基于Google第二代人工智能学习系统TensorFlow构建神经网络对烟雾图像进行识别检测，通过改进的运动检测算法截取疑似烟雾区域图像，并结合PCA降维算法和Inception Resnet v2网络模型在TensorFlow平台下进行烟雾特征的训练识别。该算法实现了较大范围的火灾实时检测报警，经过实验证明整个检测过程准确地识别了视频流中的烟雾区域，相比于传统烟雾识别方法具有更高的准确率和自适应性，为大范围的火灾烟雾报警提供了一种有效方案。

基于深度学习移动端车型识别，支持1776种常见车辆品牌及子品牌

基于深度学习的短文本语义相似度计算，通过深度学习的思想计算语义相似度

行人检测技术在智能交通系统,智能安防监控等领域表现出了极高的应用价值,已经成为计算机视觉领域的重要研究方向之一。

测试工程源码3(一种基于深度学习的号牌定位方法),用于车牌识别、身份证识别、高铁车号识别等

测试工程源码2(一种基于深度学习的号牌定位方法),用于车牌识别、身份证识别、高铁车号识别等

文章在深度学习理论的基础上应用LSTM网络对电力负荷进行了预测，具有较高的应用价值。

基于深度学习的图像识别，介绍了目前行业最新的深度学习算法，R-CNN等，分析的很全面

基于深度学习的人脸表情识别（Tensorflow的模型和权重）.zip基于深度学习的人脸表情识别（Tensorflow的模型和权重）.zip基于深度学习的人脸表情识别（Tensorflow的模型和权重）.zip基于深度学习的人脸表情识别（Tensorflow的模型和权重）.zip基于深度学习的人脸表情识别（Tensorflow的模型和权重）.zip基于深度学习的人脸表情识别（Tensorflow的模型和权重）.zip基于深度学习的人脸表情识别（Tensorflow的模型和权重）.zip基于深度学习的人脸表情识别（Tensorflow的模型和权重）.zip

首先用现有的人脸检测算法，直接对图像进行人脸检测，训练好的人脸分类权值文件last_one.h5已放到log文件夹下，然后将检测的每一个人脸，单独切割出来，进行是否戴口罩的二分类。先对图像中的人脸进行标注，包括了戴口罩的，和不带口罩的两个label的目标。佩戴口罩的人脸图片命名标记为mask_1，没有佩戴口罩的人脸图片为nomask_1，然后在数据集准备好之后可以利用train.py文件训练 ，效果与详解可以看bilibili视频：https://www.bilibili.com/video/BV1dZ4y1F7Po/