糖熏鸡腿颜色快速精准识别的多层卷积神经网络模型研究

为快速精准识别糖熏鸡腿在熏制过程中产生的所有颜色,基于机器视觉技术,构建Xception-CNN模型用于熏鸡腿颜色的识别,同时应用Res Net-50、Inception和传统卷积神经网络(convolutional neural networks,CNN)等3种模型对比分析Xception-CNN模型对熏鸡腿颜色的识别效果。采集并经过图像预处理后,共得到不同颜色的熏鸡腿图像4 352张,作为4种模型的实验样本,随机选取其中的3 482张作为训练组,剩下的870张作为测试组。结果表明,4种模型的平均识别准确率分别为92%(Xception-CNN)、91%(Res Net-50)、89%(Inception)、87%(传统CNN);测试时间分别为1. 36 s(Xception-CNN)、0. 81 s(Res Net-50)、0. 98 s(Inception)、2. 48 s(传统CNN)。Xception-CNN模型对糖熏鸡腿图像的颜色识别准确率最高,达到92%,测试时间略高于Res Net-50模型和Inception模型,但低于传统CNN模型,仅需1. 36 s即可完成识别,此模型可以实现糖熏鸡腿颜色的快速精准识别,为糖熏工艺参数精准调控、保障产品颜色标准化等提供可靠依据。

基于卷积神经网络融合的彩色傅里叶叠层显微重建

针对彩色傅立叶叠层显微重建存在图像获取时间长、采集低分辨率图像数量多等问题,采用基于卷积神经网络的图像融合方法来实现彩色傅立叶叠层显微重建。该方法基于图像融合原理,将单通道低分辨率图像重建的灰度高分辨率图像与相同视场下的彩色低分辨率图像融合,成功地重建彩色FPM图像。在保证图像恢复质量的同时减少了2/3的采集时间。实验结果表明,所提算法可以获得色彩不失真的彩色FPM图像,定量评价指标方均根误差小于0.01,结构相似性参数大于0.89。

基于Gash修正模型与神经网络优化模型的刺槐冠层截留模拟

[目的]对比分析Gash修正模型和神经网络模型在模拟和预测人工林冠层截留的适用性,揭示干旱区刺槐冠层截留及其响应过程,为深入了解森林生态水文过程及其调控机制提供科学依据。[方法]于2019年5—10月,以宁夏河东地区刺槐(Robinia pseudoacacia)人工林为研究对象,定位观测了树干茎流和穿透雨并计算得到冠层截留,采用修正后的Gash模型与神经网络模型对刺槐林林冠截留量进行了模拟。[结果](1)研究区刺槐人工林的穿透雨量、树干茎流量、林冠截留量分别为154.19,5.61,16.5 mm,产生穿透雨和树干茎流的阈值分别为1.37,2.17 mm。(2)Gash修正模型和优化后的神经网络模型均能较好地模拟刺槐冠层截留量,Gash修正模型的绝对误差、均方误差、均方根误差、平均绝对百分比误差分别为0.20%,0.06%,0.24%,52.43%,模拟结果拟合精度达到83%;与Gash修正模型相比,采用麻雀搜索算法优化后的BP神经网络算法模型(SSA-BP),均方误差降低了61.48%,平均绝对误差降低了40.39%,均方根误差降低了37.93%,平均绝对百分比误差降低了50.52%,决定系数提高了1.2%。[结论]在林木冠层截留模拟研究方面,加入麻雀搜索算法后的BP神经网络模型具有较好的可靠性,可以有效降低模拟误差,提高模型的预测精度。

基于双输入输出卷积神经网络代理模型的油藏自动历史拟合研究

传统油藏自动历史拟合方法需进行多次计算耗时的油藏数值模拟,而深度学习代理模型可以实现高效且精度近似的油藏数值模拟替代计算。在基于深度学习代理模型的油藏自动历史拟合方法中,通常将采用油藏自动历史拟合方法进行调整的油藏不确定性参数作为深度学习代理模型的输入参数。现有的深度学习代理模型常为单一输入输出的神经网络模型架构,并未考虑油藏自动历史拟合方法需要对多个油藏不确定性参数进行调整,且需要训练多个深度学习代理模型以实现对油藏含水饱和度场分布及压力场分布的预测。为此,提出了一种基于双输入输出卷积神经网络代理模型的油藏自动历史拟合方法,将油藏渗透率场分布及相对渗透率参数作为输入,使用双输入输出卷积神经网络同时对油藏含水饱和度场分布及压力场分布进行预测,利用Peaceman方程计算产量,并耦合到多重数据同化集合平滑器(ES-MDA)方法中,对油藏渗透率场分布及相对渗透率参数进行反演更新,实现较为高效的油藏自动历史拟合求解。研究结果表明:双输入输出卷积神经网络代理模型在指定时间步的油藏含水饱和度场分布、压力场分布的预测精度均为93%以上。相较于传统油藏自动历史拟合方法,基于双输入输出卷积神经网络代理模型的油藏自动历史拟合方法避免了多次调用油藏数值模拟器的计算耗时问题,提高了拟合效率。

并联卷积神经网络的近红外光谱定量分析模型

近红外光谱分析已成为工农业生产过程质量监控领域中不可或缺的重要分析手段之一,在食品、农业、医药等定性定量分析领域被广泛应用。预测精度高、运行速度快、泛化能力强的近红外光谱预测模型可用于不同物质的定性定量分析。但由于近红外光谱数据量的激增,传统的近红外光谱建模方法已经出现明显的不足。随着人工智能技术的不断发展,深度学习算法在近红外光谱分析领域得到了广泛应用。提出了一种基于并联卷积神经网络的近红外光谱定量分析模型(PaBATunNet)。该模型由1个一维卷积层、1个并联卷积模块(Module)、1个展平层、4个全连接层和1个参数调节器(PR)组成,Module模块包括5个子模块分别对光谱数据进行线性及非线性多维特征提取,并通过Concatenate函数将提取后的光谱特征数据进行拼接,PR模块通过调节优化PaBATunNet模型参数,提高模型预测精度。基于Gard-CAM思想给出了PaBATunNet模型高贡献度特征波长,增加了PaBATunNet模型的可解释性。以谷物、柴油、啤酒、牛奶四组公开的近红外光谱数据为例,将PaBATunNet模型的预测结果与偏最小二乘(PLS)、主成分回归(PCR)、支持向量机(SVM)和BP神经网络(BP)模型的预测结果进行比较。结果表明,与PLS相比,PaBATunNet模型在谷物、柴油、啤酒、牛奶数据集的预测精度上分别提高了30.0%、40.7%、43.0%、52.8%;与PCR相比,PaBATunNet模型的预测精度分别提高了28.8%、35.9%、40.8%、52.2%;与SVM相比,PaBATunNet模型的预测精度分别提高了45.5%、37.4%、45.3%、54.7%;与BP相比,PaBATunNet模型的预测精度分别提高了7.9%、32.4%、90.1%、62.0%。基于并联卷积神经网络的近红外光谱建模方法相比于传统建模方法解决了模型预测精度低、运行时间长、泛化能力差以及可解释性不强等问题,可有效应用于工农业生产中不同物质的定量分析,为建立快速、无损、高精度的近红外光谱定量分析模型提供了科学基础。

卷积神经网络的半监督层位追踪方法

层位追踪是地震资料解释的关键步骤,通常由解释人员以人机交互方式进行,效率较低。卷积神经网络可以构建地震数据和训练标签的非线性映射关系从而完成层位追踪,由于人工解释结果获取困难,仅由少量标签训练的模型泛化能力较差。为此,提出一种基于卷积神经网络的半监督层位追踪方法,将层位追踪转化为层位断层间区域的图像分割。首先使用自编码器对无标签数据进行训练,之后将部分参数迁移至有监督学习网络后使用少量标签数据进行有监督学习,最后对整个工区的地震数据进行预测,提取分割结果边缘作为层位追踪结果。合成数据和实际数据的测试结果均表明,相较于有监督学习层位追踪方法,该方法具有较少的错误分割,由分割边界提取的层位与人工层位解释结果的误差较小,具有更好的泛化能力。

基于卷积神经网络的福建省区域滑坡灾害预警模型

福建省滑坡灾害频发,开展区域尺度上的滑坡灾害预警是防灾减灾的重要手段,但由于滑坡成灾机理复杂,传统的区域滑坡预警方法存在精度不足等问题。深度学习是指通过构建神经网络模型进行特征的提取、抽象、表示与学习的技术,是机器学习的一种。卷积神经网络作为一种经典的深度学习算法,具有比传统机器学习更强大的分类能力与表征能力。文章以福建省为研究区,将卷积神经网络引入滑坡灾害预警领域,构建福建省区域滑坡预警模型,过程及结果如下:(1)采用SMOTE优化算法对2010—2018年福建省滑坡灾害样本库进行优化,扩充正样本的个数,将正负样本比例从1∶3.4扩充到1∶2,样本总量达到18040个;(2)构建卷积神经网络模型结构,模型结构包括一个输入层、两个卷积层、两个最大池化层和一个全连接层以及一个输出层;(3)使用卷积神经网络对优化后的样本(2010—2018年样本的80%作为训练集)进行训练,并用贝叶斯优化算法优化模型超参数,得到福建省区域滑坡预警模型;(4)以2010—2018年样本的20%作为测试集对模型进行测试,采用混淆矩阵、ROC曲线进行模型测试,结果显示模型准确度为0.96~0.97,AUC值达到0.977,模型精度与泛化能力良好;(5)以2019年汛期滑坡灾害实况作为正样本,通过时空采样的方法采集负样本,构建2019年区域滑坡样本校验集(样本数603个),对模型进行进一步实况校验,采用混淆矩阵、ROC曲线进行模型校验,结果显示模型准确度为0.75~0.85,AUC值为0.852。虽然仅用了2019年汛期的滑坡实况样本进行校验,但也达到较好的效果。将卷积神经网络算法应用到区域滑坡预警中,为建立区域滑坡预警模型提供了一种新的途径,初步校验表明,模型效果良好,今后将在福建省对模型进行进一步的应用与校验。

一种基于一维卷积神经网络的试井模型智能识别方法

为提高试井分析工作效率,实现试井模型的自动识别,提出了基于一维卷积神经网络(1D CNN)的试井模型智能识别方法。根据实测数据的特点,提出基于理论曲线构建样本库的原则与方法,并构建了4种常用油藏模型的训练样本库;建立了一维卷积神经网络模型,将样本库中双对数曲线的压力变化和压力导数数据作为输入,油藏类别作为网络输出训练及优化网络,总识别准确率可达99.16%,敏感度均在98%以上。经4口井实例应用,正确识别试井模型的概率大于0.99,与二维卷积神经网络相比,1D CNN显著降低了计算复杂度和时间成本,加快了训练速度。这表明基于试井理论所构建的样本库是有效的,能满足实测数据模型识别的需求;同时证明了方法的有效性、实用性和普适性。

结合卷积神经网络与多层感知机的渐进式多阶段图像去噪算法

现有基于深度学习的图像去噪方法中,在网络架构层面存在单阶段网络特征表达能力不足而难以在复杂场景下重构清晰图像,以及多阶段网络内部特征连接不紧密而容易丢失原始图像细节的问题。在基础构建块层面,存在卷积层难以处理较大噪声级别下的跨层次特征,以及全连接层难以捕获图像邻域空间细节的问题。为解决以上问题,从两方面提出解决方法:一方面,在架构层面提出新颖的跨阶段门控特征融合,从而更好地连接一阶段网络的浅层特征与二阶段的深层特征,促进信息流的交互并使得去噪网络内部关联更为紧密,同时避免丢失原始像素细节;另一方面,在基础构建块层面提出结合卷积神经网络和多层感知机特性的双轴特征偏移块,作用于低分辨率多通道数的特征图,从而缓解卷积网络在复杂噪声场景下难以捕获跨层次特征依赖关系的问题,对于高分辨率、少通道数的特征图,使用卷积网络以充分提取噪声图像的空间邻域依赖关系。大量定量与定性实验表明,所提算法在真实世界图像去噪和高斯噪声去除任务中,都以较小的参数量和计算代价取得了最佳的PSNR和SSIM。

多元线性回归模型与多层感知器神经网络在铀矿测井泥质含量预测中的应用

在铀矿资源勘探工作中,泥质含量的测定对于确定地下岩层的性质和砂岩型铀矿床的分布具有重要意义。文章旨在避免常规测井解释计算方法受到希尔奇系数选取准确性的限制,提出了利用多元线性回归模型和多层感知器(MLP,Multilayer Perceptron)神经网络对测井数据进行分析与预测的方法。通过选取某地区的测井数据,采用多元线性回归模型和MLP神经网络进行了泥质含量关系模型的构建和验证。结果显示,多元线性回归模型在泥质含量低层位出现过拟合现象,而MLP神经网络则表现出更高的预测准确性,MLP神经网络在泥质含量预测中优于传统多元线性回归模型,为铀矿勘探中泥质含量的准确预测提供了有效工具,并有望改进现有的泥质含量评价方法。这些研究成果可显著提升测井解释的效率和准确性,对后续铀矿勘探开发工作的开展具有积极影响。

高效通道注意力结合卷积神经网络的近红外光谱分析模型研究

近红外光谱分析技术有无损、高效的特点,在各领域都有广泛应用。但传统分析模型在面对近红外光谱数据量激增时往往出现预测精度不高、泛化能力差等问题。为此,提出一种基于卷积神经网络(CNN)与高效通道注意力(ECA)模块相结合的近红外光谱分析模型(CNNECANet),该模型由8个一维卷积层、1个ECA模块、4个最大池化层、1个展平层、2个全连接层和1个参数优化器组成。ECA模块由1个全局平均池化、1个一维卷积层和1个Sigmoid激活函数组成。以啤酒、牛奶、柴油、谷物的近红外光谱公共数据为例,将CNNECANet与常用建模方法进行比较,CNNECANet比PLS的预测精度分别提高了30.3%、14.1%、29.5%、48.4%;CNNECANet比SVR的预测精度分别提高了33.5%、17.6%、39.0%、50.0%;CNNECANet比BP神经网络模型的预测精度分别提高了80.0%、29.0%、7.2%、42.7%。该模型具有更好的预测精度和鲁棒性,解决了传统近红外光谱建模算法容易出现过拟合、模型泛化性差等问题。

基于双向多层门控循环神经网络的奶牛乳脂率预测模型研究

通过对奶牛乳脂率进行数据预测以及结合随机森林算法对环境数据进行精准特征选择,确定了对乳脂率影响较大的环境因素。在此基础上,提出了将随机森林算法与双向多层门控循环神经网络相结合的乳脂率预测模型(RF-BiGRU)并进行了相关实验。结果表明,该模型能够提高预测的准确性及效率。

基于VGG⁃19和MMD卷积神经网络模型的国画风格迁移

卷积神经网络因效果强大而被广泛应用于图像识别,在提取图像特征方面有极大的进步。由于风格迁移技术主要是针对西方油画,而国画是一种传统的中国艺术风格,其在风格迁移方向上缺乏广泛的应用。设计以国画代替西方油画作为风格图像,以自然景观照片作为内容图像,探究传统国画经过卷积神经网络后的提取效果。实验依据VGG算法模型并结合TensorFlow 2框架,对采集的数据集进行预处理,采集像素制成数据矩阵,输入VGG⁃19浅层模型进行训练,通过MMD最小化分布特征图差异,增强卷积层的目标效果。该方法取得比较满意的结果,可为风格迁移转换的研究提供更多参考。

基于胃组织病理图像数据集的卷积神经网络模型对胃癌的早期预测价值

目的:探究胃组织病理图像数据集的卷积神经网络(CNN)模型对胃癌(GC)的早期预测价值,开发并验证GC早期预测模型。方法:将154例GC患者按照分期不同分为早期组(n=87)和中晚期组(n=67)。采用Logistic回归分析临床协变量;使用卷积神经网络(CNN)特征提取模型,搭建CNN预测模型;受试者工作特征(ROC)曲线评估区分度,校准曲线评估准确度。结果:年龄、基础疾病、幽门螺旋菌感染、红细胞计数(RBC)、白细胞计数(WBC)是GC的独立危险因素。最佳的CNN特征提取模型为3个卷积层、2个池化层和1个全连接层。CNN的各项指标均优于其他模型;校准曲线分析,CNN模型的拟合效果显著。结论:基于胃组织病理图像数据集的CNN模型具有良好的预测性能,临床可行性较好。

基于卷积神经网络的樟子松木材密度近红外预测模型优化

近红外光谱分析技术在木材密度的预测方面具有独特的优势,是一种方便且快速的无损检测技术。卷积神经网络作为经典的深度学习模型之一,能够利用卷积和池化操作提取数据中的特征映射进行学习,与传统的学习模型相比具有更强的模型表达能力。为此将卷积神经网络用于近红外光谱预测木材的气干密度,以樟子松为研究对象,获取样本木材横切面的近红外光谱数据,采用杠杆值与学生化残差t检验(HLSR)法剔除奇异样本,采用SGS+MC+Auto(Savitzky-Golay smoothing+mean centering+autoscaling)对光谱数据进行预处理,通过竞争性自适应重加权算法(competitive adaptive reweighted sampling method,CARS)对特征波长进行提取,构建卷积神经网络模型,预测樟子松的气干密度;并与偏最小二乘回归(partial least squares regression,PLSR)、支持向量机(support vector regression,SVR)和BPNN(backpropagation network)神经网络的预测结果进行对比。结果表明,当校正集比例小于0.65时,模型预测结果略低于PLSR模型。但当校正集比例大于0.7时,卷积神经网络(convolution neural network,CNN)模型的预测精度优于其他模型,且随着训练样本比例的增加,模型的性能和稳定性也随之提升。研究表明CNN可以显著提高近红外预测木材气干密度的模型精度,实现基于近红外技术的木材密度有效预测。为木材气干密度无损检测提供了理论基础和科学依据。

基于卷积神经网络的网络入侵检测模型设计

基于卷积神经网络构建一种网络入侵检测模型,分析网络入侵检测系统的基本原理,设计模型结构和各模块,并进行模型实现及测试。在数据预处理、模型参数设置、训练和测试过程中取得了良好效果,为网络安全领域提供了新的解决方案。

基于卷积神经网络的工控网络入侵检测模型

为了有效检测出工控网络的入侵行为,保证工控网络的运行安全,设计了基于卷积神经网络的工控网络入侵检测模型。利用相关设备获取大量的工控网络数据,并对获取的数据进行优化处理,通过计算工控网络数据的分类误差,对其进行分类处理;在此基础上,通过设定卷积神经网络的多个参数,提取出多个工控网络数据特征,再计算网络数据特征的特征阈值,并将其与设定的特征阈值进行对比,抓取出其中的工控网络入侵行为特征,由此构建对应的工控网络入侵检测模型,并计算检测模型的检测阈值,提高检测模型的性能,进而完成对工控网络入侵检测模型的设计。实验结果表明,和以往的工控网络入侵检测模型相比,设计的基于卷积神经网络的工控网络入侵检测模型在实际应用中误检率在1%以下。当epoch为100时,查全率为99.88%,F 1分数始终保持在0.9以上。由此表明所设计模型具有良好的检测效果。

基于卷积神经网络GoogLeNet算法构建颅内动脉瘤诊断模型

目的评价基于卷积神经网络的GoogLeNet算法在颅内动脉瘤自动分类诊断中的应用效果。方法本项研究回顾性收集了2020年1月至2023年1月在西南医科大学附属医院进行头部CT扫描的234例颅内动脉瘤患者和正常对照者的计算机断层扫描血管造影图像作为研究对象,采用Pytorch框架构建基于GoogLeNet算法的卷积神经网络模型,并使用He初始化方法和Adam优化器进行模型参数初始化和优化,采用交叉熵作为损失函数,并使用批标准化和dropout技术进行模型训练和防止过拟合。结果基于GoogLeNet算法构建的颅内动脉瘤诊断模型在测试集上获得了较高的准确度和较低的损失函数值,受试者工作特征曲线显示训练集的曲线下面积为0.891,测试集为0.851,证明了该模型在颅内动脉瘤诊断中具有很好的应用前景。结论基于卷积神经网络的GoogLeNet算法可以有效地应用于颅内动脉瘤诊断,并且具有较高的准确度和较低的损失函数值,可以为颅内动脉瘤的早期诊断和治疗提供参考依据。

基于一维卷积神经网络构建医用直线加速器高价值零件故障预测模型的应用效果

目的构建医用直线加速器高价值零件故障预测模型,以实现对高价值零件故障的预判。方法选取2013年1月至2017年12月医院在用医科达Synergy医用直线加速器的60组共381个维修记录数据,按照7:3比例随机分配为训练集(42组)和测试集(18组),采用一维卷积神经网络进行二分类建模,随机选取30组数据作为验证集评估模型性能,并采用测试集数据检测模型预测效果。结果设定最大训练学习次数为120次,实际训练次数超过80次时数据趋于稳定,训练集和验证集的准确率均稳定于90%左右,测试集数据准确率均在96%以上,表明模型收敛较好。结论该模型预测医用直线加速器高价值零件的故障次数与实际情况接近,为预防性维修和保修服务采购提供了可靠的数据支持。

基于卷积神经网络的入侵昆虫识别研究

现有昆虫相关识别算法识别种类较少,缺少针对数量庞大种类众多的入侵昆虫分类识别算法,难以为入侵昆虫综合系统的识别功能提供稳定高效的技术支持。该研究对31类入侵昆虫图像进行数据采集,并对图像数据进行处理与数据集划分,基于四种卷积神经网络模型DenseNet121、MobileNetV3、ResNet101和ShuffleNet对其进行训练测试分析讨论。结果表明,在入侵昆虫综合识别系统识别功能后台算法应用上,MobileNetV3表现出更好的综合性能。根据MobileNetV3模型现有缺陷和模型特性,对MobileNetV3模型指定瓶颈层的注意力机制和激活函数进行改进,改进后模型的准确率为92.8%,单张测试集图像的平均识别时间0.012 s,相较于原MobileNetV3模型分别提高0.5%、缩短15.2%,可以很好满足多昆虫识别分类需求。