基于改进残差网络的热轧带钢表面缺陷研究

针对于目前卷积神经网络(CNN)在实际应用中随着网络深度的增加,模型效果提升不明显和容易出现的梯度异常等问题,提出了一种基于传统18层残差网络(ResNet18)的改进模型Y-ResNet18。模型通过前置残差块中的批量标准化层(Batch Normalization,BN)与非线性激活层来提高特征提取的能力,同时引入swish激活函数代替原有的残差模型中的修正线性单元(Rectified Linear Unit,ReLu)进一步提升模型性能。该网络模型在东北大学(NEU)表面数据库提供的热轧带钢表面缺陷数据集上进行了测试,实验结果显示,上述模型在不加深层数的前提下对于热轧带钢的缺陷分类准确度可达到97.22%;优于相同层数的ResNet18与层数更深的ResNet50,同时能够有效的避免梯度消失与梯度爆炸等问题。

Mask R-CNN模型在茄花花期识别中的应用研究

将Mask R-CNN实例分割模型应用于茄子花期识别研究,针对Mask R-CNN模型对大目标物存在误检和漏检的情况,提出使用混合空洞卷积融合普通卷积的方法,在ResNet50的残差块中进行参数修改,通过堆叠残差块完成对整个特征提取网络的改进,扩大了特征图感受野,增强了全局信息关联性;针对出现的过拟合问题,运用迁移学习方法将预训练的ResNet50特征提取网络作为茄花识别模型的初始参数,提高了模型在测试集泛化能力的同时提升了模型训练速度。运用改进的模型在测试集上的mAP为0.962,mIOU为0.715。通过定性分析并与其他模型进行对比,证明改进的模型能有效提高大目标物分割能力,对茄子花期识别具有良好效果。该研究为茄花自动授粉与花期管理提供了技术支持,对保证授粉质量,提升经济效益具有重要意义。

基于堆叠自编码算法的数字识别技术研究

随着科技日新月异的发展,数字识别技术在诸多领域中得到了广泛的应用,如车牌识别、仪器监测、邮政编码、银行票据以及名片信息等,因此,数字识别的研究有着重大的现实意义。本文采用深度学习中的一种堆叠自编码算法,并利用该算法成功地进行数字识别和样本测试。实验结果表明,基于堆叠自编码算法的数字识别技术,在利用新的图片进行验证时,数字成功识别的概率高达百分之九十以上。