基于改进VGG-16的手写数字识别方法研究

传统的朴素贝叶斯手写数字识别方法的识别效果差,准确率低。因此本文基于改进VGG-16设计了新的手写数字识别方法。处理手写数字图像,分割图像字符,在此基础上,基于改进VGG-16提取了手写数字特征,实现了手写数字识别。实验结果表明,设计的手写数字识别方法准确率高,能快速进行特征识别,有一定的应用价值。

基于CNN网络的井下电缆局部放电实时诊断方法

针对传统井下电缆局部放电诊断方法检测效率低、实时性较差、识别准确率不高等问题,提出了一种基于CNN网络的井下电缆局部放电实时诊断方法。通过分析电缆局部放电的类型,利用改进的VGG-16模型对电缆放电模式进行诊断,为局部放电类型的判定提供准确依据。实验结果表明:模型诊断准确率达到了97.28%,单张检测耗为2.36 s,满足实时诊断的需求;针对电晕型、沿面型以及气隙型局部放电,诊断准确率分别为97.82%、98.37%、94.57%;所设计方法简单高效且易于实现,适应实际应用要求。

基于深度学习的变压器图像识别系统

针对变压器型号多、图像复杂,以及传统基于机器学习的人工设计特征的方法不能对大规模变压器图像准确分类等问题,提出了基于深度学习的变压器图像识别系统,直接对原始图像进行“端对端”的学习。为实现变压器图像的准确分类,提出了改进VGG-16卷积神经网络的变压器图像识别模型。在VGG-16模型的基础上,重新构建了全连接层,针对原有的SoftMax分类器,采用3标签的SoftMax分类器进行替换,以实现网络结构优化,并通过迁移学习共享VGG-16模型卷积层和降采样层的权值参数。通过构建变压器图像的训练集和测试集,对改进模型进行了训练,并进行性能测试。结果表明,与深度神经网络、卷积神经网络模型相比,改进VGG-16模型具有更好的效果,识别误差达到了9.17%,并实现了对3种变压器的准确区分。