传统方法在图像清晰度识别上主要通过提取图像特征进行识别和预测,由于图像特征的提取存在一定的复杂度,尤其是对高维图像和在复杂背景环境下的特征提取。针对这一问题提出基于深度学习下的卷积神经网络(CNN)识别方法,在Convolutional Architecture for Fast Feature Embedding(caffe)框架下利用Goog Le Net网络模型,将样本图像直接作为输入参数,通过卷积神经网络进行模型训练即可得到输出结果,从而省去提取复杂的特征。通过实验验证上述方法能够较为准确的识别出图像的清晰程度。提出的方法不用提取复杂的特征,所以在图像处理中有很高的应用价值。 图像清晰度识别方法-电动液压切管机数控切管机张家港全自动切割机滚圆机，最终能够识别出图像的清晰程度，这种方法避免了提取复杂的图像特征并且也不必对原图进行预处理。1实验数据处理实验数据来源于云南省高速公路多个卡口的高清图像，摄像头采集到的图像包含了各个时间段，所以数据集包含的信息量大，干扰因素也就越多（不同天气和不同的背景等），原始数据只单纯的添加了不同程度（方差为0.01、0.07和0.3）的三类高斯噪声，从而体现了实验所采用方法的真实可靠性本文由公司网站张家港切管机网站采集转载中国知网网络资源整理! http://www.qieguanji.cc。实验使用的图像共有177340张（原图与三类噪声图像分别各为44335张），训练集为90%，测试集为10%，分别如图1和图2所示。2识别原理2.1caffe框架caffe框架是加州大学伯克利的贾扬清博士，编写的一个可读性高且清晰的深度学习开源框架，主要使用C++语言编写，支持命令行、Python和MATLAB接口，其主要由5个组件（Solver，Net，Layer，Blob，Proto）构成，如图3所示。图1训练集F图2测试集Fig.2Testsets图3caffe整体框架FSolver模块由训练网络和测试网络组成，主要负责深度网络模型的训练，是实验处理的关键部分。（2）Net模块主要负责模型中函数的计算，由一系列层组成的有向五环（DAG)计算图，为了保证前向迭代和反向迭代的准确性，其保留了计算图中所有的中间值。例如一个典型的Net模块是从磁盘中加载数据开始，从完成计算分类与重构目标函数的任务这么一个过程。在模块中主要起到整体的计算作用。（3）Layer模块则是构成框架中的网络基础，同时也是模型中最小的计算单元，主要负责计算模型中的本质特征与执行任务。其输入/输出用InputBlob/OutputBlob来表示。（4）Blob模块是框架里的存储结构，主要负责对数据处理产生的相关数据进行封装存储，可以存储一个?图像清晰度识别方法-电动液压切管机数控切管机张家港全自动切割机滚圆机本文由公司网站张家港切管机网站采集转载中国知网网络资源整理! http://www.qieguanji.cc