用卷积神经网络(convolutional neural networks,CNN)加循环神经网络(recurrent neural networks,RNN)的模型进行个人击键向量序列进行学习,用于身份认证。结果表明:模型使用公开数据集进行实验获得最优拒真率(false rejection rate,FRR)为1.95%,容假率(false acceptance rate,FAR)为4.12%,相等错误率(equal error rate,EER)为3.04%。

[目的/意义]在线医疗信息抽取是实现医疗信息检索、医疗信息推荐、个人医疗健康提醒及警示、疾病诊断、公众健康监控、药物不良反应挖掘等服务的基础环节,而医疗实体抽取则是在线医疗信息抽取的首要工作。本文拟解决传统医疗实体抽取严重依赖于人工特征提取且效率低的问题。[方法/过程]以网络文本为研究对象,首先对医疗实体类型和医疗实体抽取的目标进行描述。将在线医疗文本中的医疗实体抽取任务看作序列标注问题来解决,通过对CNN模型和BiLSTM模型基础理论的探讨,构建基于混合深度学习模型CNN-BiLSTM的医疗实体抽取框架。[结果/结论]通过三组对比实验,验证了本文所使用的CNN-BiLSTM模型在医疗实体抽取任务中的有效性。

新零售是互联网、大数据、云计算、物联网、人工智能等新技术叠加应用于商业领域而形成的商业服务新模式、新体系和新形态,是智慧零售、智慧物流与智慧支付三重体系的融合,其越来越广泛地融入实体零售店和各类体验店中,重构零售系统中"人、货、场"三要素结构关系,正越来越深刻地改变人们的消费观念、消费模式和消费体验,人工智能对消费及购物的体验尤其突出。研究发现人工智能对顾客体验的影响主要有:提供定制化、个性化服务;实现场景体验;契合情感需要;更好地满足基础需要。人工智能技术在零售领域的应用,能够有效促进场景营销中消费者互动和愉悦,提升顾客购物满意度和顾客忠诚,增强消费欲望和扩大消费。