基于深度学习的图像采集前端异常检测

发布时间：2021-09-25 06:40

　　如今监控视频已经普及到我们生活中的各个角落,随着监控设备大量的投入使用,如何保证庞大的监控系统处于正常工作状态已成为研究的热点课题,通过对现有的文献资料研究分析,影响监控视频图像质量异常有多种因素,有人为以及环境的影响,在设备投入的长时间使用中其本身也会出现各种各样的硬件故障,可以通过对视频图像的分析从而发现设备的故障情况,以提高维护人员的工作效率,所以对图像异常的研究分析有着实际的意义,在目前的监控视频图像质量检测方法中,大多需要大量前期的图像预处理工作如特征提取等,并且易受图像场景以及自然环境因素的影响,虽然能够在一定程度上识别出异常图像,但是影响图像质量的原因有很多,而由于人工干预太多增加了方法的主观性,导致其应用起来有着太多的局限性,并且建模比较复杂,而采用深度学习的方法能够有效的避免这些问题。论文通过构建深度学习模型来进行图像异常识别,主要的研究工作有,首先对深度学习的基础模型、使用工具caffe框架以及深度学习方法的分析,通过对采集到的监控视频图像分析,主要有偏色和摄像机角度两种异常情况,并通过人工将采集到的正常图像模拟了马赛克、清晰度、高斯噪声和椒盐噪声异常类型,然后对其... 

【文章来源】：昆明理工大学云南省

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

Sigmoid函数曲线图

图 2.6 Sigmoid 函数曲线图nh 函数 函数基本上与 Sigmoid 函数有着像同的性质，不同的是 Tanh非零均值的问题，将输入的实值压缩到（-1,1）之间，使其收对于梯度消失的问题依然没有解决，数学表达式为，tanh 2.7 所示：

0的数据压缩为 0，大于0的数据保持不变且导数为恒定值t 网络中就得到了非常不错的效果，相比于 sigmoid/tanh 激 收敛速度更快并且梯度不会出现饱和现象，其次是 ReLU 阈值就能得到激活值，而不需要通过复杂的指数运算，加算速度，根据生物神经网络对输入信号具有选择性响应的8]，能够屏蔽掉部分输入信号使其学习率的精度得到提高，性，更接近生物神经特性，由于 ReLU 函数使部分神经元的参数之间的依赖关系使过拟合现象得到缓解，但是也存在“坏死”现象，由于 ReLU 在x < 0时其梯度被置为 0，使任何数据激活，导致权重参数不再能更新，可以通过设置整，每种激活函数都有其各自的特点，在实际应用中需要激活函数。


本文编号：3409301