基于改进的VGG-16模型的花卉识别小程序设计

由于花卉种类繁多,花卉的识别需要人们掌握深厚的植物学知识和长期观察的经验总结,而利用深度学习可实现花卉种类的智能识别。首先,通过迁移学习在视觉几何群网络(Visual Geometry Group Network,VGG-16)算法的基础上进行改进,实现花卉的识别;其次,将训练好的模型进行封装,上传至云服务器;最后,在云服务器上进行识别,通过超文本传输协议(Hyper Text Transfer Protocol,HTTP)与微信小程序进行通信,实现了拍照上传即可识别花卉种类和了解花卉特性的小程序设计。

基于卷积神经网络的焊接装配特征识别研究

为实现高铁白车身焊接拼装技术的智能化与自动化,解决焊接过程中特征区域小、背景干扰多等问题,提出了基于迁移学习和卷积神经网络的焊接装配特征快速识别算法。首先采用二值化等传统图像处理算法确定待提取特征的粗略位置,在此基础上再使用sobel、腐蚀、霍夫线段检测确定特征区域的精确位置。其次,考虑到不同环境下,精确定位后特征区域表现不同,故采用基于卷积神经网络的分类模型以增强预测模型的鲁棒性和准确性。最后,选择基于迁移学习的的视觉几何群网络(VGG16)来解决样本量不足以训练整个模型参数的问题。实验结果表明,本文所提的识别算法能够准确识别型材的状态,且在识别检测速度上优于YOLOV3,在准确率上劣于YOLOV3,算法满足使用场景下的实时性要求。

电动汽车充电系统串联电弧故障智能识别方法

为解决电动汽车充电系统串联电弧故障电弧电流难以准确检测的问题,提出一种基于机器学习的电动汽车充电系统串联电弧故障识别方法。首先,搭建电动汽车充电系统电弧故障实验平台,采集不同工况下故障电弧电流数据;然后,采用离散傅里叶变换进行特征分析,并构建故障电弧特征数据集;最后,基于16层视觉几何群网络训练得到电弧故障检测模型,并利用各工况下测试集对电弧故障检测模型进行测试。研究结果表明该方法识别准确率均可达到98%以上,并拥有良好的抗干扰能力。

基于深度学习的农田害虫识别研究

农田害虫降低了农作物的产量和质量,如何有效区分和治理农田害虫成为首要解决的问题。文章紧抓农田环境需求和农民对农作物的产量需求不匹配的痛点,基于卷积神经网络技术识别农田害虫,为农业提供有效的识别方式。采用MobileNetV1、残差神经网络(Residual Network,ResNet)50、视觉几何群网络(Visual Geometry Group Network,VGG)16以及微调预训练模型VGG16共4种网络模型二分类农田害虫图片集。由于样本数据量较少,为防止出现过拟合,使用了数据增强技术,即通过现有训练图片生成更多的训练图片,从而提高泛化能力。实验表明,4种网络模型的准确率分别为88.63%、91.73%、86.49%和90.13%,在农田害虫识别中均具有较好的实际应用效果。