卷积神经网络现状范文第1篇

关键词： 交通标志； 识别； 卷积神经网络； 深度学习

中图分类号： TN911.73?34； TP391.41 文献标识码： A 文章编号： 1004?373X（2015）13?0101?06

Abstract： In actual traffic circumstance， the image quality of collected traffic signs is worse due to motion blur， background disturbances， weather conditions， and shooting angle. The higher requirements are proposed for accuracy， robustness and in real?time of traffic signs auto?recognition. In this situation， the traffic signs recognition method based on deep?layer convolution neural network is presented. The method adopts supervised learning model of deep?layer convolution neural network. Taking the collected traffic sign images through binarization as the inputs. The inputs are conducted multilayer process of convolution and pooling?sampling， to simulate hierarchical structure of human brain perception visual signals， and extract the characteristics of the traffic sign images automatically. Traffic signs recognition is realized by using a full connected network. The experimental results show that the method can extract the characteristics of traffic signs automatically by using deep learning ability of the convolution neural network. The method has good generalization ability and adaptive range. By using this method， the traditional artificial feature extraction is avoided， and the efficiency of traffic signs recognition is improved effectively.

Keywords： traffic sign； recognition； convolution neural network； deep learning

0 引 言

随着智能汽车的发展，道路交通标志的自动识别[1?3]作为智能汽车的基本技术之一，受到人们的高度关注。道路交通标志识别主要包括两个基本环节：首先是交通标志的检测，包括交通标志的定位、提取及必要的预处理；其次是交通标志的识别，包括交通标志的特征提取和分类。

如今，交通标志的识别方法大多数都采用人工智能技术，主要有下述两类形式[4]。一种是采用“人工特征+机器学习”的识别方法，如基于浅层神经网络、支持向量机的特征识别等。在这种方法中，主要依靠先验知识，人工设计特征，机器学习模型仅负责特征的分类或识别，因此特征设计的好坏直接影响到整个系统性能的性能，而要发现一个好的特征，则依赖于研究人员对待解决的问题的深入理解。另一种形式是近几年发展起来的深度学习模型[5]，如基于限制波尔兹曼机和基于自编码器的深度学习模型以及卷积神经网络等。在这种方法中，无需构造任何的人工特征，而是直接将图像的像素作为输入，通过构建含有多个隐层的机器学习模型，模拟人脑认知的多层结构，逐层地进行信息特征抽取，最终形成更具推广性和表达力的特征，从而提升识别的准确性。

卷积神经网络作为深度学习模型之一，是一种多层的监督学习神经网络，它利用一系列的卷积层、池化层以及一个全连接输出层构建一个多层的网络，来模仿人脑感知视觉信号的逐层处理机制，以实现视觉特征信号的自动提取与识别。本文将深层卷积神经网络应用于道路交通标志的识别，通过构建一个由二维卷积和池化处理交替组成的6层网络来逐层地提取交通标志图像的特征，所形成的特征矢量由一个全连接输出层来实现特征的分类和识别。实验中将加入高斯噪声、经过位移、缩放和旋转处理的交通标志图像以及实际道路采集交通标志图像分别构成训练集和测试集，实验结果表明，本文所采用的方法具有良好的识别率和鲁棒性。

1 卷积神经网络的基本结构及原理

1.1 深度学习

神经科学研究表明，哺乳动物大脑皮层对信号的处理没有一个显示的过程[5]，而是通过信号在大脑皮层复杂的层次结构中的递进传播，逐层地对信号进行提取和表述，最终达到感知世界的目的。这些研究成果促进了深度学习这一新兴研究领域的迅速发展。

深度学习[4，6?7]的目的就是试图模仿人脑感知视觉信号的机制，通过构建含有多个隐层的多层网络来逐层地对信号特征进行新的提取和空间变换，以自动学习到更加有效的特征表述，最终实现视觉功能。目前深度学习已成功地应用到语音识别、图像识别和语言处理等领域。在不同学习框架下构建的深度学习结构是不同的，如卷积神经网络就是一种深度的监督学习下的机器学习模型。

1.2 卷积神经网络的基本结构及原理

卷积神经网络受视觉系统的结构启发而产生，第一个卷积神经网络计算模型是在Fukushima的神经认知机中提出的[8]，基于神经元之间的局部连接和分层组织图像转换，将有相同参数的神经元应用于前一层神经网络的不同位置，得到一种平移不变神经网络结构形式。后来，LeCun等人在该思想的基础上，用误差梯度设计并训练卷积神经网络[9?10]，在一些模式识别任务上得到优越的性能。

卷积神经网络本质上是一种有监督的深度学习算法，无需事先知道输入与输出之间精确的数学表达式，只要用已知的模式对卷积神经网络加以训练，就可以学习到输入与输出之间的一种多层的非线性关系，这是非深度学习算法不能做到的。卷积神经网络的基本结构是由一系列的卷积和池化层以及一个全连接的输出层组成，可以采用梯度下降法极小化误差函数对网络中的权值和阈值参数逐层反向调节，以得到网络权值和阈值的最优解，并可以通过增加迭代次数来提高网络训练的精度。

1.2.1 前向传播

在卷积神经网络的前向传播中，输入的原始图像经过逐层的卷积和池化处理后，提取出若干特征子图并转换成一维特征矢量，最后由全连接的输出层进行分类识别。

在卷积层中，每个卷积层都可以表示为对前一层输入图像的二维卷积和非线性激励函数，其表达式可用式（1）表示：

[Ylj=f i=1Ml-1Yl-1i?Wlij+blj] （1）

式中：[Ylj]是第l层中第[j]个卷积特征子图的输出；[Ml-1]是前一层（[l-1]层）的输出[Yl-1j]的总数；[Wlij]是第[l]层中第[j]个卷积的权值；[blj]是第[l]层中第[j]个卷积的阈值；符号“*”表示二维卷积运算；[f（?）]是非线性激励函数，其表达式如下：

[f（x）=11+e-x] （2）

式中：[x]是函数的输入。对于一幅[Nl-1x*Nl-1y] 的输入图像[Yl-1i]和[Klx*Kly]的卷积权值[Wlij，]输出[Ylj]的大小为[Nl-1x-Klx+1，Nl-1y-Kly+1。]

在池采样层中，每个池采样层通过一个非重叠的[kx×ky]矩形区对上一卷积层输出的特征子图进行采样（求矩形区内像素的均值或最大值）。经过池采样后输出的特征子图在两个维度上分别缩小[kx]和[ky]倍，其表达式为：

[Yl+1j=down（Ylj）] （3）

式中：[Yl+1j]表示第[l+1]层中第[j]个池采样的输出；[Ylj]是前一层（l层）的输出特征子图；down（）实现对[Ylj]的池采样。图1给出了上述卷积和池采样的示意图。

在输出层中，首先利用一个全连接层将输入的特征子图转换为一个一维的特征矢量，然后再应用一个BP神经网络完成特征矢量的分类识别。BP神经网络输出层的每一个神经元的输出值对应于输入图像所属不同交通标志图像的概率，表达式为：

[Yj=fi=1nWij×Yl+1i+bj] （4）

式中：[Yj]表示输出层中第[j]个输出；[Yl+1i]是前一层（[l+1]层）的输出特征（全连接的特征向量）；[n]是输出特征向量的长度；[Wij]表示输出层的权值，连接输入[i]和输出[j]；[bj]表示输出层第[j]个输出的阈值；[f（?）]是输出层的非线性激活函数。

对于一个有[C]种不同的交通标志和共计[N]个样本的情况，整个网络的误差平方代价函数[11]为：

[EN=12n=1Nk=1Ctnk-ynk2=12n=1NTn-Yn2] （5）

式中：[T=[t1， t2， …， tC]]为网络的理想输出目标矢量；[Y=[y1， y2， …， yC]]为网络的实际输出矢量；[tk=0，1，][yk∈[0，1]，][k=1，2，…，C。]

当只考虑第[n]个单个样本时，网络的误差平方代价函数可以表示为：

[En=12k=1Ctnk-ynk2=12Tn-Yn2] （6）

1.2.2 反向传播

在反向传播过程中，卷积神经网络的训练方法采用类似于BP神经网络的梯度最速下降法，即按极小化误差的方法反向传播调整权值和阈值。网络反向传播回来的误差是每个神经元的基的灵敏度[12]，也就是误差对基的变化率，即导数。下面将分别求出输出层、池采样层和卷积层的神经元的灵敏度。

（1） 输出层的灵敏度

对于误差函数式（6）来说，输出层神经元的灵敏度可表示为：

[δ=-fu×T-Y] （7）

[u=W×Yl+1+b] （8）

式中：[T]表示目标输出；[Y]表示网络的实际输出；[Yl+1]表示上一层（池采样层）的输出；[W，b]分别是输出层的权值和阈值。那么输出层的权值和阈值的导数为：

[?E?W=Yl+1×δT] （9）

[?E?b=δ] （10）

（2） 池采样层的灵敏度

池采样层没有权值和阈值，所以不存在权值和阈值的导数，只需要求出该层的灵敏度。

① 若池采样层的下一层为全连接的输出层，那么池采样层的灵敏度为：

[δl+1i=WijTδj] （11）

式中：[δil+1]表示输出层的第[j]个灵敏度；[Wij]表示输出层的权值。

② 若池采样层的下一层是卷积层，那么假设第[l+1]层为池采样层，第[l+2]层为卷积层，且卷积层的灵敏度为[δl，]有[M]个特征图。第[l+1]层中的每个特征的灵敏度等于第[l+2]层所有特征核的贡献之和，那么池采样层的灵敏度为：

[δl+1i=j=1Mδl+2j?Wl+2ij] （12）

式中：“[?]”表示卷积；[δil]表示第[l]层第[i]个特征映射的灵敏度；[δjl+1]表示第[l+1]层第[j]个特征映射的灵敏度；[Wl+1ij]表示第[l+1]层的权值，连接第[i]个特征灵敏度与第[j]个特征灵敏度。

（3） 卷积层的灵敏度

假设第[l]层为卷积层，第[l+1]层为池采样层，且池采样层的灵敏度为[δl+1，]那么卷积层的灵敏度为：

[δlj=up（（δl+1j））] （13）

[up（δl+1j）δl+1j?1kx×ky] （14）

式中：up（・）表示池采样第[l+1]层的灵敏度特征映射；[δjl]表示第[l]层第[j]个特征映射的灵敏度；[δjl+1]表示第[l+1]层第[j]个特征映射的灵敏度；[kx×ky]表示采样池的大小。

现在对于一个给定的特征映射，就可以计算出卷积层的权值和阈值的导数：

[?E?Wlij=u，v（δlj）uv（Yl-1i）uv] （15）

[?E?blj=u，v（δlj）u，v] （16）

式中：[Yl-1i]是第[l-1]层与权值[Wlij]作卷积的特征映射；输出卷积映射的[（u，v）]位置的值是由第[l-1]层的[（u，v）]位置的特征映射与权值[Wlij]卷积的结果。

1.3 网络权值和阈值的调整

所有层的权值和阈值的导数都可以用上述方法求得，然后再依据梯度下降法[13]调整权值和阈值，如下：

[ΔWijk+1=ηΔWijk+α（1-η）?E?Wijk] （17）

[Wijk+1=Wijk+ΔWij（k+1）] （18）

[Δbjk+1=ηΔbjk+α（1-η）?E?bjk] （19）

[bjk+1=bjk+Δbj（k+1）] （20）

其中：[k]表示迭代次数；[ΔWij，][Δbj]分别表示权值和阈值的调整值；[Wij，][bj]分别表示权值和阈值调整后的值；[α]为学习效率；[η]为动量因子。

在前向传播过程中，得到网络的实际输出，进而求出实际输出与目标输出之间的误差；在反向传播过程中，利用误差反向传播，采用式（17）～式（20）来调整网络的权值和阈值，极小化误差；这样，前向传播和反向传播两个过程反复交替，直到达到收敛的要求为止。

2 深层卷积神经网络的交通标志识别方法

2.1 应用原理

交通标志是一种人为设计的具有特殊颜色（如红、黄、白、蓝、黑等）和特殊形状或图形的公共标志。我国的交通标志主要有警告、禁令、指示和指路等类型，一般采用颜色来区分不同的类型，用形状或图形来标示具体的信息。从交通标志设计的角度来看，属于不同类型（不同颜色）的交通标志在形状或图形上有较大的差异；属于相同类型（相同颜色）的标志中同类的指示信息标志在形状或图形上比较接近，如警告标志中的平面交叉路口标志等。因此，从机器视觉的角度来分析，同类型中同类指示信息的标志之间会比不同类型的标志之间更易引起识别错误。换句话说，相比于颜色，形状或图形是正确识别交通标志的关键因素。

因此，在应用卷积神经网络识别交通标志时，从提高算法效率和降低错误率综合考虑，将交通标志转换为灰度图像并作二值化处理后作为卷积神经网络的输入图像信息。图2给出了应用卷积神经网络识别交通标志的原理图。该网络采用了6层交替的卷积层和池采样层来逐层提取交通标志的特征，形成的特征矢量由一个全连接的输出层进行识别。图中：[W1i]（i=1，2，…，m1），W1j（j=1，2，…，m2），…，[W1k]（k=1，2，…，m（n?1））分别表示卷积层[L1，L3，…，Ln-1]的卷积核；Input表示输入的交通标志图像；Pool表示每个池采样层的采样池；map表示逐层提取的特征子图；[Y]是最终的全连接输出。

交通标志识别的判别准则为：对于输入交通标志图像Input，网络的输出矢量[Y=[y1，y2，…，yC]，]有[yj=Max{y1，][y2，…，yC}，]则[Input∈j，]即判定输入的交通标志图像Input为第[j]类交通标志。

2.2 交通标志识别的基本步骤

深层神经网络识别交通标志主要包括交通标志的训练与识别，所以将交通标志识别归纳为以下4个步骤：

（1） 图像预处理：利用公式Gray=[0.299R+][0.587G+0.114B]将彩色交通标志图像转换为灰度图像，再利用邻近插值法将交通标志图像规格化，最后利用最大类间方差将交通标志图像二值化。

（2） 网络权值和阈值的初始化：利用随机分布函数将权值[W]初始化为-1～1之间的随机数；而将阈值[b]初始化为0。

（3） 网络的训练：利用经过预处理的交通标志图像构成训练集，对卷积神经网络进行训练，通过网络前向传播和反向传播的反复交替处理，直到满足识别收敛条件或达到要求的训练次数为止。

（4） 交通标志的识别：将实际采集的交通标志图像经过预处理后，送入训练好的卷积神经网络中进行交通标志特征的提取，然后通过一个全连接的网络进行特征分类与识别，得到识别结果。

3 实验结果与分析

实验主要选取了我国道路交通标志的警告标志、指示标志和禁令标志三类中较常见的50幅图像。考虑到在实际道路中采集到的交通标志图像会含有噪声和出现几何失真以及背景干扰等现象，因此在构造网络训练集时，除了理想的交通标志以外，还增加了加入高斯噪声、经过位移、旋转和缩放处理和实际采集到的交通标志图像，因此最终的训练样本为72个。其中，加入的高斯噪声为均值为0，方差分别为0.1，0.2，0.3，图像的位移、旋转、缩放的参数分别随机的分布在±10，±5°，0.9～1.1的范围内。图3给出了训练集中的交通标志图像的示例。图4是在实际道路中采集的交通标志图像构成的测试集的示例。

在实验中构造了一个输入为48×48个神经元、输出为50个神经元的9层网络。网络的输入是像素为[48×48]的规格化的交通标志图像，输出对应于上述的50种交通标志的判别结果。网络的激活函数采用S型函数，如式（2）所示，其输出范围限制在0～1之间。

表1给出网络的结构参数，包括每一层的特征数、神经元数、卷积核尺寸和均值采样尺寸等。

图5给出一幅交通标志图像在卷积层和均值采样层的特征子图的示例。

图6是交通标志的训练总误差[EN]曲线。在训练开始的1 500次，误差能迅速地下降，在迭代2 000次以后是一个平稳的收敛过程，当迭代到10万次时，总误差[EN]可以达到0.188 2。

在交通标志的测试实验中，为了全面检验卷积神经网络的识别性能，分别针对理想的交通标志，加入高斯噪声、经过位移、旋转和比例缩放以及采集的交通标志图像进行实验，将以上测试样本分别送入到网络中识别，表2给出了测试实验结果。

综合分析上述实验结果，可以得到以下结论：

（1） 在卷积神经网络的训练学习过程中，整个网络的误差曲线快速平稳的下降，体现出卷积神经网络的训练学习具有良好的收敛性。

（2） 经逐层卷积和池采样所提取的特征具有比例缩放和旋转不变性，因此对于旋转和比例缩放后的交通标志能达到100%的识别率。

（3） 与传统的BP网络识别方法[11]相比较，卷积神经网络能够达到更深的学习深度，即在交通标志识别时能够得到更高的所属类别概率（更接近于1），识别效果更好。

（4） 卷积神经网络对实际采集的交通标志图像的识别率尚不能达到令人满意的结果，主要原因是实际道路中采集的交通标志图像中存在着较严重的背景干扰，解决的办法是增加实际采集的交通标志训练样本数，通过网络的深度学习，提高网络的识别率和鲁棒性。

4 结 论

本文将深层卷积神经网络应用于道路交通标志的识别，利用卷积神经网络的深层结构来模仿人脑感知视觉信号的机制，自动地提取交通标志图像的视觉特征并进行分类识别。实验表明，应用深层卷积神经网络识别交通标志取得了良好的识别效果。

在具体实现中，从我国交通标志的设计特点考虑，本文将经过预处理二值化的图像作为网络的输入，主要是利用了交通标志的形状信息，而基本略去了颜色信息，其优点是在保证识别率的基础上，可以简化网络的结构，降低网络的计算量。在实际道路交通标志识别中，将形状信息和颜色信息相结合，以进一步提高识别率和对道路环境的鲁棒性，是值得进一步研究的内容。此外，本文的研究没有涉及到道路交通标志的动态检测，这也是今后可以进一步研究的内容。

参考文献

[1] 刘平华，李建民，胡晓林，等.动态场景下的交通标识检测与识别研究进展[J].中国图象图形学报，2013，18（5）：493?503.

[2] SAHA S K， DULAL C M， BHUIYAN A A. Neural network based sign recognition [J]. International Journal of Computer Application， 2012， 50（10）： 35?41.

[3] STALLKAMP J， SCHLIOSING M， SALMENA J， et al. Man vs. computer： benchmarking machine learning algorithms for traffic sign recognition [J]. Neural Network， 2012， 32（2）： 323?332.

[4] 中国计算机学会.深度学习：推进人工智能梦想[EB/OL].[2013?06?10].http：//.cn.

[5] 郑胤，陈权崎，章毓晋.深度学习及其在目标和行为识别中的新进展[J].中国图象图形学报，2014，19（2）：175?184.

[6] FUKUSHIMA K. Neocognition： a self?organizing neural network model for a mechanism of pattern recognition unaffected by shift in position [J]. Biological Cybernetics， 1980， 36（4）：193?202.

[7] LECUN Y， BOTTOU L， BENGIO Y， et al. Gradient?based learning applied to document recognition [J]. IEEE Journal and Magazines， 1989， 86（11）： 2278?2324.

[8] LECUN Y， BOTTOU L， BENGIO Y， et al. Backpropagation applied to handwritten zip code recognition [J]. Neural Computation， 1989， 1（4） ： 541?551.

[9] CIRESAN D， MEIER U， MASCI J， et al. Multi?column deep neural network for traffic sign classification [J]. Neural Networks， 2012， 32（2）： 333?338.

[10] NAGI J， DUCATELLE F， CARO D， et al. Max?pooling convolution neural network for vision?based hand gesture recognition [C]// 2011 IEEE International Conference on Signal and Image Processing Application. Kuala Lumpur： IEEE， 2011， 342?347.

[11] 杨斐，王坤明，马欣，等.应用BP神经网络分类器识别交通标志[J].计算机工程，2003，29（10）：120?121.

[12] BUVRIE J. Notes on convolutional neural networks [EB/OL]. [2006?11?12]. http：///5869/.

[13] 周开利，康耀红.神经网络模型及其Matlab仿真设计[M].北京：清华大学出版社，2005.

卷积神经网络现状范文第2篇

关键词：智能消防；火焰识别；卷积神经网络

一、智能装备简介

若想提高消防救援队伍的灭火救援效能，提高装备的智能化水平是必不可少的一步。消防装备的配备情况影响着战术和战术效果，甚至是直接影响救援成功率的重要因素。因此，提升装备的智能化水平、改善装备结构从而提升消防救援队伍的作战能力是关系广大人民群众生命以及财产安全的重要手段。消防装备智能化的研究工作任重而道远。本文着眼于图像法火焰识别技术，通过研究新技术，探讨将其应用于智能消防装备之中的可行性。

二、卷积神经网络的简介

（一）网络结构。卷积神经网络功能繁多，其中多层检测学习神经网是一种多层次的神经监测网络。其中心模块为卷积层，主要由隐藏层与最大池采样层组成，主要功能是特征提取。其中，连接层与传统多层感应器的隐藏层、逻辑归类器相对应。卷积神经网络的输入特征来源使卷积滤波器，而该神经网络的每一层都有多个理论上的神经元以及特征图。在给一个来自卷积和子采样层的输入统计滤波后，系统就提取了图像局部的特征，就可以确定它与其他特征之间的相对方位，上一层的输出值直接输入至下一层。通常情况下，我们可以通过特征层来得到卷积层（特征层是指：输入到隐藏层之间的映射）。（二）局部感受野与权值共享。局部感受野：由于图像空间的连接是局部性的，因此每个神经元都不需要感测全部图像，而只需感觉到局部的特征。然后，通过对较高级别感测量的局部神经元进行集成，可以得到整体的信息，并且减少了连接数量。权重分享：不同神经元之间的参数分享可通过降低求解参数，并通过放大器对图像的放大积获得多种特征图。实际上，权重共享图像上的第一隐藏层的所有神经元由于是在同一卷积上确认的，所以均能在图像的任意一个位置检测到毫无差别的特性。他的最主要的功能是能够通过适应小范围的图像和平移从而达到检测不同位置的目的，也就是良好的不变性平移。（三）卷积层、下采样层。卷积层：通过去卷积来提取图像特征，用来强化初始信号原属性，从而减少噪音。下采样层：由于研究人员发现图像下采样过程中，它能在保留信息的同时降低数据处理量，因此在发现某一特定的特征后，由于这个位置并不重要，所以样本会扰乱特定的位置。我们只需要知道这个特征与其他特点之间的空间相对方位，就可以处理类似的物体由变形和变型而产生的变化。（四）卷积神经网络的不足。如果网络层需要加深，每一个网络层增加的神经元数量会大幅增加，从而使模型复杂化，增大了调整参数的难度，也增大了过度拟合的风险。此外，在反向传播过程中，连续迭代会使梯度不断减小，而梯度一旦归零，权值便无法更新，导致神经元失效。（五）展望与总结随着研究人员对卷积神经网络相关的研究不断推进，其性能日益强大，复杂度也日益提升。目前，卷积神经网络的相关研究已经取得了显著成效。然而，一些人工扰动（如向原图片中键入噪点）仍然会导致图像的错误分类。如何解决这一问题，是今后研究的重点。此外，卷积神经网络的结构升级仍有很大空间，通过提升网络结构设计的合理性，可以完善量化分析能力。

三、图像分割

图像中包含很多数据，需要分割图像。然而，精确区分干扰是对整个系统亮度的精确分类和准确划类的前提。图像的分析技术是计算机视觉技术的基础。通过图像分割、提取特征参量等方法可以将原本的图像抽象化，从而便于分析和处理。多年以来，图像的分割技术研究一直是重中之重，研究人员给出了多种分割方法。一般而言，图像分割是将图像划分为不同的区域，给不同的区域赋予不同的权重，从而获取重要对象的一种技术。特征可能是灰度、颜色、纹理等，目标可能对应一个区或多个地方，这与特殊目的应用程序和特殊目的服务请求程序有关。一般而言，图像取值分割分析算法大致来说可以再细分为图形图像取值分割、边缘图像分割、区域分割和重复图像分析四大个门类。

四、火焰色彩虚拟模型的特征

（一）火焰色彩颜色类型特征。火焰色彩模型一般来说是基于某种火焰色彩类型模式，通过在图像阈值控制范围内通过设置某种色彩模型图像阈值来降噪提取火焰颜色特征图像。可以用任何提取静态火焰的特殊像素或者图案方式来精确描述一个静态火焰特征。然而，单纯地依靠颜色模型来进行火焰识别会导致严重的误判。火焰的颜色范围是非常大的，所以它很可能与其他物体颜色相近，导致模型将其混为一谈。（二）降噪在。火焰发展的初期过程中，是不断处于移动变化的。又一方面，火焰的全部运动都不会跳跃，也就是火焰满足相对稳定性。所谓燃烧火灾的相对稳定性，是指在火灾发生后，燃烧范围的空间会成一个相对稳定的扩增趋势扩增。通过分析火灾的相对稳定性，可以消灭许多虚假信号。（三）静态模型。在基于单帧图像识别的算法中，由于只使用了几个以火焰为基准的单一形状特征，因此算法复杂、误判率很高。因此，一个能够自主优化识别的模型就显得十分重要，图像静态特征提取的方法如下：由于曲率在人的视觉系统中往往是观测场景的重要参数，因此提取几何图像曲率等参数，并以此描绘火焰图像；根据测得的数据，描绘连续零曲率以及局部最大曲率、最高曲率正负值等集合特点。（四）动态模型在动态燃烧过程中，产生的火焰具有持续性。此外，根据火焰自身的特性和各种原因，火焰还会不断发生变化。然而，这种变化并不在单个帧图像中反映出来，而是在连续的多帧图像中只反映。因此，提取火焰的动态特征就是分析处理连续多帧图像。近年来，随着火灾科学的发展，从火焰的随机状态中发现了其规则性：1.火焰的面积增长性；2.火焰的形状相似性；3.火焰的整体移动。基于图像的火焰识别算法可划分为动态识别和静态识别。若将这两种算法同步进行应用，则定能增加工作效率。火焰形成的重要特点之一便是火焰形状。对于采集到的ccd火焰图像，首先进行两个连续的图像差分操作，然后通过分割方法获得连续帧的变化区域，使用扫描窗口得到的像素点数来记述连续帧变化区域。变化区域是指：图像处理中，在获得阈值之后，通过对高光度进行科学计算、实验分析，最终得到的区域。当其他高温物体移动到相机或离开视野时，所检测到的目标区域会逐渐扩大，并容易引起干扰，从而造成系统错误的报告。因此，需要将数据和其他图像的关键性特征进行一个高强度的结合，再深度进行挖掘。火焰的形状相似性：图像之间的类似性通常依赖于已知描述特点之间的差异度。该方法能够在任意复杂程度上建立相应的类似性量。我们可以对两个相似的元素进行比较，也可以对两个相似的场面进行比较，图像之间的相似性通常意义上是指场景以及结构上的相似性。在一般情况下，图像的结构相似度往往并不高，因此，我们倾向于选择更加典型的结构特点进行描述，如区域面积、区域亮度、线段长度等参数。虽然火焰的图像序列中火焰的边缘往往是很不稳定的，但图像的总体变化会被限制在一定范围内，而且一般的干扰信号模式包含了固定点或者光照变化，因此，在火焰识别的过程中，可以用初始火焰形状的变化规则与其进行对照。尽管火焰的变化通常呈现出不规则的特性，然而这种不规则在形态、空间分布等方面往往具有某种相似之处，因此，我们可以用连续图像的结构相似性来进行解析。

五、结语

各种高新技术不断飞跃式发展，这为我国消防智能化技术的开发以及与外国新型消防设备之间的碰撞提供了一个良好的契机，而消防装备的智能化已成为一个必然的趋势。自改革开放至今，我国所研究的有关装备智能化领域内取得的成果，已经为我们打下了坚实的发展基础，因此我们更应该加快消防智能化的进程，综合现有所具备的技术，取其精华去其糟粕，适而用之。由于研究条件和专业方向的局限，本文对智能消防装备中的火焰识别技术仍然存在不足。此次智能消防装备的研究方向主要是火焰识别领域，以建立模型的方法进行测算与研究，而对于理论性知识方面的探讨仍存在很大的不足。之后的研究可以从其他方面进行深入的探讨，探究其对系统化建模会产生哪些方面的影响。

参考文献：

[1]喻丽春,刘金清.基于改进MaskR-CNN的火焰图像识别算法[J].计算机工程与应用,2020,964(21):200-204.

[2]肖堃.多层卷积神经网络深度学习算法可移植性分析[J].哈尔滨工程大学学报,2020,41(03):420-424.

[3]郭昆.基于卷积神经网络的建筑风格图像分类的研究[D].武汉理工大学,2017.

[4]徐晓煜.极化合成孔径雷达舰船检测方法研究[D].西安电子科技大学,2017.

[5]黄忆旻.基于图像检索的导游系统的设计与实现[D].苏州大学,2016.

[6]宋戈.火灾自动检测技术在无人值守变电站中的应用[D].沈阳理工大学,2010.

[7]葛勇.基于视频的火灾检测方法研究及实现[D].湖南大学,2009.

卷积神经网络现状范文第3篇

关键词：温室；卷积神经网络；自动控制；自适应

随着现代化农业生产技术的快速发展，作为农业现代化重要标志之一的温室控制技术[1]也面临着重大的技术改进。如何提高温室控制系统对温室环境的高效、准确控制，提高控制系统的智能化、网络化[2]程度，降低系统成本是目前需要重点改进的技术。针对目前温室控制系统对温室环境因子调节不够准确，控制系统成本高，智能化、网络化程度低的不足，文章综合考虑温室环境因素之间的相互影响对温室环境的影响，设计了一种应用嵌入式加单片机控制的基于卷积神经网络的温室智能监控系统。

1 系统总体设计

基于卷积神经网络[3]的温室智能大棚监控系统由四种下位机数据采集单元、数据传输线路、以及系统上位机三大部分组成，如图1所示。

在温室环境中，温度、湿度、光照强度、CO2浓度四个因素对作物的影响最大且很难合理有效的控制调节。文章研究以上四个环境因子之间的相互影响并对其进行科学的调节控制。本系统采用多个传感器[4]完成上述所需参数数据的采集。为了实时方便的监控大棚内各种环境参数，系统备有数据信息显示界面，由中央处理器通过显示接口外接一个LCD液晶屏，把数据采集单元（变送器）采集到的环境参数，经过打包、处理，通过RS-485衔接串口传送给中央处理器，以此显示大棚内环境参数的变化。中央处理器具备人机交互软件，在接收多个变送器的数据后，可以显示在用户界面上，并且根据收集来的数据通过内部的卷积神经网络程序来控制系统硬件驱动进行相应的操作处理。通过触摸屏上的按键可以对数据进行管理，还可以设定温度、湿度、光照以及CO2浓度的限值。路继电器以及相应的电路驱动模块控制相应的设备来调节温室内的环境参数。

2 系统硬件组成

本系统硬件由四种变送器[5]、上位机ARM920T为核心的嵌入式控制器以及单片机控制系统组成。这里面变送器的功能是把传感器收集来的信号（温度、湿度等）转变为可被控制器识别的电信号，传送给中央处理器。单片机系统通过串口连接各个驱动模块以及继电器来控制大棚内各个设备的状态。上位机嵌入式控制器把单片机传来的信息加工处理并且储存在SQlite中，完成对环境参数数据的实时采集以及分析，并且根据内部卷积自适应控制程序操控驱动模块采取相应的措施来维持温室最佳环境。

2.1 空馕率度变送器

主要技术参数：电源：5号电池，两节；功耗：工作电流，0.2mA，发射电流，15mA；温度精度：±0.5℃；湿度精度：±4.5%；

2.2 光照度变送器

主要技术参数：电源：取自“环境数据监控器”；通讯：RS485，与“环境数据监控器”相连；照度范围：0-200000lux

2.3 CO2变送器

主要技术参数：电源：取自“环境数据监控器”；通讯：RS485，与“环境数据监控器”相连；测量范围：0-10000ppm

2.4 单片机控制系统和嵌入式控制器

此部分通过内部设计好的程序控制温室内各种设备对种植环境参数“采集、存储、监测、分析、预警、控制”，是使系统能够精确测量6种参数的保证，根据6种环境参数的变化，利用卷积程序智能控制设施环境中的相应电器设备，满足不同作物对环境条件的具体要求。

3 系统软件设计

软件系统由单片机控制系统和嵌入式控制系统构成。

3.1 单片机控制系统

单片机控制系统部分主要功能是对天窗、遮阳网、喷淋装置等进行控制。

3.2 嵌入式控制系统

嵌入式控制系统的设计由动态显示模块、控制模块、数据库模块、通信模块四个部分组成。通过动态显示模块可以及时监控各环境因子的变化；控制模块可对整个系统进行操控；数据库模块是为作物生长环境的设定而积累数据，并且系统内部卷积神经网络程序利用这些数据作为输入来进行压缩卷积；通信模块是实现上位机和单片机之间的通信。

4 结束语

基于卷积神经网络的温室智能大棚监控系统，采用ARM加单片机的组合控制方式，虽然成本稍微较高，但避免了传统温室控制系统中对温室环境参数调节不够准确、控制系统成本过高、智能化程度低、以及专家系统的参数决定不准确等弊端设计等问题，集智能检测、通信技术、卷积神经网络、自动控制于一体，利用嵌入式技术进行环境参数的自动检测和可靠传递，运用神经网络算法对数据智能优化，再利用单片机进行自动控制，为一套高性能的自适应智能控制系统。

参考文献

[1]王宝金.农业专家系统应用技术展望[J].计算机与农业，2002（05）.

[2]白涛，吴智铭，杨根科，等.网络化的控制系统[J].控制理论与应用，2004（04）.

[3]张振山，高子恒，范建领.基于VB语言的神经网络专家系统设计与应用[J].计算机测量与控制，2008（08）.

卷积神经网络现状范文第4篇

针对大规模人脸检索问题,提出了一种带相关反馈的基于深度神经网络模型的人脸检索方法.首先利用卷积神经网络对人脸进行特征提取,再利用传统的检索方法进行人脸检索,在检索环节之后加入相关反馈环节.根据用户反馈的结果,将样本分成正例和负例,作为反馈环节的训练样本,完成反馈环节的训练.实验表明,该方法能够显著提高人脸检索的准确率.

关键词:

人脸检索;卷积神经网络;哈希检索;相关反馈

近些年来,随着计算机技术的不断发展,计算机视觉(CV)问题越来越受到人们的关注,例如物体识别[1,2]、图像检索[3,4]、图像匹配[5,6]等,而在所有的计算机视觉问题中,人脸识别与检索方法由于其与人身份的密切联系而受到研究者更加广泛的关注.目前的人脸检索方法主要包括三个部分,人脸图像预处理,人脸特征提取,特征检索.而这其中人脸特征提取部分得到的人脸特征的优劣直接决定整个人脸检索系统的性能.也正是由于这一点,多年来研究者们纷纷提出了多种多样的特征提取方法.总结这些特征提取方法,主要有两个研究方向,一是人工设计特征,(如LBP[7],SIFT[8]等),另一个是学习特征.人工设计特征是根据图像自然具有的颜色,纹理,形状等特征,通过一定的数学方法,设计出来的一种特征抽取方法,sift特征便是这其中较为出色的特征抽取方法.人工特征虽然具有理论基础清晰的优点,但是,人工特征的设计需要大量的理论知识和深厚的数学功底,这制约了该方法的进一步发展.2006年,以GeoffreyHinton在Science发表文献[9],提出深度置信网络(DeepBeliefNetworks,DBN)可使用非监督的逐层贪心算法来训练为标志,研究人员开始将深度学习用于图像特征提取,并在图像分类问题上取得了惊人的效果.

2014年,XiaogangWang,XiaoouTang等人发表文章[10],利用多层卷积神经网络提取人脸图像的特征,并在LFW上验证其分类效果,实验表明,文中提出的深度网络进一步提高了人脸分类的准确率.2014年,XiaogangWang,XiaoouTang等人发表文章[10],利用多层卷积神经网络提取人脸图像的特征,并在LFW上验证其分类效果,实验表明,文中提出的深度网络进一步提高了人脸分类的准确率.基于上述人脸特征提取方法,本文提出了一种带相关反馈的深度学习人脸检索方法,该方法设计了一种多层的CNN网络,利用打好类别标签的人脸图片数据集训练该网络,此深度网络能提取人脸图像的特征,基于此特征,再利用传统的检索方法,得出待检索人脸的检索结果.我们发现,该结果虽然比以往的基于人工特征的检索方法具有更好的检索准确率,但是仍然具有较大的提升空间,因此,在检索之后,加入反馈环节,利用相关反馈算法获取带标签数据,对该反馈网络进行训练,最终得到一个带反馈的深度学习网络.

1相关概念

1.1卷积神经网络卷积神经网络ConvolutionalNeuralNetworks(CNN)是一种特殊的深层神经网络模型,它的特殊性体现在两个方面,一方面它的神经元间的连接是非全连接的,另一方面,同一层中某些神经元之间的连接权重是共享的.卷积网络是为识别二维形状而特殊设计的一个多层感知器,这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性.

1.2相关反馈算法人脸检索领域的反馈即是使用一种判别标准(如人工判断)对检索结果的正确性进行判别,再将判别结果回送到检索系统,优化检索系统参数,从而起到对检索结果不断修正的作用.相关反馈算法,一方面,通过对最佳的查询方向估计来调整查询的方向,使其不断向用户反馈的正例靠近,而远离反例;另一方面,利用反馈信息修改距离公式中各分量的权值,突出重要的分量[11,12].

2带相关反馈的基于深度神经网络模型的人脸检索方法

根据文献[10]的思想,我们设计了一个8层的卷积神经网络,利用这一网络结构来实现人脸图像特征的提取.网络结构包含1个输入层,2个卷积层,2个下采样层,2个全连接层和1个输出层.网络中的卷积层和下采样层是经过专门设计来提取局部特征和全局特征的.最终抽取出一个256维的特征向量用来表示输入的人脸图片.网络结构如图1所示。基于上述网络结构得到的人脸特征进行人脸检索,我们利用文献[13]中的有监督哈希检索方法.该文献的思想是将高维数据投影成二进制码,通过对带有相关性标签的训练样本对的学习,相似样本对之间的汉明距离最小,而不相似的样本对之间的汉明距离最大.将上述方法应用到人脸检索中,使用哈希方法获得待检索人脸样本的哈希编码,再计算这个哈希编码与检索库中其他检索样本哈希编码之间的汉明距离,通过距离的大小来判断检索库中哪些样本是与待检索样本相似的结果.每次检索过程,一张待检图片都会得出若干个最为相似的检索结果,而这些结果中有部分是正确的检索结果,而另外一部分则是错误的.根据文献[11]提到的相关反馈算法,检索用户能够很容易判断这些检索结果的正误,且能够通过简单的操作将这些结果进行分类(正确或者错误).多次检索会积累一定量的此类数据,以往的检索方法没有考虑这些数据,而经验告诉我们,这些数据应该会对往后的检索结果有帮助.

因此,我们设计了一个反馈环节,利用这些数据去训练反馈环节,不断提升整个系统的检索性能.相关反馈能够运用于人脸检索,正是由于人脸检索库中存在的人物一般是具有身份标签的,每一个人脸都会属于其中的一个身份的人,也就是属于所有类别中的一类,检索库中存在多少个人也就分成多少个类.在检索过程中,如果用户判断检索出的结果和用户提交的检索图像属于同一个人,则认为是相关图像,否则认为是无关图像.所有的检索结果,用户认为相关则标记为正例,无关则标记为负例.本文采用的方法是首先将待检目标人脸,利用前文提到的方法得出一个初步的检索结果,再根据相关反馈算法,由用户对检索结果进行标定,用户认为结果正确,就标为正例,反之则是负例.再将这些打过标签的检索结果组成的训练集输入到反馈环节中,训练产生一个反馈分类器,之后的检索结果就可以通过这个反馈分类器,判断出更多正确的结果.反馈环节是一个分类器,提升反馈环节的性能可以使用提升分类器性能的方法.在一定范围内提升参与分类器训练的样本、调节分类器参数、使用更加优秀的度量函数都可以达到效果.由于本文的论述重点在于反馈分类器能够使整个系统获得随着检索结果的不断积累而使性能不断优化的功能.对反馈分类器的分类效果不满意时,每次检索得出的结果都可以在用户反馈后加入训练集对反馈分类器进行重新训练.系统性能能够随着检索次数的增加而不断提升.因此,本文主要通过改变样本数量来仿真系统性能的提升.详细的算法流程如表1.

3实验

为了测试本文提出的带相关反馈的基于深度神经网络的人脸检索方法的性能,需要首先对深度卷积神经网络进行训练,本次实验使用的训练集由LFW上的部分图片和在互联网上下载的图片组成,图片一共有大约50000张.部分图片如图2所示.测试数据集我们使用的是YouTubeFacesDatabase[14]随机选取的20000张图片,这些图片包含1595个不同的人.分别打上1到1595的标签,数字相同的表示同一个人.实验结果如下.

3.1输出不同的检索结果数,检索准确率对比人脸检索是通过输入一张待检索图片,输出用户需要的一系列被检索图片.这里输出检索结果图片数量range变化,对检索准确率具有直接的影响.一般来说,检索准确率随着输出结果数增加而下.然而,加入反馈环节之后,能够在一定范围内提升整个系统的检索性能.本次实验为了验证本文所提方法的上述性能,设计使range从10变化到20过程中,记录加入反馈环节前后检索准确率的变化.实验结果如图3中未加反馈曲线所示,其中横坐标表示range的变化,纵坐标表示检索准确率.实验表明,随着输出图片数量(range)的不断增加,未加反馈时检索的准确率不断下降.加入反馈,使用前述相同的数据进行实验,其结果如图4中加反馈曲线所示,前后两次结果的对比表明,本文提出的带反馈环节的检索方法在输出多个结果时,依然能够显著提升检索的准确率.

3.2不同数量的样本集下反馈环节对检索性能的影响为了验证样本个数增加对相关反馈算法的性能影响,我们选择测试样本数据集中样本总数分别为5000,10000,20000,30000个.再选择样本集中的80%对哈希检索函数进行训练,20%进行检索测试输出range=20的结果,收集这些输出检索结果利用相关反馈算法打上标签,对反馈环节进行训练.记录加相关反馈前后检索准确率.检索准确率如图4所示.从图4的曲线中,可以发现,未加反馈环节时,随着参与哈希函数训练的样本数据不断增加,检索的准确率也是呈不断上升态势的,因此,提高样本总数,能够提升哈希检索的准确率.但是,无限制地提升样本个数必然会以牺牲检索时间为代价的.另外,获取大量的加标签的人脸图片也是非常困难的工作.而本文方法训练反馈环节的标签样本是多次检索积累下来的,获取比较容易.而加入反馈环节后,实验数据表明,相同的数据量检索准确率有显著提升,且随着数据量的增加,检索准确率也是不断提升的,直到样本数到达20000附近时,反馈环节参数已达最优,准确率达到峰值.

4结语

卷积神经网络现状范文第5篇

[论文摘要]以海南省3所高校的421名在校非体育专业本科生为研究对象，并与体育专业本科生的网络成瘾情况进行对比研究，所有数据均采用SPSS11软件进行统计分析。结果表明：体育生的网络成瘾现象均高于文科生和理科生，而文科生又高于理科生；理科生网络成瘾者的心理健康水平均高于体育生和文科生，体育生则高于文科生。

目前，互联网已进入千家万户，并以意想不到的速度占据了社会政治和经济的各个领域，它具有信息量大、速度快、虚拟、娱乐和没有国界等功能，因而受到当代大学生的青睐，也丰富了大学生的学习和生活。但同时网络也是一把“双刃剑”，它具有强大的诱惑力，不少大学生因此患上了令全社会瞩目和忧虑的网络成瘾症，他们的身心也受到了影响。鉴此，笔者对海南省大学生网络成瘾和心理健康水平进行了调查研究，旨在了解海南省大学生网络成瘾和心理健康水平的基本情况，并在此基础上，提出了防治大学生网络成瘾综合症和提高他们心理健康水平的干预措施，这对戒除大学生网络成瘾和提高他们的心理健康水平均具有十分重要的意义。

一、研究对象与方法

(一)研究对象海南大学、海南师范大学、原华南热带农业大学等3所高校的在校本科生，其中海南大学160人，海南师范大学161人，华南热带农业大学100人。

(二)研究方法采用Jane和Kathy Sherer所编制的“大学生网络成瘾鉴别量表”来测试大学生网络成瘾的状况；采用(SCL一90心理症状自评量表》来测试大学生的心理健康水平。

本次问卷调查共发放问卷和自测量表各421份(男生268人，女生153人)，回收问卷398份，回收率为94．5％。其中有效问卷384份，有效率为96．5％。而在这384人的有效问卷中，男生为243名，占调查总人数的63．3％；女生为141名，占调查总人数的36．7％。另外，采用SPSS11软件对所收集到的数据进行统计分析。

二、结果与分析

(一)“大学生网络成瘾鉴别量表”的测评结果与分析

在“大学生网络成瘾鉴别量表”中做出5个或者5个以上肯定答案者为网络成瘾者J，即“IAD”组，余下的学生为非“IAD”组。本次测试结果显示：网络成瘾者有32名，占测试总人数的8．33％，文科l7名，占4．43％；理科15名，占3．90％；其中男生24名，占测试总人数的6．25％，女生8名，占测试总人数的2．08％，男生多于女生。所有被测试的学生均有使用网络的经验。在实地调查中，有19．3％的学生上网是为了学习，80．7％的学生是为了在网上聊天、玩游戏、浏览不良信息或其他。从测评结果和实地调查的结果说明，大学生的认知能力较差、自我管理与约束能力不强L6j，对网络的认识和使用存在严重的偏差。

(二)“SCL一90心理症状自评量表”的测评结果与分析

1．对SCL一90量表中阳性项目数的统计与分析统计结果显示：阳性项目数大于或等于43项的有84人，根据全国常模结果，这84人可考虑筛选为阳性，由此说明，21．8％的学生具有阳性症状，并影响了他们的心理健康。

2．对SCL一90量表中阳性症状均分的统计与分析统计结果显示：阳性症状均分在0～1．0分的人数有16人，占总人数的4．2％，说明这l6人无症状；阳性症状均分在1．1～2．0分的有78人，占总人数的20．3％，说明这部分学生有症状，其心理健康受到了影响，但症状轻微；阳性症状均分在2．1～3．0分的人数有250人，占总人数的65．1％，说明这部分学生有症状，并且其心理健康受到一定的影响；阳性症状均分在3．1～4．0分的人数有37人，占总人数的9．6％，说明这部分学生有症状，而且他们受到中度的影响，主要表现在手腕关节不适、视力下降、记忆力减退、情绪低落和血压升高等；阳性症状均分在4．1～5．0分的有3人，占总人数的0．8％，说明这3人不仅有症状，而且还受到相当程度的影响，具体表现在植物性神经紊乱、体内激素水平失衡、免疫功能降低、神经衰弱，缺乏正常人的形象思维和逻辑思维，不善于与人交际等，对此应引起高度重视，必要时应给予治疗。

3．“IAD”组与全国网络成瘾常模在SCL一90量袁上的比较与分析

表1统计结果显示：“IAD”组学生的各项因子平均分大都高于全国常模中的各因子，经过检验，除躯体化因子无显著性差异外，其他9项因子均具有极显著的差异，这说明“网络成瘾症”已经影响了大学生的身心健康。在访谈的过程中发现，网络成瘾的学生一般都有手腕关节不适、腰酸背痛、食欲不振、精神恍惚、情绪低落、思维迟钝等症状。而且，网络成瘾的学生缺课现象较严重，学习成绩普遍较差，每个学期都有2～4门的课程需要重修，部分学生甚至面临退学。

4．“IAD”组与非“IAD”组在SCL一90量表上的比较与分析

表2统计结果显示：“IAD”组学生的各项因子平均分均高于非“IAD”组学生。经t检验，“IAD”组与非“IAD”组在SCL一90上的比较表明，除抑郁因子和焦虑因子无显著性差异外，其他各项因子均具有极显著的差异。在“IAD”组与非“IAD”组的结果比较中，虽然“IAD”组各项因子的平均得分均高于非“IAD”组，但在抑郁、焦虑2个因子上的表现无显著性差异，这与以往的同类研究有所不同。根据彼特鲁茨罗(Letruzzello，1991年)、拉方丹(Lafontaine，1992年)等人的研究表明¨，体育锻炼可以减缓人的抑郁和焦虑情绪，而且对抑郁和焦虑情绪状态都有显著的治疗作用。在访谈过程中，笔者还发现，虽然有些学生是网络成瘾者，但大部分都是篮球、足球、排球的爱好者，甚至小部分学生还有晨跑的好习惯，这与缓解网络成瘾者的抑郁和焦虑情绪有一定的关系。

5．文科学生“IAD”组与体育学生“IAD”组在SCL一90量表上的比较与分析

表3统计结果显示：文科学生“IAD”组的躯体化因子、强迫因子、恐怖因子和精神病因子的平均得分均低于体育学生“IAD”组，而人际关系因子、抑郁因子、焦虑因子、敌对因子、偏执因子和其他因子的平均得分均高于体育学生“IAD”组。经t检验，文科“IAD”组与体育“IAD”组在强迫症状因子、人际关系敏感因子、抑郁因子、焦虑因子、恐怖因子、精神病因子和其他因子的比较中无显著性差异；而在敌对因子的比较中存在显著性差异；在躯体化因子和偏执因子的比较中具有极显著性差异。其原因为：在体育学习和运动竞赛中需要同伴的相互配合和合作，才能取得胜利，尤其是在团队比赛中，如篮球比赛、足球比赛、排球比赛以及田径的接力赛等。因此，通过体育学习和运动竞赛，不仅可以使学生进行心理沟通和改善人际关系，而且在一定程度上能够释放心理压力。在躯体化因子中，体育“IAD”组成员的平均得分均高于文科“IAD”组成员，这说明：长期的运动训练造成躯体的损伤对该因子的影响是存在的。

6．理科“IAD”组与体育“IAD”组在SCL一90量表上的比较与分析

表4统计结果显示：理科学生“IAD”组的躯体化因子、强迫因子、抑郁因子、恐怖因子、精神病因子和其他因子的平均得分均低于体育学生“IAD”组，而人际关系因子、焦虑因子、敌对因子、偏执因子的平均得分均高于体育学生“IAD”组。经t检验，理科“IAD”组与体育“IAD”组在躯体化因子、强迫症状因子、人际关系因子、抑郁因子、焦虑因子、偏执因子和其他因子的比较中无显著性差异；在敌对因子和恐怖因子的比较中存在显著性差异；在精神病因子的比较中存在极显著的差异。其原因为：体育学习和运动竞赛，不仅可以加强学生之间的交流沟通和互帮互助，而且能改善他们的人际关系，因此，体育“IAD”组的敌对因子平均得分低于理科“IAD”组；此外，由于大部分体育生在长年累月的运动训练中，身上或多或少都有损伤，因此，体育“IAD组的躯体化因子的平均得分高于理科“IAD”组。

7．文科“IAD”组与理科“IAD”组在SCL一90量表上的比较与分析

表5统计结果显示：文科学生“lAD”组除了在躯体化因子和强迫因子的平均得分中低于理科学生“lAD”组外，其余因子的平均得分均高于理科“lAD”组。经t检验，文科“lAD”组与理科“IAD”组在躯体化因子、强迫症状因子、人际关系因子、抑郁因子、焦虑因子、敌对因子和恐怖因子比较中无显著性差异；在偏执因子和精神病因子的比较中存在显著性差异；在其他因子的比较中存在极显著的差异。一般而言，文科学生平时阅读的书籍比较多，特别是中文专业的学生，他们在阅读时，尤其是阅读小说时，常常有被动体验、思维入等感觉，容易把自身陷于故事的情节中，这是造成该项因子呈极显著差异的重要原因。

三、结论与建议

(一)结论

1．大学生网络成瘾者比率稍为偏高，并且男生多于女生。

2．大学生网络成瘾者的心理健康水平低于全国平均水平。

3．文科大学生网络成瘾者的心理健康水平在躯体化因子、强迫因子、恐怖因子和精神病因子上高于体育专业大学生网络成瘾者，但在人际关系因子、抑郁因子、焦虑因子、敌对因子、偏执因子和其他因子上低于体育专业大学生网络成瘾者。

4．理科大学生网络成瘾者的心理健康水平除了在人际关系因子、焦虑因子、敌对因子、偏执因子上低于体育专业大学生网络成瘾者外，其余因子均高于体育专业大学生网络成瘾者。

5．文科大学生网络成瘾者的心理健康水平除了在躯体化因子和强迫因子上高于理科大学生网络成瘾者外，其余因子均低于理科大学生网络成瘾者。

6．文、理科学生的网络成瘾度均高于体育生，文科生略高于理科生；理科生的心理健康水平均高于体育生和文科生，而文科生低于体育生。

（二）建议

1．大学生要确立正确的人生观，科学规划人生，加强自身修养和培养健全的人格，提高人际交往能力和自我调控能力，特别是要提高自身对抗不良生活习惯的免疫力，做到“进得去，出得来，拿得起，放得下”，惟有如此，才可以预防和戒除网络成瘾症。

2．学校应成立心理咨询中心，开设治疗网络成瘾的专题讲座，有针对性地对网络成瘾者进行引导，并寻求其父母的积极配合，以达到逐步缓解和戒除网络成瘾症之目的。

3．要鼓励学生积极参加各种形式的课外文体活动和社会实践活动，通过这些丰富多彩的体育活动和竞赛，可以充实大学生的业余生活，这对减少大学生有害上网时间和网络成瘾有着积极的意义。