基于TensorFlow的垃圾图像分类研究

研究如何利用TensorFlow对垃圾图像进行分类。采用卷积神经网络(CNN)作为主要方法,通过在大型数据集上进行训练和微调,实现了对不同类型垃圾图像的准确分类。研究结果表明,提出的模型在测试集上表现卓越,整体分类准确率超过90%。此外,通过对模型进行可视化分析,揭示了其对图像特征的学习方式,进一步深化了对分类过程的理解。总而言之,基于TensorFlow的深度学习方法在垃圾图像分类领域具有广泛的应用前景。

基于TensorFlow和CNN模型的验证码识别研究

针对传统机器学习中应用于多位字符验证码的分割识别方法具有整体准确率低、泛化能力不足的问题,提出一种高效通用的识别方法。设计基于CNN模型的端到端字符型验证码识别流程,使用TensorFlow框架实现流程的数据训练和效果验证。该方法可以高效地识别出字符型验证码,其平均准确率为95%以上,输入整张图片,直接输出整体识别结果,具有更强的通用性。使用CNN模型识别多位字符验证码相比于传统机器学习方法具有更高的准确率和通用性。

TensorFlow监测液压缸内部微小泄漏量的研究方法

现阶段普遍采用的内泄漏检测方法,实际上并没有做到液压缸微小内泄漏量的监测。为监测液压缸微小内泄漏量,提出了利用TensorFlow的研究方法。其中最大的创新点是设计了一种结构性的液压油传感器,并采用TensorFlow构建网络实施监测,将复杂的应变—微小泄漏量关系简化至可直接读取。主要内容是利用液压油传感器,提供给微小内泄漏一个缓冲部位,减少压力影响,同时连接液压油收集部位和PC端,构成整个监测系统对数据进行采集和处理,最后再利用TensorFlow实现无需人工的液压缸内部微小泄漏量监测。结果表明,结合液压油传感器和TensorFlow,提取原始数据并处理最终数据,可以监测液压缸微小内泄漏量,为液压系统的微小内泄漏量的监测提供了研究思路。

机器学习在图书馆应用初探:以TensorFlow为例

机器学习是人工智能的重要分支,TensorFlow是谷歌第二代开源人工智能机器学习平台。此文重点介绍机器学习(主要是深度神经网络)的基本原理和利用TensorFlow进行机器学习的基本方法,探讨在图书馆领域应用的可能和场景。以《全国报刊索引》的自动分类问题作为实验对象,利用两台图形工作站,建立了TensorFlow深度学习模型,通过设定参数和阈值、系统调优等工作,实践了应用TensorFlow的完整过程,论证了其可行性。实验通过对170万余条题录数据进行训练和测试,克服了报刊索引数据过于简单与中国图书馆分类法的类目过于细致之间的矛盾,实现了大类近80%和四级分类总体近70%的准确率(其中TP类达到91%),得出基本可代替人工分类流程的结论,为全国报刊索引的分类流程的半自动化提供有力工具,从而可望大大节省人力成本。下一步将继续利用TensorFlow的优化功能,结合更多的字段属性,进行系统调优,力争做到自动分类90%以上的准确率。

基于Tensorflow框架的手写数字识别

文章利用Tensorf low深度学习结构来构建神经网络模型,并采用激活函数对MINIST进行训练;加入特征转换过程,利用梯度下降优化器,将数据降维;在输出层上将全连接模型和Softmax层相结合,经过交叉验证,达到90%以上的识别率。

OclDNN:一种可应用于TensorFlow的通用DNN库

深度学习模型的构建、训练以及推理离不开TensorFlow等机器学习框架中深度学习算子的支撑,对于卷积、池化等深度学习中被高频调用或计算量较大的算子,机器学习框架一般通过调用深度神经网络(DNN)库来提升计算效能。现有DNN库主要由英伟达、AMD等少数国外厂商开发并根据自有硬件设备特点进行优化,但其封闭性导致其他厂商生产的通用加速器难以在深度学习领域发挥作用。为解决现有DNN库无法支持国产加速器的问题,使得深度学习模型能够调用国产加速器进行运算,研究跨平台的通用DNN库,通过对开源MIOpen的结构特点和调用方式进行分析,提出修改和重构该库的方法,并实现一种基于OpenCL的DNN(OclDNN)库。考虑到TensorFlow较高的流行度及其对DNN库调用的特殊性与复杂性,研究通用DNN库在TensorFlow中的集成方法,通过StreamExecutor中的OpenCL平台实现对OclDNN的调用。实验结果表明,OclDNN在英伟达、华为等不同厂商的计算设备上运算结果正确可靠,在相同实验环境下,深度学习算子使用OclDNN时的加速性能比传统CPU并行算法提升了5~60倍。

基于TensorFlow框架的图像识别网络模型的研究

为提高TensorFlow平台的图像识别准确率,同时降低神经网络结构复杂度以及解决模型过拟合等问题,基于传统的卷积神经网络,通过增加参数线性单元、优化损失、改进池化方式等措施,提出一种优化的卷积神经网络模型。平台采用谷歌的深度学习框架TensorFlow2.3.0,对图像识别领域的CIFAR-10数据集进行分类识别。实验表明,采用论文优化的卷积神经网络模型进行识别时,模型的训练及收敛速度明显提升,且避免了模型的过拟合现象,最终提升了模型的识别准确率。

基于YOLOv5s和Android部署的电气设备识别

针对变电站多种电气设备实时检测的需求,提出了一种基于改进YOLOv5s的电气设备识别方法,并设计基于Android部署的电气设备识别APP,以便对电气设备进行识别与学习。以电力变压器、绝缘子串等6种常见变电站电气设备为例构建图像数据集。数据集进行图像预处理后对YOLOv5s算法进行改进。通过引入C2f模块提高小目标检测精度,采用Soft-NMS提高检测框筛选能力,减少漏检和误检的情况,使用改进后的算法对数据集进行模型训练。将训练好的识别网络模型通过TensorFlow Lite框架进行模型部署,设计电气设备识别APP。经验证,改进后的变电站电气设备识别网络模型mAP稳定在91.6%,与原模型相比提高了3.3百分点。部署后的APP具有设备识别和设备介绍等界面,使用移动端进行识别时每张图片识别时间都小于1 s,具有较快的识别速度和较高的识别精度,可以高效地实现变电站电气设备的实时检测与设备学习。

基于卷积神经网络的大数据敏感信息监控系统的设计

大数据背景下敏感信息管理面临着新的挑战,有效监控敏感信息难度越来越大。针对传统监测研判手段和方法存在分类精度低、耗时长、存在误判、难于溯源定位、取证难等特点,本文研究卷积神经网络模型及朴素贝叶斯算法在大数据背景下对敏感信息的分类、识别和监控上的应用,采用TensorFlow与Keras深度学习的框架,利用朴素贝叶斯算法进行敏感信息分类,进而构建一个快速准确的将敏感信息进行识别监控数字化显示系统,该系统具备分类精度高,耗时短,误判少,能溯源的优势。

大数据环境下的分布式机器学习框架比较研究

在大数据环境下,处理庞大的数据集与实现复杂的机器学习算法愈发关键。为解决这一挑战,分布式机器学习框架应运而生。通过分布式计算资源的协同工作,可以提高机器学习模型的训练效率和性能。

基于MultiRes-Unet神经网络的三维断层识别研究

三维地震数据中的断层规模从米级到千米级不等,断距从米级到数十米级不等。断层通常表现为同相轴错断、突然增减、消失或扭曲等显著地震响应特征。断层在三维地震数据体中占的体积比例很小,使得利用常规断层识别方法得到的断层识别结果存在不连续、识别率低等问题。针对断层的多分辨率特征,充分考虑了断层点或线在整个地震数据的占比小等特点,提出了一种三维神经网络MultiRes-Unet3D断层识别方法,该方法在网络学习过程中使用加权交叉熵损失函数解决了普通交叉熵损失函数不同项之间的平衡问题,使得神经网络具有了较为可靠的断层识别能力。首先,利用正演模拟方法生成三维合成地震数据集和断层标签,然后基于Tensorflow搭建、训练与测试MultiRes-Unet3D神经网络,再将训练好的网络模型迁移到实际三维地震数据的断层识别中。该神经网络断层识别方法在实际地震数据中的应用表明,断层识别结果空间连续性好,识别结果客观,断层边界更为准确,网络模型泛化性能良好,适用于具有不同断层构造特征的实际地震数据,节约了断层解释的时间成本与人工成本。

基于遗传算法和深度神经网络的近红外高光谱检测猪肉新鲜度

为系统评估基于深度学习的智能辅助高光谱成像系统在猪肉新鲜度指标检测中的效果,采集了猪肉在4℃冷藏12 d中挥发性盐基氮(volatile basic nitrogen,TVB-N)、菌落总数(total viable count,TVC)以及900~2500 nm近红外光谱数据。基于Python的TensorFlow和Keras平台,对高光谱数据进行处理,建立了深度神经网络的定量检测模型。并利用遗传算法(GA)选择与猪肉新鲜度相关的特征光谱波段。结果表明,遗传算法选取波段对光谱模型的性能有明显提升。当光谱波段数达到35和50时,GA+ANN模型预测精度高于全波段的线性回归模型。TVC为预测指标的预测性能优于TVB-N,TVC测试集最佳R_(p)^(2)为0.877,RMSEP为0.575;预测TVB-N的最佳R_(p)^(2)为0.826,RMSEP为1.01。此外,通过研究还发现,遗传算法优选的近红外光谱波段与肉品的O-H,N-H,C=O等分子振动吸收带有较高的吻合度。本研究为处理近红外和高光谱数据提供了新的方法,也为猪肉及其他肉品新鲜度快速无损检测提供了技术参考。

基于TensorFlow的水族馆鱼类目标检测APP开发

近年来深度学习在图像识别研究中取得突破进展,带动了目标检测技术的快速发展。利用目标检测技术开发水族馆鱼类目标检测APP,可以增强游客参观体验,提升科普效果。针对水族馆拍摄的80种鱼类,首先,使用LabelImg软件进行目标标记,再利用标记的目标导出成tfrecord数据;其次,选择ssd_mobilenet_v1模型进行数据训练,通过20万次的迭代训练获取到鱼类目标检测模型;最后,利用TensorFlow多目标检测API调用模型,定义2个接口和12个类,开发出Android系统手机APP。经过80种鱼类1620张图片测试,正确率为92.59%,华为MHA-AL00手机目标检测平均时间40 ms。使用鱼类目标检测APP,能实现水族馆鱼类快速识别、多鱼类目标实时检测,可提升游客的参观体验,辅助科普量化评价。

TensorFlow在图像识别系统中的应用

人工智能将是未来发展的大方向,深度学习则是人工智能领域的一个重要分支。随着深度学习在国内外的快速发展,以及深度可分离卷积神经网络模型的提出,极大地推动了深度学习在图像识别、文字处理和语音识别等领域的广泛应用。基于Google人工智能系统TensorFlow的深度学习开发平台,可以快速搭建出深度可分离卷积神经网络。文中采用MobileNet模型,Ubuntu16.04开源Linux操作系统,CUDA9.0运算平台,cuDNN7.0.5并行架构,设计Python爬虫程序构建数据集,运用TensorBoard对模型进行可视化。通过对此类模型进行重建和训练,保存训练完成的模型,对图像实现了较高准确度的识别。完成在不同迭代次数下模型性能的测试和分析,通过与Inception_v3模型的准确度与迭代周期进行对比,表明MobileNet在移动端、嵌入端以及网络规模大小和内存限制时具有较好的推广应用价值。

谷歌TensorFlow机器学习框架及应用

TensorFlow是谷歌的第二代开源的人工智能学习系统,是用来实现神经网络的内置框架学习软件库。目前,TensorFlow机器学习已经成为了一个研究热点。由基本的机器学习算法入手,简析机器学习算法与TensorFlow框架,并通过在Linux系统下搭建环境,仿真手写字符识别的TensorFlow模型,实现手写字符的识别,从而实现TensorFlow机器学习框架的学习与应用。

基于树莓派的智能小车的设计与开发

针对疫情期间或者特殊行业无接触配送的需求,基于树莓派4B处理器及Raspberry操作系统,采用Python开发语言及TensorFlow、OpenCV和RPi.GPIO等实现开发。通过车载摄像头采集图像,利用OpenCV技术对图像进行处理,实现循迹功能;通过建立深度学习模型,对红绿灯数据集进行训练,利用训练好的模型实现红绿灯识别功能;通过红外避障模块实现道路避障功能。在带有红绿灯、障碍物和四个弯道的长方体模拟轨道进行测试,能准确地完成两圈行驶。该设计原理清晰,易于实现,在无接触配送、无人驾驶等方面具有很高的应用价值。

基于TensorFlow的深度神经网络优化方法研究

深度神经网络属于机器学习领域的一项技术,实现了对高复杂性数据的建模.为了解决深度神经网络的过拟合问题,提高模型的鲁棒性,引入了正则化处理方法和指数加权移动平均算法,通过在损失函数中加入描述模型复杂化程度的因素,抑制模型在训练过程中可能出现的异常值,增强深度神经网络模型在未知数据上的健壮性.仿真实验结果显示优化方法有效可行.

基于深度学习的城市内涝区域车辆检测与分析

在城市内涝场景当中,较多人与车辆被困于积水中,给大众生活带来不利影响。随着计算机技术的快速发展,深度学习在解决实际问题中的运用也越来越广泛。文中提出了一种利用TensorFlow深度学习框架搭建MaskR-CNN(Regions with Convolutional Neural Networks Features)模型的方法,对城市内涝场景的积水区进行检测,检测效果良好,mAP(mean Average Precision)值达到89%。同时,基于YOLOv5(You Only Look Once version 5)模型,采用密集帧间差运算对处于积水区中的人车进行追踪,追踪精度达到90%左右,并使用YOLOv5外挂ResNet(Residual Network)实现了对内涝场景中的车辆进行淹没危险度分析。实验结果表明,文中所用模型的车辆危险度检测效果优于其他模型。

TensorFlow架构与实现机制的研究

在大数据时代,云计算和大规模并行处理基础架构的共同发展不仅使得机器学习和深度人工智能有了更为广阔的应用空间,也激发了人工智能框架的快速迭代和部署。TensorFlow是Google发布的开放源代码的深度学习平台,已经在工业界有了广泛的应用。文中从TensorFlow平台的设计理念出发,分析了平台的框架和基本结构,对每个模块的功能和应用做了详尽阐述。在此基础上,通过建立一个多层深度学习神经网络,分析了输入层、隐藏层、输出层及激励函数的构建方法。最后在对TensorFlow实例运行和调试的基础上,演示了通过TensorBoard跟踪程序运行状态和参数调制的方法,给出了一维数据和多维数据的可视化结果。研究表明,相比较其他学术界的人工智能平台,TensorFlow有着更好的生态系统,支持更多的硬件架构,具备了一定的实用基础。

TensorFlow平台下基于深度学习的数字识别

TensorFlow是谷歌开源的机器学习及深度学习框架,具有高度的灵活性,可以运行在多种平台上,如CPU、GPU以及移动设备,支持当前流行的深度学习模型。卷积神经网络具有多个处理层,能对图像的特征进行逐层抽象,相比于传统的图像识别方法具有良好的效果,对输入图像的旋转、扭曲、变形具有良好的鲁棒性,并且不用对图像进行预处理,简化了图像识别的步骤。在TensorFlow平台上,搭建了一个卷积神经网络模型,利用MNIST数据集对模型进行训练及测试,最终测试能达到99%的识别率。