基于ResNet34模型的大菱鲆鱼苗识别计数方法

鱼苗数量的精准统计对提升苗种品质评价、养殖密度估算、鱼苗销售等环节的智能化水平具有重要作用。针对大菱鲆鱼苗个体小、透明度高以及体型不规则等影响计数精准度的问题,提出了一种基于ResNet34的大菱鲆鱼苗识别计数方法。首先,设计了一套适用于微小目标计数需要的图像采样装置,采用图像预处理方法实现鱼苗前景分割和初步定位。为了有效统一样本空间和待识别目标空间,利用最小外接矩规则化初步定位前景图像,构建图像样本集。大菱鲆鱼苗识别阶段,利用相同预处理方法获取待识别目标区域,并引入ResNet34模型作为识别模型实现待识别目标区域苗种识别;最后,通过统计所有待识别目标识别数量结果实现大菱鲆苗种计数。结果显示:本方法在微小鱼苗识别计数方面取得了较好的精度,利用ResNet34模型的大菱鲆鱼苗的识别平均准确率达到94.27%,比基于SVM方法(识别精度85.8%)和AlexNet(识别精度87.04%)方法识别精度分别提高7.4个百分点和8.64个百分点,优于ResNet18(识别精度93.21%)和ResNet50(识别精度93.83%)等相似结构的识别效果。本模型鱼苗计数的平均准确率达到96.28%。研究表明,提出的样本集构建和识别方法能够满足微小目标计数需求,可为鱼类苗种计数提供了技术借鉴。

基于SE-ResNet34的红火蚁巢穴判别模型

红火蚁是近年来侵害我国南方的主要外来入侵物种之一,精确识别红火蚁巢穴是防控红火蚁的关键所在。为解决传统红火蚁防控依赖人工巡视、高危险、效率低的问题,降本增效实现红火蚁巢穴的智能检视,提出了一种基于ResNet34改进的红火蚁巢穴判别模型。该模型借助采集于不同地貌特征下的红火蚁巢穴图像,结合数据增强技术进行训练,通过在ResNet34的第1层卷积层之后和全连接层之前加入SE注意力机制模块,提升网络的自适应选择和通道权值调整能力,以提取红火蚁巢穴表面局部非线性的纹理特征。经过K折交叉验证试验和超参数探究消融试验,将SE-ResNet34与AlexNet、VGG-16、ResNet18、ResNet34、ResNet50进行对比,分析得出SE-ResNet34的峰值准确率达到了98.76%,比ResNet34的准确率提高了2.17%,较其他测试模型有训练时间短、识别精度高的特点,同时展现出较强的鲁棒性和稳定性。该方法在减少人工成本的同时可降低杀虫剂的使用,为红火蚁巢穴判别提供了一种便捷高效的解决方案。

基于改进ResNet34的玉米病害分类研究

玉米病害分类是一个具有挑战性的问题,因为病害的形态和颜色等特征相似,使得分类难度较大。文章基于深度学习技术,对玉米病害进行分类研究,提出了一种名为CBAM_ResNet34的卷积神经网络模型。该模型在ResNet34基础上加入了CBAM注意力模块,可以更好地提取玉米病害特征,以提高模型的分类性能。本文使用公开玉米病害数据集,共包含8种类别,通过数据增强技术进行数据扩充得到17 670张图片,可以有效提高模型的泛化能力。将改进后的模型与ResNet34模型进行实验对比,实验结果表明,CBAM_ResNet34模型的分类准确率为88.1%,相比ResNet34提高了1.1%。该模型能够有效地对玉米病害进行分类识别,为玉米产业的发展和可持续利用提供了一种新的方法和思路。

基于元迁移学习的压燃式活塞发动机气门故障诊断研究

针对压燃式活塞发动机气门间隙故障振动信号样本少以及跨工况故障诊断困难的问题,提出一种基于元学习和迁移学习的压燃式活塞发动机气门间隙异常故障诊断方法。元学习采用MAML作为学习器,对目标域的支撑集进行数据扩展,提升其泛化能力;迁移学习采用ResNet34作为特征提取网络,并通过SSL替代SL损失函数,压缩源域特征向量之间的距离,为目标域任务提供更多的特征嵌入空间,提升其跨域诊断能力。将预训练和微调后的元学习和迁移学习模型进行决策融合后作为诊断结果输出,并使用发动机台架进行实验数据验证。结果表明,所提方法能在小样本情况下有效识别跨工况气门间隙故障,且效果明显优于单独使用元学习或迁移学习的诊断方法。

基于ResNet模型的聚乙烯燃气管道接头缺陷识别算法

接头是聚乙烯燃气管道容易出现危害性缺陷的薄弱环节,需对此薄弱区域进行定期检测,以确保聚乙烯燃气管道的安全运行。为提高聚乙烯燃气管道接头缺陷图像识别能力,提出了一种基于ResNet网络模型的改进型卷积神经网络识别算法。首先运用Laplacian算子、中值滤波等方式实现对PE燃气管道接头缺陷图像的预处理;然后,将dropout层和ELU函数加入在ResNet34网络模型中完成图像识别模型的构建;最后,采用改进的ResNet34网络模型通过试验对包含6种热熔缺陷类型的数据集进行训练和测试。试验结果表明,改进后的ResNet34网络模型对缺陷图像的训练正确率可达到97.3%,且拥有比原始的ResNet34网络模型和DenseNet网络模型更高的正确率,验证了此模型对于热熔接头缺陷图像识别的有效性。

聚乙烯燃气管道热熔接头缺陷检测系统设计及实现

为甄别片源真伪及提高热熔接头缺陷识别效率和精度,基于改进的ResNet34网络模型设计出聚乙烯燃气管道热熔接头缺陷检测系统。通过加入Droupt层和修改激活函数对ResNet34网络模型进行改进,并在此基础上对采集的数据集进行学习训练;再以训练模型为支撑设计系统总框架和功能模块;最后,基于Python语言完成聚乙烯燃气管道热熔接头缺陷检测系统的开发。测试结果显示:该系统对热熔接头缺陷的平均识别准确率为92.7%,且平均每张缺陷图像识别的时间不超过0.6 s。该系统具有较高的识别效率和准确率,可以实现聚乙烯燃气管道热熔接头缺陷的快速识别。

基于深度残差网络与迁移学习的水稻虫害图像识别

提出一个针对大多数类型的水稻害虫的图像识别方法。对ResNet34网络进行改进,提高网络的识别能,以实现基于给定的图像自动地识别分类出主要害虫。此外,基于迁移学习方法有效避免由于数据量缺乏而使得训练不足的问题。通过ImageNet数据库开展网络参数预训练能够进一步提升网络的提取性能,通过IDADP数据库可以开展参数微调工作以及训练工作。将提出的改进ResNet34模型与其他模型的性能进行对比评估。结果显示,改进ResNet34模型的识别准确度最高,F 1-score达到0.98,证明所提模型对水稻病虫害图像具有较好的识别效果。

基于改进残差网络的柑橘病害识别

针对复杂自然环境下柑橘病害图像识别准确率不高的问题,提出一种基于ResNet34深度学习模型的多类别柑橘病害图像识别方法.通过舍弃部分残差结构中的identity映射,进一步提取柑橘病害图像的低层特征,降低消极特征在低层特征的占比,得到改进后的S-ResNet模型.与ResNet34模型相比:S-ResNet模型对自然环境下柑橘病害图像的识别准确率提高了3.9%.为提取柑橘病害图像中更具表达力的深层特征,使用3×3卷积核替换ResNet34首层中的7×7卷积核,得到改进后的M-ResNet模型.使用模型融合方法将S-ResNet与M-ResNet进行融合,得到融合模型F-ResNet,解决了单一模型中泛化能力弱、鲁棒性较差等问题.实验结果表明,F-ResNet对自然环境下柑橘病害图像的识别准确率达到93.6%,可以很好地满足实际生产环境中果园病害识别需求,具有良好的应用前景.