基于改进ResNet34网络的变电站设备巡检图像分类识别的方法

针对变电站设备巡检图像识别领域中存在的图像规模有限和识别准确率低等问题,提出了一种基于改进ResNet34网络的图像分类识别方法。采用Seam Carving算法对图像中的低能量区域进行压缩以保留关键特征;同时使用弹性变换、高斯噪声等6种图像增强技术来增强图像的多样性。将基础ResNet34网络与卷积注意力模块结合,增强模型对设备巡检图像关键特征的提取能力。使用在ImageNet数据集上的预训练模型作为迁移学习的特征提取器来解决样本数量不足的问题。在Adam优化器中引入余弦退火策略来动态调整学习率使改进的ResNet34网络更快收敛至最优解。试验结果表明所提方法比基础ResNet34网络的准确率提升了0.0733,损失率降低了0.2019,为变电站设备巡检图像识别领域提供了一种可靠的解决方案。

改进的残差网络和混合注意力的人脸表情识别

针对传统残差网络对人脸表情特征提取存在的泛化能力差、识别准确度低等问题,本文实现了基于混合注意力机制和残差网络相结合的方法,从而能够更准确快速的实现对人脸表情进行识别。提出使用CABasicBlock代替ResNet34中的basic block作为骨干网络,并加入空间、通道注意力机制来提取人脸的全局面部特征,以及与表情重要关联的局部面部特征,使得网络收敛更快。在网络的残差模块后加入批量归一化和PReLU激活函数,以及在全连接层前加入了Dropout、全局平均池化,能有效预防训练过程发生过拟合,提升其泛化能力;引入Focal Loss函数平衡训练数据样本均衡性的问题,使用余弦退火策略对训练过程中的学习率进行动态衰减,从而减少训练时间。通过实验结果数据表明,在FER-2013测试数据集上的准确率为73.7%,说明此模型拥有更好的效果。最后,基于以上方法再结合OpenCV和PyQt5,构建了一个实时表情识别的可视化检测结果输出。