基于改进ResNet-50残差网络的纤维分类方法

针对目前常见的纤维分类技术中,分类结果受人的主观影响大、检测设备昂贵、检测时间长等问题,提出一种基于ImageNet数据集预训练的改进ResNet-50残差神经网络分类方法,并对4种纤维结构较相似的动物毛发纤维进行分类。使用自建训练集和测试集,以TensorFlow和Keras为框架,利用ResNet-50和VGG-16的基础模型进行验证;再通过加入Dropout层和数据增强策略等方式,改进ResNet-50的网络结构和参数并重新训练;最后使用测试集进行评估,得到新网络模型在测试集上的混淆矩阵并对比各项性能指标。结果表明,改进后的ResNet-50网络模型平均准确率98.88%,综合评估分数98.88%,有更优的综合分类性能。