简介：摘要本文针对人工缺陷识别的缺点，提出了基于深度学习的输电设备缺陷识别方法，使用卷积神经网络进行图片的特征提取，避免了前期复杂繁琐的图片预处理，与此同时选用了ImageNet作为分类器进行缺陷判断。该方法经过实验验证，对常见的设备缺陷有较高的识别率，提高了输电线路巡检的自动化水平，降低了人工的劳动强度，便于快速准确的发现输电线路缺陷。

简介：在铁路货运电子商务系统中,预订车票登录界面验证码图像中字符,提出了一种基于卷积神经网络（CNN）的铁路货运验证码识别方法.先对验证码图像进行预处理得到单个字符,再对单字符图像数据建立CNN模型进行迭代训练.该方法针对铁路货运验证码图像特征,图像字符分割正确率接近100%,单个验证码字符正确识别率达98%以上,单张验证码图像识别率接近93%.试验表明,该方法对铁路货运验证码识别率较高,可应用于验证码的自动识别.

简介：目的：针对脑肿瘤形状、位置及大小等多变性,提出一种适合磁共振成像（MRI）脑肿瘤分割的卷积神经网络模型的改进方法。方法：将卷积神经网络应用到脑肿瘤分割上,并针对脑肿瘤的特点,提出多尺度卷积神经网络模型（MSCNN）,通过多尺度的输入与多尺度下的采样,克服脑肿瘤的个体差异,同时适应脑肿瘤不同图像层之间的大小位置差异,弱化肿瘤边缘与正常组织灰度相近的影响。结果：通过对30例患者的多模态磁共振图像进行分割,得到平均Dice系数为83.11%;平均灵敏度系数为89.48%;平均阳性预测值（PPV）系数为78.91%。结论：MRI脑肿瘤分割的改进方法可使分割精度得到明显提高,多尺度卷积神经网络能自适应脑肿瘤的差异性,并准确有效地分割脑肿瘤。