基于改进ResNet50在高岭土矿石图像分类的应用

煤矸石是生产高岭土的直接原料。为了能快速精准地将含有高品位高岭土的煤矸石从原始矿石中预分选出来,提出了一种改进ResNet50的小模型图像分类识别方法。基于X射线与物质的相互作用原理,对已划分的高低品位原生矿石进行透射成像(灰度图),使用labelImg标签软件制作数据标签;基于Pytorch深度学习框架,使用数据增强算法扩增样本容量;基于ResNet50残差网络架构,使用多尺度可分离卷积降低卷积计算量并加深网络深度,采用双通道池化替代单一池化来均衡图像局部特征,优化残差结构和微调超参数使网络学习性能达到更优。结果表明:在相同的实验条件下,与传统的ResNet18/34/50和VGG16网络相比,改进的ResNet50网络在验证集上分类准确率最高,达到97.87%;对比GoogLeNet网络,两者分类精度相近的同时,改进的ResNet50网络的整体学习速度提升了接近4倍。

基于改进ResNet的PMSM退磁与偏心故障诊断方法

针对近年来对永磁同步电机故障诊断的需求,提高故障诊断的精度。提出了一种基于多尺度特征融合与空洞卷积金字塔模型的永磁同步电机诊断方法,可以通过电机运行时的定子电流数据直接对电机进行故障诊断。利用多尺度特征融合模块提取图像不同尺度、不同分辨率的特征,提高单一图像的信息利用率;通过在特征融合模块中添加注意力机制使网络中不同通道的特征权重保持高度一致,进一步确保了网络提取图像特征的能力;通过在空间池化金字塔中引入空洞卷积核来构建空洞卷积金字塔,在解决了网络对同一特征反复提取、节约计算成本的同时,增强了模型的感受野,提高模型对不同故障的诊断精度。实验结果表明,所提方法对不同类型的电机故障均具有较高的诊断精度。对比传统的智能算法,其算法精度与损失函数都得到了明显改进。

基于改进ResNet18模型的饲料原料种类识别方法

为了解决饲料生产过程中入仓原料种类采用人工取样感官识别所存在的问题,实现原料种类自动识别,以玉米、麸皮、小麦、豆粕、鱼粉等大宗饲料原料为研究对象,自主设计搭建了多通道入仓原料种类自动识别装置,采集饲料原料图像数据集,并使用数据增强的方法增加样本多样性。基于ResNet18网络模型加入通道注意力机制、增加Dropout函数,并嵌入余弦退火法的Adam优化器,引入迁移学习机制训练模型,构建适用于饲料原料种类识别的CAM-ResNet18网络模型。CAM-ResNet18网络模型的原料种类验证准确率达99.1%,识别时间为2.58 ms。与ResNet18、ResNet34、AlexNet、VGG16等网络模型相比,模型验证集准确率分别提升0.6、0.2、3.7、1.1个百分点。针对混淆矩阵结果分析,测试集识别平均准确率达99.4%,具有较高的精确度和召回率。结果表明,构建的CAM-ResNet18网络模型在饲料原料种类识别方面具有较高的识别精度和较快检测速度,自主研发的多通道入仓原料种类自动识别装置具有实际应用价值。

基于改进ResNet的阿尔兹海默症分类网络

针对阿尔兹海默症(AD)、轻度认知障碍(MCI)和正常人(CN)三阶段人群脑部核磁成像(MRI)难以识别分类的问题,提出了一种基于改进的ResNet的阿尔兹海默症的分类方法。该方法首先将预处理后的数据送入到根据AD的MRI特点设计的通道分离残差模块中,提取并组合低维特征与高维特征。然后,将提取的特征送入通道注意力模块,调整通道之间的权重,得到更加精确的分类特征。最后,将特征矩阵送入线性分类层输出分类结果。在随机划分的数据集上,AD/MCI/CN分类准确率达到了83.54个百分点,AD/CN准确率达到了95.27个百分点,MCI/CN准确率达到了85.07个百分点。证明本文方法对区分AD各个阶段的有效性;在以个体ID为主要划分依据的数据集上,实验结果与基础网络ResNet对比,AD/MCI/CN分类准确率提高了0.7个百分点,AD/CN准确率提高了10个百分点,MCI/CN准确率提高了4个百分点,证明本文对基础网络的改进能有效提高AD分类准确率。同时通过对比有无数据泄露的实验结果,证明正确划分数据集的必要性。

一种基于改进ResNet的发射天线智能选择算法

为满足移动用户数据传输的需求,大规模多输入多输出在5G通信系统中得到了广泛应用,在N-Nakagami衰落信道下,建立了移动多天线协作通信系统。为提高发射天线的选择准确率,提出一种基于改进ResNet的发射天线智能选择算法,可以获得更大的信道容量。改进的ResNet网络以残差结构为网络主体,利用VGG神经网络代替原始的卷积层。VGG神经网络提取信道状态数据的信息特征,大大减少了浅层计算参数;丢弃池化机制以保护信息特征;重新构建三个残差模块结构以增强特征信息提取,提高发射天线的选择准确率,获得信道容量更佳的天线。与传统的天线选择算法相比,所提出的发射天线智能选择算法的准确率提升至94.0%,具有较好的系统容量性能,且可以有效降低设备成本。

基于改进ResNet50模型的大宗淡水鱼种类识别方法

针对传统鱼类识别方法存在特征提取复杂、算法可移植性差等不足,该研究提出了一种基于改进ResNet50模型的淡水鱼种类识别方法。研究以鳙鱼、鳊鱼、鲤鱼、鲫鱼、草鱼、白鲢6种大宗淡水鱼为对象,通过搭建淡水鱼图像采集系统获取具有单一背景的淡水鱼图像,同时通过互联网搜索具有干扰背景的淡水鱼图像,共同构建淡水鱼图像数据集;再对淡水鱼图像进行预处理,以增加样本多样性;构建改进ResNet50模型,增加全连接层Fc1以及Dropout,引入迁移学习机制训练模型,同时选择CELU作为激活函数提高神经网络表达能力,通过Adam优化算法更新梯度,并嵌入余弦退火方法衰减学习率。为验证改进ResNet50模型的准确率等性能,对6种淡水鱼进行种类识别,结果表明:在单次验证方法下,选用包含单一背景图像和干扰背景图像构成的淡水鱼图像数据集训练模型,识别准确率为96.94%,比经典模型提高1.22%,单张淡水鱼图像样本的平均检测时间为0.2345 s;在四折交叉验证下,选用具有单一背景的图像数据集,模型的识别准确率为100%,选用包含单一背景图像和干扰背景图像的淡水鱼图像数据集,模型的识别准确率为96.20%,说明模型具有较好的泛化性能和鲁棒性。针对混淆矩阵的可视化结果表明:改进的ResNet50模型具有通用的结构和训练方式,对不同背景下的淡水鱼进行种类识别具有较高的准确率,可为淡水鱼种类识别提供技术借鉴。

改进ResNet网络模型进行柴油机气门间隙故障诊断的方法

针对利用浅层神经网络诊断柴油机故障等传统方法存在依靠专家经验、抓取柴油机故障特征参数不准、故障诊断准确率不高的问题,提出了基于深度残差卷积神经网络ResNet模型,在跃层分支采用CBR串并且分支加权相加的改进模型RCN,进行柴油机气门间隙故障诊断的方法。本文采用随动采样频率等长样本采样方法采集柴油机缸盖振动信号,组成一维整周期等长样本,并将其作为训练和验证样本,对改进型深度残差卷积神经网络RCN模型进行训练和验证。实验结果表明,该模型较其他深度卷积网络具有更高的诊断准确率和较快的测试时间,验证了直接利用柴油机缸盖振动信号,采用改进的ResNet深度残差卷积神经网络轻量化模型,进行在线实时监测柴油机运行状况的可行性。

基于ResNet50改进模型的图像分类研究

针对深度学习中残差网络ResNet50存在的信息丢失、特征提取不充分、网络过拟合和训练困难等问题,文中提出一种基于改进ResNet50的图像分类算法。针对残差网络ResNet50在提取特征时存在丢失输入特征映射情况,造成信息丢失的问题,对主干网络中Stage4的下采样块添加平均池化层,进一步提高网络特征提取能力;针对ResNet50训练过程中存在网络过拟合以及泛化能力差的问题,使用标签平滑方法对交叉熵损失函数进行修改,有效缓解网络损失值震荡幅度;针对ResNet50计算量大、训练困难的问题,使用混合精度和余弦退火衰减方法对模型进行训练,在加快网络收敛速度的同时提高模型的分类精度。实验结果表明,与原ResNet50网络相比,文中算法在ImageNet-1k数据集上Top1和Top5的精度分别提升3.2%和1.6%,能够更好地应用于图像分类任务。

基于J2EE+ResNet的医院智能财务报销管理系统设计与实现

为了简化医院发票报销流程,提高财务管理效率,基于J2EE平台和改进ResNet模型构建医院智能化财务报销管理系统。系统在HTML、Java、JDBC、SQL Server 2019技术支持下,划分为3个技术层和5个功能模块。针对不同类型发票的报销问题,提出改进ResNet模型对发票进行分类识别,从而解决传统卷积神经网络存在过度拟合的缺陷。通过对比各种模型的使用效果,改进ResNet模型参数少,识别准确率更高,在训练时间和测试时间上也相对较少。对系统进行高并发访问情况下的性能检测,结果表明,系统在100人、点击率800次/s的高并发应用情况下,平均响应时间能保持在35 s左右,稳定性较好,可在实际工作中予以应用。

基于改进的两支路ResNet的配电网接地故障辨识和选线

故障类型与故障馈线准确、快速辨识有助于提高配电网供电可靠性。文中鉴于故障辨识与选线的故障信息利用率低,且分类器挖掘故障深层次特征能力不足。提出了以多标签多分类的思路,搭建两支路改进的ResNet并列训练进而同时实现配电网接地故障辨识和选线。引入小波分析对各类电气量进行分解并构造时频矩阵,以分频带分时间段提取时频矩阵的初级特征矩阵,作为网络输入量,改进一种适用于故障类型与故障馈线准确、快速辨识的多分支残差单元结构,以此单元结构首尾相连并构建两支路ResNet同时实现配网故障辨识与选线。仿真实验结果分析,相较于MLP网络、原ResNet,以改进的ResNet完成配电网故障辨识与选线,指标评估结果更优,并能验证所提方法具有更强的适应性和容错性。

基于深度残差网络与迁移学习的水稻虫害图像识别

提出一个针对大多数类型的水稻害虫的图像识别方法。对ResNet34网络进行改进,提高网络的识别能,以实现基于给定的图像自动地识别分类出主要害虫。此外,基于迁移学习方法有效避免由于数据量缺乏而使得训练不足的问题。通过ImageNet数据库开展网络参数预训练能够进一步提升网络的提取性能,通过IDADP数据库可以开展参数微调工作以及训练工作。将提出的改进ResNet34模型与其他模型的性能进行对比评估。结果显示,改进ResNet34模型的识别准确度最高,F 1-score达到0.98,证明所提模型对水稻病虫害图像具有较好的识别效果。

高拱坝混凝土振捣机器人系统研发及应用

常态混凝土浇筑人工振捣施工存在工作强度高、作业主观性强等不足,现有振捣监控方法主要进行振捣位置、振捣时间等参数监控,且均依靠人工经验评估振捣是否密实,难以实现混凝土振捣质量的精确评估。针对上述问题,研发了融合表面图像机器视觉识别的混凝土振捣机器人系统,该系统包括振捣机器人本体、云端监控平台以及通讯子系统。基于工业机器人、自动化控制、机器视觉等技术研制振捣机器人本体,实现高拱坝仓面混凝土无人振捣作业;同时,建立基于改进残差网络(Residual Network,ResNet)的混凝土振捣表面图像的分类模型,实现振捣密实性的科学分析。此外,基于B/S架构研发云端监控平台,并通过无线通讯子系统实现与振捣机器人本体之间信息的传输与交互,实现振捣作业信息的可视化与远程控制。现场试验验证了振捣机器人系统的可靠性和可行性。研究成果为高拱坝混凝土振捣实现无人化作业、精细化质量控制提供了新的思路和技术手段,也可用于其它大体积混凝土施工中,具有十分重要的应用和推广价值。

基于多维度卷积神经网络的人脸识别方法

为提高传统人脸识别的能力,结合CNN卷积神经网络原理,以ResNet18为主干网络,并在ResNet18中引入残差单元,改进激活函数和池化层,通过多维卷积神经网络解决梯度饱和问题。结果表明,改进后的网络在三个数据集上的识别精度都最高,且在消融实验中也表现出良好性能。改进后的网络模型在JAFFE、CK+和RAF-DB数据集上的人脸表情识别准确率依次是97.54%、95.67%和89.66%。通过以上改进,得出本研究的改进方案可行,实现了对图片更多信息的保留。

结合轻量化与级联深度学习网络的导光板缺陷检测方法

针对车载导航导光板图像纹理背景复杂渐变、亮度不均匀、缺陷细微且类型多等特点,并根据导光板光学特性、网点排列、缺陷成像效果等,结合轻量化与级联深度学习网络提出了一种缺陷快速检测方法。首先,根据导光板缺陷分布特点,通过改进卷积层连接与特征图下采样的方法,设计一轻量化二分类网络实现疑似缺陷区域的快速分割;其次,利用改进的ResNet网络构建多分类网络,并提出两阶段网络级联的方法,对分割的疑似缺陷区域提取多样化特征实现缺陷的精确分类;然后,采用固定窗口在完整导光板图像上滑动,将滑动窗口图像裁剪后批量输入级联网络进行缺陷的粗定位与分类;最后,利用工业现场采集的导光板图像自建数据集,并以此为基础进行了大量实验。实验结果表明:与其他导光板缺陷检测算法相比,本文算法在准确率与检测时间上得到显著提升,检测平均准确率达到98.4%,单张检测时间提升到1.95 s,准确率、实时性均达到工业检测要求。