传统的卷积神经网络（CNN）是单任务网络，为实现带式输送机输煤量和跑偏的同时检测，使用2个卷积神经网络分别对输煤量和跑偏进行检测，导致网络体积大、参数多、计算量大、运行时间长，严重影响检测性能。为降低网络结构的复杂性，提出了一种基于多任务卷积神经网络（MT-CNN）的带式输送机输煤量和跑偏检测方法，可使输煤量检测和跑偏检测这2个任务共享同一个网络底层结构和参数。在VGGNet模型的基础上，增大卷积核和池化核的尺度，减少全连接层通道数量，改变输出层结构，构建了MT-CNN；对采集的输送带图像进行灰度化、中值滤波和提取感兴趣区域等预处理后，获取训练数据集和测试数据集，并对MT-CNN进行训练；使用训练好的MT-CNN对输送带图像进行识别分类，实现输煤量和跑偏的准确、快速检测。实验结果表明，训练后的MT-CNN在测试数据集中检测准确率为97.3%，平均处理每张图像的时间约为23.1 ms。通过现场实际运行验证了该方法的有效性。

很好的一个代码 自己写的

目 录 摘 要 Abstract 1绪论 1.1课题背景及研究意义 1.2国内外学生宿舍管理系统研究现状 1.3人脸识别技术的研究现状 1.4本论文主要工作内容 1.5本论文创新点 2学生宿舍管理系统技术选择和需求分析 2.1Spring 2.2Spring MVC 2.3MyBatis 2.4系统需求概述. 2.5系统建设目标 2.6用户特征. 2.7非功能性需求. 3学生宿舍管理系统平台设计 3.1平台架构设计. 3.2系统总体业务描述 3.3学生宿舍管理系统前端设计概要 3.4用户管理. 3.5业务流程. 3.5.1宿舍大门出入流程图 3.5.2宿舍异常就寝记录流程 4人脸识别在学生宿舍管理系统中的应用 4.1机器学习. 4.2人脸图像采集. 4.3人脸检测. 4.4人脸图像预处理. 5学生宿舍管理系统的实现与测试 5.1前端代码结构设计 5.2系统登录页面设计 5.3学生宿舍管理系统基础管理.. 5.4学生宿舍管理系统宿舍就寝信息管理 5.5 功能测试 5.6详细测试记录 5.7人脸识别测试. 6总结与展望

管理员和用户两个角色。 管理员可以编辑垃圾分类信息、用户信息(登录名及密码)，处理投诉、报修信息。 用户添加图片可识别垃圾，显示垃圾名称种类以及相关信息、查看投放地点，投诉（如乱丢垃圾），报修。 登录界面图形验证码。

大漠最新7.2243版本，包含答题器综合工具隐藏路径 接口说明 dm.dll等 解压密码:1234

算法原理：1.K-means算法以空间中k个点为中心进行聚类，对最靠近他们的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。 2.DBSCAN算法将具有足够密度的区域划分为簇，并在具有噪声的空间数据库中发现任意形状的簇，它将簇定义为密度相连的点的最大集合。 算法功能：通过以上两种方法对图像实现聚类（无监督学习），并比较其区别。

机器学习和深度学习

机器学习和深度学习

轮胎纹理图像识别数据集，此数据集包含有标签的破损和正常轮胎图像，该数据集共包含1028张轮胎图像。 轮胎纹理图像识别数据集，此数据集包含有标签的破损和正常轮胎图像，该数据集共包含1028张轮胎图像。 轮胎纹理图像识别数据集，此数据集包含有标签的破损和正常轮胎图像，该数据集共包含1028张轮胎图像。

木瓜成熟度图像识别数据集，实验共使用了57种水果的130个样本。这些果实可分为三个成熟期(EM1、EM2和EM3)。有些图像有多个采集，拥有多个图像。 木瓜成熟度图像识别数据集，实验共使用了57种水果的130个样本。这些果实可分为三个成熟期(EM1、EM2和EM3)。有些图像有多个采集，拥有多个图像。