基于改进ResNet50的钨矿石双能X射线图像分选方法

文中提出一种基于深度扩张可分离卷积和注意力机制的残差网络模型(DWAtt-ResNet),通过实验对比表明,该模型在钨矿石双能X射线图像数据集上准确率、F1分数、AUC值和AP值均优于ConvNeXt、DenseNet121和EfficientNet_b4等主流的图像分类模型。通过消融实验表明,该模型准确率达到87.4%,计算量为2.7GFLOPs,参数量为16.95M,相比ResNet50准确率提高3%,计算量降低1.42 GFLOPs,参数量降低6.56M,准确率提升的同时,效率大幅提升,更适合工业生产的矿石快速分拣需求。

基于改进ResNet50的表面肌电信号手势识别

为了提高手势动作在类别众多且相似度高的情况下的识别精度,提出了一种基于连续小波变换和残差神经网络Res-Net50的表面肌电信号手势识别方法。首先对Ninapro DB2和DB3的原始表面肌电信号进行预处理和连续小波变换,得到Multi-sEMG Wavelet Map数据集,然后送入改进的ResNet50模型进行识别分类。实验结果表明,改进后的ResNet50网络模型在Multi-sEMG Wavelet Map DB2和DB3中17种手势动作的平均准确率分别达到了96.40%和94.11%,相比ResNet50网络模型方法提升了4.87%和5.83%。实现了手势动作在类别繁多、相似度较高的情况下的精准识别。为基于非侵入式传感器和机器学习控制的假肢手提供了新方案。

基于Cutout-ResNet50的野外环境水稻病害识别系统

针对水稻病害图像在野外环境下存在的光照不均、明暗变化明显、因遮挡导致目标特征缺失和噪声重叠,以及野外环境的水稻数据集少且质量差等问题,提出一种基于改进ResNet50算法的野外环境水稻病害识别方法,并设计识别系统.在传统ResNet50算法的基础上采用迁移学习技术对学习知识跨领域迁移,缓解数据集样本不足和不均衡造成的过拟合现象;利用Cutout增强方法对特征信息随即筛选,模拟复杂的野外环境,加强算法的泛化能力;对学习率采用余弦退火优化策略,提高算法的稳定性.结果表明:改进的ResNet50算法在小型水稻病害数据集上的识别准确率达97.24%,明显高于传统ResNet50算法,且该改进方法亦能提升VGG16、GoogLeNet和MobileNetV3-large等其他卷积神经网络算法的模型识别性能.将该模型部署于系统,可为水稻病害识别在实际应用工程中的发展提供技术参考.

基于CBAM-ResNet50的金刚石颗粒净度检测方法

针对金刚石颗粒净度传统检测方法效率低、准确率差的问题,提出了一种基于迁移学习和改进Res-Net50的金刚石颗粒净度检测算法CBAM-ResNet50。该算法通过在ResNet50主干网络的每层中增加CBAM,以提升模型特征的提取能力;且在主干网络的Layer3和Layer4中融入FPN结构,对提取的特征进行部分特征聚合,来解决采样过程中小目标特征易丢失的问题;同时引入迁移学习方法,用交叉熵损失函数优化模型的初始参数,提升模型的泛化能力。结果表明:在学习率设置为0.0001时,提出的CBAM-ResNet50模型训练准确率达到99.2%;根据混淆矩阵计算得到模型的精确度在99.20%以上,特异性在99.70以上%,F1分数在99.20%,分类召回率在98.70%以上,优于其他主流分类网络的结果,有效提高了金刚石颗粒净度检测的识别能力。

基于ResNet50与通道注意力的遥感图像场景分类

卷积神经网络广泛应用于图像分类,但传统的卷积神经网络直接应用于遥感图像场景分类有一定的局限性。遥感图像中存在类内差异大、类内相似度高的现象,导致网络无法准确地提取到图像中的特征,给遥感图像分类任务带来巨大的困难。通道注意力机制有专注于提取主要特征而忽略次要特征的优点,将其加入网络模型可以增强卷积神经网络的识别图像特征能力,因此,提出了一种基于ResNet50与通道注意力结合的网络模型(ResNet50+Attention),在UCMD数据集上使用初始化网络参数的方法进行遥感场景图像分类任务,对比了经典网络模型AlexNet、DenseNet、VGG16和GooLeNet,ResNet50+Attention在总体准确率、精确度、召回率和特异度分类指标上,明显优于其他模型。并进行了与基础ResNet50模型的消融实验,包括对比了准确率曲线、混淆矩阵和单独类的分类指标。结果表明,ResNet50+Attention在总体准确率、精确度、召回率和特异度上分别达到了91.7%、92.1%、91.8%和99.6%,相比于ResNet50分别提高了4%、3.8%、4%和0.2%,证明了该网络模型的有效性。

一种基于改进神经网络算法ResNet50的玉米病虫害识别模型

在玉米生长过程中,病虫害对玉米的产量和质量均有较大的影响,因而有效地预防与治理玉米病虫害对玉米产业甚至粮食安全具有十分重要的现实意义。玉米病虫害的精准识别是实现病虫害预防与治理的有效手段。然而,目前玉米病虫害识别通常采用基于专家经验的人工识别方式,具有主观性强、精确度不稳定的缺点。为了解决这个问题,本研究提出一种基于改进神经网络算法的玉米病虫害识别模型LSE-ResNet50。首先,通过在每个残差模块中引入SE注意力机制,通过对每个残差模块中的特征图进行加权处理,来提高模型的特征提取能力,进而加快其收敛速度;然后,通过在损失函数中引入标签平滑机制,对真实标签进行一定的平滑处理防止模型过拟合,来进一步提升原模型的泛化能力。为了验证本研究模型的有效性,在玉米病虫害数据集上与其他5种经典方法进行了对比试验。结果表明,与其他经典模型相比,本研究提出的改进模型LSE-ResNet50的收敛速度更快,识别准确率比原ResNet50模型提升了2.3百分点。LSE-ResNet50模型在识别效率和精确度方面均取得了较好的性能,因而是一种有效的玉米病虫害识别模型。

基于ResNet50与卷积稀疏表达的红外与可见光图像融合算法

提出一种基于ResNet50神经网络与卷积稀疏表达的红外与可见光图像融合算法。通过低通滤波将红外与可见光图像分解成基础层和细节层;运用卷积稀疏表达对基础层进行处理得到新的基础层,使用ResNet50神经网络对细节层进行特征提取,对得到的特征图进行L1正则化和最大选择策略得到最大权重层,经过权重分配得到新的细节层;对新的基础层和细节层进行重建,得到融合图像。该算法针对基础层和细节层提出了新的融合策略,并且能较好地保留细节信息和结构信息。实验结果表明,该算法在主观和客观指标证明上优于对比算法。

基于ResNet50模糊称重装置双目识别系统的设计

针对肉类食品行业生产效率低,以及采用人工称重分拣的问题,设计了一种基于ResNet50的模糊称重装置双目识别系统,旨在实现称重设备的文字实时识别,提高后期分拣率。首先,设计一款模糊称重装置,用于对食品进行有效的定量称重;其次,选用双目相机作为称重装置的识别硬件,并进行标定;再次,设定称重食盒采集实验,并对食盒图像进行预处理;然后,以ResNet50前5层的残差网络为核心,利用CTPN算法对食盒图像进行模型训练,用LSTM神经网络、NMS算法对待测试图像数据特征序列进行预测;最后,利用LabVIEW软件设计文字实时监测界面,进行系统监测。经测试,系统网络的Precision、Recall、F-measure值分别达到98.64%、97.60%、98.12%,系统文字识别率得到有效提高,且能够进行实时监测。

基于ResNet50_SIMAM的水下目标检测模型研究

水下目标检测是海洋探索和监测领域的一个关键技术挑战,具有广泛的应用。由于水下环境复杂以及视觉清晰度有限,现有检测方法效果不佳。针对这一问题,我们对现有的ResNet50模型进行改进,通过引入SIMAM注意力机制来提高检测精确度。通过对数据集的预处理和增强,模型成功适应了水下图像的特点。实验结果表明,该模型在水下目标检测任务上表现卓越,Map值由原来的64.6上升到68.35,验证了改进后的模型ResNet50_SIMAM在处理复杂水下视觉任务中的巨大潜力。

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。

基于路测图像与改进ResNet50网络的自动驾驶场景天气识别算法

为了充分利用自动驾驶汽车路测图像数据,增加行驶过程中对天气情况识别的准确性,提出了一种基于改进ResNet50网络的自动驾驶场景天气识别算法。该算法将SE模块与ResNet50网络相结合,通过在ResNet50网络4组模块内加入SE模块,以便更好地拟合通道间复杂的鲁棒性。基于自动驾驶汽车路测图像数据对所提算法进行Python编程实现,结果表明:SE模块的加入能够增加算法的鲁棒性和准确性,提高了自动驾驶的天气识别精度。

基于CBAM-ResNet50模型的水果图像识别

针对传统水果分类识别精度低,人工成本高等问题,提出一种基于CBAM-ResNet50模型的水果图像识别算法。首先,采用迁移学习技术,将ImageNet数据集上训练好的权重参数迁移到ResNet50网络水果图像分类模型中,保留卷积层和池化层,去掉分类器,作为主干网络模型;其次,在主干网络模型后添加混合注意力机制模块,根据不同的输入特征分配不同权重,提取有效特征,忽略无关信息。然后,用全局平均池化(GlobalAvgPool2D)替换平均池化,将高维数据转化为低维数据,提高计算效率并简化模型训练过程。最后,添加dropout正则化,随机失活权重参数比例,以确保网络对噪声和异常值的鲁棒性,构建Batch Normalization层对输入数据进行归一化,帮助网络更好地学习数据信息的特征分布,进而提高网络模型性能。把收集到的水果图像按照随机取样的方法划分为80%训练集和20%测试集两部分,采用旋转、平移和裁剪等技术扩充水果图像数据集的多样性和变化性,本文提出CBAM-ResNet50网络模型与MobileNet-v3、VGG16、AlexNet、Xception、ResNet50网络模型的识别效果进行对比,试验结果表明,该模型能够有效识别出几种常见的水果图像,相较于初始网络,识别准确率增加了6个百分点,测试准确率高达99%。为了进一步验证模型性能,分析了基于迁移学习下的数据集扩充与未扩充,添加混合注意力机制对网络模型的影响,由此得出,该研究方法在水果分类识别中具有很好的实践意义。

基于Resnet50的江苏近海海面风场预报订正方法研究

海面风场的精确预报对于海上风能开发具有非常重要的影响。利用2019—2021年ERA5再分析数据系统评估了欧洲中期天气预报中心的EC细网格10 m风场预报在江苏近海区域的预报准确性,发现EC细网格对于该区域4级风的预报准确性最高,24 h(48 h)风速预报的均方根误差为2.28 m/s(2.34 m/s),但是随着风级增大,风速预报的准确性大幅降低,5~11级风24 h(48 h)预报的均方根误差(RMSE)由2.39 m/s(2.58 m/s)增加到8.67 m/s(8.51 m/s)。此外,风速预报误差存在显著的空间差异性,误差随着离岸距离的增大而增大。在此基础上,基于Resnet50模型构建了江苏近海海面风场预报订正模型,并利用2022年的预报数据对其进行独立性检验。结果表明:订正模型可以显著改善EC细网格24 h(48 h)的10 m风速预报结果,订正后的RMSE为1.45 m/s(1.66 m/s),较订正前降低了45%(40%)。对于3~10级风,订正模型24 h和48 h预报的RMSE为1.13~6.67 m/s和1.21~5.68 m/s,同样明显低于订正前(2.33~7.65 m/s和2.58~9.97 m/s)。

基于优化CBAM改进ResNet50的异常行为识别方法

在自动视频监控应用中,准确地识别出人类的异常行为是非常困难的任务。为了解决监测系统中异常人类活动的高效识别问题,提出了一种加强局部以及全局特征信息融合的异常行为识别模型ICBAM-ResNet50。在UTI和CASIA两个数据集上进行实验,结果表明该研究比ResNet50模型准确率分别提高了7%和8%。ICBAM模块引入一维卷积替换了原始CBAM中通道注意力的MLP操作,将局部的时间特征整合到通道描述符中,缓解了通道维度由于全局处理产生的忽略信息交互的问题;其次引入时空注意力机制替换CBAM中的单一空间注意力机制,来提高模型的时空表征能力。最后,将优化的CBAM模块嵌入到ResNet50中,通过在ImageNet上对其进行预训练,在两个基准数据集上该模型分别达到了98.8%和97.9%的准确率。使用相同的数据集,将实验结果与原始识别方法进行了比较,结果表明该模型优于所比较的其他方法。

基于改进YOLOv5和ResNet50的女装袖型识别方法

针对女装袖型分类繁多、特征识别困难、检测效果不理想等问题,根据不同女装袖型的关联信息,结合注意力机制改进的YOLOv5目标检测网络和ResNet50残差网络,提出了一种女装袖子造型的自动识别方法。首先,从电商平台收集服装样本图像,按照长短大类和形态小类标记对女装袖型进行归类,建立了包含3600张图像的袖型数据集;其次,结合注意力机制改进的YOLOv5目标检测网络和ResNet50残差网络,设计了女装袖型识别方法;最后,在袖型数据集上开展模型训练,并通过实验验证袖型识别的效果。结果表明:改进YOLOv5和ResNet50相结合的深度学习方法可以有效地对女装袖型进行识别,整体识别准确率约93.3%。该女装袖型识别方法准确、便捷,可以实现大量服装款式的分类快速检测,提高服装设计效率,促进人工智能技术在服装设计领域的应用,助力我国智能制造和电子商务的发展。

基于ResNet50的变电站设备识别精度提升研究

为提升变电站设备识别精度,本文采用改进ResNet50模型方法,并使用标注的变电站设备图像数据集进行训练和验证。试验结果显示,改进后的模型在变电站设备识别任务中取得了显著提升。特别是在识别困难的设备类别方面,改进后的模型表现出更高的准确率和鲁棒性。因此得出结论,改进Res Net50模型可有效提升变电站设备识别的精度。本文研究对变电站的设备监控、故障诊断和维护等应用具有重要作用。未来的研究将进一步探索其他深度学习模型和训练策略,以进一步提升变电站设备识别的性能和效果。

基于卷积神经ResNet50残差网络的岩石图像岩性识别研究

深度学习卷积神经网络算法广泛应用于岩石图像的岩性识别。结合卷积神经残差ResNet50网络,构建了岩石图像岩性识别模型,并依据定义的损失函数进行了网络模型的参数调优与验证;通过构建的识别模型对岩石图像岩性进行了预测,并根据识别结果进行了误差原因分析。研究表明:以深度卷积神经ResNet50残差网络为基础,按照训练集、测试集、验证集8∶1∶1的比例可以进行岩性预测模型的构建与参数调优,从而实现岩石图像的岩性预测;结合项目实例构建了黑云母花岗闪长岩、变质砂岩、石英岩、黑云母花岗岩等四种岩性的岩石图像岩性识别模型;模型的识别准确率,除构造节理发育的破碎岩体较低外,一般可达75%~90%;岩石图像识别结果的准确率受岩体构造裂隙发育及岩石图像质量影响较大,可以通过增加训练样本数量来提高识别结果准确率。

基于改进的ResNet50网络的光伏热斑识别算法

为提高样本在分布不均衡情况下的识别精度,提出一种改进的ResNet50卷积神经网络光伏热斑识别算法。首先,为增加初期红外纹理信息流入、调整网络宽度,设计一种头部分组特征提取模块,并将其嵌入到残差网络中,提高网络在图像细微特征方面的提取能力;然后,将通道注意力机制与残差模块相结合,增加网络通道间的热斑特征信息权重,提高模型识别性能和网络收敛速度;最后,通过图像转换HSV颜色空间、平均H分量梯度直方图峰值等数据预处理方法,将负样本转为多分类数据集,并用于热斑识别网络模型,实现热斑识别结果的可视化。实验结果表明,对比其他算法,改进后的ResNet50网络在识别精度上得到显著提高。

基于改进ResNet50和迁移学习的服饰分类识别

传统的服饰分类方法主要依靠提取图像的纹理、颜色、边缘等特征,过程繁琐且分类精度不高。为了提高服饰图像分类性能,提出了一种基于改进ResNet50和迁移学习的服饰分类识别方法。首先,在ResNet50网络的STAGE5中引入两个池化核大小为2×2,步长为2的平均池化层并配合卷积核大小为1×1,步长为1的卷积层。其次,在最后一个卷积层后面融合卷积注意力机制模块(Convolutional Block Attention Module,CBAM)。这两个改进方法在降低特征图空间尺寸的同时保留了更多的信息,提升了模型的性能。最后,采用迁移学习方法,将ImageNet数据集上预训练权重迁移到改进的网络中,并使用服饰图像数据集对网络进行微调及验证。结果表明:改进后的ResNet50网络分类准确率可达90%,在Top1、Top3和Top5分类准确率上分别比原始的ResNet50提升了2.5%、0.4%、0.1%。此外,相较于现有的四个经典的卷积神经网络(GoogleNet,VGG-16,MobileNet_v2,AlexNet)有着更高的准确率,验证了其在服饰图像分类识别领域的优越性。

基于深度学习ResNet50模型的儿童肺炎分类研究

儿童肺炎作为一种常见的呼吸道疾病,严重威胁儿童的生命安全。本文介绍了一种基于ResNet50深度学习技术的儿童肺炎X射线图像分类研究。经过在公共数据库上的训练和调优,该模型能够高效检测肺部病变并对肺炎类型进行准确分类。实验数据显示,模型的准确率、精准率、召回率和F1-Score分别为92.63%、96.50%、92.88%和94.71%。通过比较ResNet18与ResNet50两种架构的效果差异,证实了ResNet50模型的优越性。综上所述,这一基于深度学习的ResNet50儿童肺炎计算机辅助诊断系统显著提高了诊断的效率和准确性。