深学习技术发展分析图像数据是一个膨胀的和新兴的领域。从图像数据的跟踪,识别,测量和分拣的兴趣特点的好处有节约成本,时间,提高安全性无限的应用。许多研究都使用深卷积神经网络的图像数据进行分类的裂缝已进行;然而,最小的研究已经进行了研究网络性能的效果时使用的图像噪点。本文将解决这个问题,并致力于研究图像噪声对网络精度的影响。的方法中使用包含一个基准图像数据集,其被故意与两种类型的噪声的恶化,随后用图像增强预处理技术处理。这些图像,包括其本土的同行,然后被用于训练和验证两个不同的网络来研究的精度和性能的差异。从这项研究结果表明,嘈杂的图像具有中度到在网络上的能力进行准确分类的图像高的冲击,尽管图像预处理中的应用。一个新的指数已发展为找到分类的最有效的方法在计算时间和准确性方面。因此,AlexNet被选为基础上,提出了指数的最有效的模式。
translated by 谷歌翻译