基于AlexNet的农作物病虫害识别研究

农作物病虫害症状的检测和鉴定是保证农作物良好生长的前提条件,是人们能够准确、及时地制定防治方案和采取相关措施,切实减轻病虫害的发生。于是提出了以Alexnet为基础的农作物病虫识别方法,首先对采集到的病虫和健康叶片图像进行归档分类,然后对建立好的数据集进行尺寸归一化和数据强化等预处理,最后对训练集采用Alexnet模型进行训练,经过5次训练,实验证明其准确率可达96.93%,该方法能较好地识别农作物病虫害,具有较好的鲁棒性和较高的精确度。

基于AlexNet网络的枸杞分级识别模型研究

枸杞是一味传统中药材,具有很高的营养价值,被广泛应用于保健领域。基于AlexNet网络的枸杞分级模型采用深度学习技术,利用AlexNet网络模型实现对枸杞的分类识别,从而快速、准确地检测枸杞的外在质量。通过实验验证,该模型能够有效提高枸杞分级的准确性,可为提高中药材的质量监测效率提供有力的技术支持。

基于AlexNet模型的大闸蟹自动分级系统设计与实现

针对目前大闸蟹人工分级方法的局限性,设计基于Matlab图像处理的大闸蟹分级系统。首先,在湖州市太湖养殖基地采集不同等级大闸蟹背部和腹部图像,对采集的图像进行灰度化、阈值分割、形态学等预处理。然后利用卷积神经网络AlexNet模型提取大闸蟹公母特征,利用面积法计算其大小。通过选取的10只大闸蟹的重量和系统计算得到的像素转化为面积参数,分析得到大闸蟹背部图像像素占比与其重量成近似正比例关系,因此可根据背部图像的计算值得到其大小特征。根据大闸蟹公母、大小特征完成分级。实验结果表明,系统在大闸蟹公母识别方面平均准确率达到92.655%,大小分级方面平均准确率达到95%。

基于AlexNet-SVM模型微型钢球表面缺陷快速识别方法

微型钢球由于高反射、球体需要全覆盖的特点,其表面缺陷的质量控制尤为困难。针对人工检测方法效率低且准确度不足的问题,文章提出一种改进的AlexNet的卷积神经网络和SVM模型的钢球表面缺陷快速识别方法。该模型删减了后3个卷积层,保留全连接层FC7提取的特征,采用SVM代替原始Softmax分类器以防止过拟合,提高模型泛化能力。此外,研究了基于K-CV的改进网络搜索算法确定分类器最佳参数。实验采用混淆矩阵对提出模型的识别结果进行性能评估,结果表明,该方法平均准确率达到99.43%,运算时间为17.2 ms。对比原模型及其他网络模型,具有较高的准确度和推理速度,能够满足工业现场检测的需求。

基于改进AlexNet模型的滚动轴承故障诊断方法

针对传统方法难以提取滚动轴承故障特征、诊断精度不佳且模型结构复杂等问题,提出一种改进Alexnet模型的滚动轴承故障诊断方法。首先,将滚动轴承各故障振动信号转化为富含时频信息的二维特征图样本集,按一定比例划分为训练集与验证集;然后针对AlexNet模型中存在的模型训练速度慢、准确性不高等缺点进行改进,使用ImageNet图像数据集对改进模型进行训练,并保存训练过程获取的知识;最后将保存的训练信息迁移应用于改进模型对轴承故障数据集的诊断。通过改进前后模型对部分cifar-10图像数据集的训练与验证情况证明了改进模型的优化效果,对比常见网络模型对轴承10类别故障诊断情况,所提方法具有更好的诊断效率和诊断精度。

基于AlexNet的手势动作识别系统设计

为了帮助听力、语言障碍的人群和他人做到无障碍交流,本文设计了一种基于AlexNet卷积神经网络手势动作识别系统。首先,利用已知的美国手语数据集作为训练数据;之后,使用Pytorch深度学习框架搭建AlexNet网络架构,进行数据训练,以便得到已训练好的手势识别模型。最后,使用Pyqt5设计手势动作识别系统。结果显示,本系统具有页面简洁、方便用户操作等特点。

基于改进AlexNet的红外图像行人姿态识别

针对传统红外图像行人姿态识别准确率低下的问题,在经典AlexNet网络的基础上,提出一种改进型AlexNet网络。该网络设定输入红外图像的尺寸为227×227×3,包含5个卷积层、3个池化层、3个全连接层和1个输出层。同时,减小卷积核提取更精细的特征,减少节点数防止过拟合,删除分组和随机失活神经元操作获得更快的提取和计算速度。实验结果表明,与流行的GA-CNN、CNN-SVM、CNN-MLP、CNN-RF算法对比,改进网络的Mean Precision、Mean Recall和Mean F1等性能指标均优于对比算法。

基于改进1D-AlexNet的海面小目标高维特征检测

目前,海面小目标已成为海洋雷达探测的重点和难点。这类目标具有低信杂比和弱机动性,导致传统检测器性能损失严重,出现检测概率低和虚警率高的问题。为了有效探测目标,常常需要雷达具备长时观测的能力,从而提高目标回波的信杂比。新体制下全极化雷达可保证足够的观测时间,且进一步拓宽信息的维度。为此,本文提出一种基于改进1D-AlexNet的新检测方法,通过充分挖掘全极化雷达的回波信息,全面提高海面小目标探测能力。首先,从时域、频域、时频域、极化域,提取24个有效特征,他们综合反映了海杂波和含目标回波在功率、分形、几何、散射等方面的差异性。其次,联合所有特征构建一个高维特征空间,并将传统二元检测问题转换为高维特征空间中的两分类问题。随后,从结构和参数两个层面,设计一种改进1D-AlexNet的两分类器,用于检测小目标。在结构层面,将传统二维AlexNet模型降低到一维并进行层数精简化,从而加快模型的训练速度。在参数层面,引入具有自适应调整斜率的激活函数,保证模型的稳定性。同时,将幂指数衰减函数替代固定学习率,进一步提高模型的分类精度。最后,通过IPIX实测数据验证,结果表明:相对现有的特征检测器,所提出的检测器具有最佳的检测性能,并在复杂的杂波环境下仍能保持稳健性。此外,改进后的分类器结构简单,训练速度快,有望应用于实际雷达快速探测中。

干扰背景下基于改进AlexNet的无人机信号识别方法

复杂电磁环境下非合作无人机图传信号易被干扰覆盖,传统检测手段难以有效识别,为此提出了一种基于改进AlexNet模型的无人机图传信号识别方法。该方法针对干扰覆盖场景下图传信号的时频图像特征,对AlexNet模型进行改进优化,通过拆分卷积核、减少全连接层节点数、增加全局平均池化层,在不增加计算复杂度的情况下加深了网络结构,有效提升了图传信号识别能力。在内场微波暗室和外场真实环境中,分别制备了不同干扰强度下的时频图像数据集以训练模型,结果表明,在信干噪比(SINR)为-15 dB时改进AlexNet模型仍可保持90%以上的验证准确率,而且相比于其他CNN模型,可将单位训练时间缩短1 s以上。

基于改进的AlexNet的无人驾驶研究

本研究利用空间金字塔池化(Spatial Pyramid Pooling,SPP)和全局平均池化(Global Average Pooling,GAP)优化传统的AlexNet架构,并将其应用于无人驾驶汽车的视觉识别系统中。这项研究旨在提高无人驾驶车辆通过摄像头感知环境的准确性和效率。首先,笔者对AlexNet算法进行了改进,集成了SPP和GAP。SPP的引入使网络能够更有效地处理不同尺寸的图像,得到改进的AlexNet-SG网络,从而捕捉更多的空间信息。GAP的应用减少了模型的参数数量,从而降低了过拟合的风险并加快了训练速度。这些改进不仅增强了模型的泛化能力,还提高了网络对复杂场景的识别能力。本研究使用真实世界的交通环境数据对改进后的模型进行了测试,实验涵盖了多种交通场景,包括直车道、弯车道、人行道等。研究结果表明,AlexNet-SG在处理复杂交通场景时的表现明显优于原始模型,特别是在识别距离和准确率方面取得了显著提升。

改进Alexnet网络的滚动轴承故障诊断方法

本文针对滚动轴承故障诊断准确率不高的问题提出一种新方法。首先,将振动信号通过短时傅里叶变换(Short Time Fourier Transform,STFT)转化为时频图像构建数据集。其次,采用批量归一化算法和GeLU激活函数改进Alexnet网络,对不同工况的时频图像进行训练和故障诊断。在凯斯西储大学(Case Western Reserve University,CWRU)轴承数据集试验中,改进后的Alexnet网络训练损失更低,收敛速度更快,故障识别准确率更高。最后,比较模拟滚动轴承损伤故障实验平台采集的样本数据,改进Alexnet网络的故障识别准确率为97.2%,明显优于Alexnet网络、SVM网络和CNN网络,验证了该改进方法的有效性。

基于可变形卷积AlexNet与软注意力机制的皮肤病变识别算法

为解决皮肤病识别领域中数据集类别不平衡、模型复杂度高以及准确率低的问题,提出了一种基于可变形卷积AlexNet与软注意力机制的皮肤病变识别算法。首先,提出改进的可变形卷积AlexNet网络模型,提高模型辨析力的同时,降低了模型的参数量,加快模型的训练和测试效率。然后,在改进的模型中集成了软注意力机制,使模型聚焦于皮肤病的关键特征区域,优化模型的特征提取和识别能力。最后,提出了一种联合损失函数,对焦点损失函数与交叉熵损失函数进行加权,聚焦于困难样本和易出错样本,解决因数据集类别不平衡而导致的网络朝着错误方向收敛的问题。在公开数据集进行实验,主观和客观的实验结果表明,提出算法在七种不同类别的皮肤病识别准确率高于对比算法,具有较强的鲁棒性和泛化能力。

基于轻量AlexNet的电容型电压互感器故障诊断

电容型电压互感器(CVT)是重要的一次侧电压监测元件。针对环境温度、湿度以及元件老化等因素造成的电容型电压互感器一次侧电容上下臂击穿或互感器二次侧短路等故障,提出了一种基于轻量AlexNet的电容型电压互感器故障诊断方法。该方法利用Matlab建立了CVT电路模型,分别对高压臂电容击穿、低压臂电容击穿以及互感器二次侧短路3种典型的故障进行仿真。采集CVT二次侧电压数据,利用马尔可夫变迁场将其转化为特征矩阵,最后使用轻量化的AlexNet神经网络对电压特征矩阵进行故障分类。仿真实验证明,所提方法在不拆除CVT的情况下,能准确检测出CVT的故障类型。

基于改进的AlexNet模型的家用负载电弧检测

传统的电弧检测方法依赖人工设定阈值,存在误判的可能性,以及检测成功率不高等问题,提出了一种基于改进Alexnet深度学习卷积模型的电弧故障检测方法;该方法使用Adam算法代替SDG算法作为优化算法,加快模型的收敛速度,引入批量归一化算法,对数据进行归一化处理,改变卷积核的大小,减少网络参数数目。采用短时傅里叶变换(STFT)提取正常和故障时的电流信号时频信息,构建电流信号的时频图作为改进模型的输入,通过该改进的Alexnet模型实现电弧故障的检测。经过验证,该改进的模型电弧故障识别准确率能达到98%,并优于其他比较方法。

基于轻量级AlexNet网络的秦简文字识别算法

以样本少且欠均衡的高信噪比秦简文字图像为研究对象,提出一种基于改进的轻量级AlexNet网络模型的秦简文字识别算法。首先,构建秦简单文字图像数据集,对其进行增强降噪、图像归一化等预处理操作;其次,调整AlexNet网络模型结构,构建4层卷积层与池化层的顺序连接,并在前2层卷积层分别融入InceptionA与InceptionC结构,以分解卷积的形式对秦简文字进行局部特征提取,选取ReLU函数作为模型的激活函数,并在全连接层融入Dropout层进一步防止模型出现过拟合现象;最后,调用Softmax分类器完成秦简文字图像识别。研究结果表明:该网络模型在轻量化与识别准确率的表现上具有明显的优势,平均识别耗时为635 ms,识别准确率达到了99.89%,识别效果良好,可为秦简文字识别理论研究提供参考。

基于格拉姆角场与迁移学习-AlexNet的变压器绕组松动故障诊断方法

绕组松动故障是变压器最主要的机械故障之一,尚缺乏有效的智能化诊断方法。为此提出基于格拉姆角场与迁移学习-Alex Net的变压器绕组松动故障诊断方法。变压器稳态运行时的振动信号存在周期性的特点,导致其构建足量具有时间相关性的图像集十分困难,提出了一种样本构建方法用于生成变压器振动信号的格拉姆角场图像集。将生成的图像集送入AlexNet进行迁移学习,获得微调后的神经网络模型。实验结果表明:利用该样本构建方法生成的图像集作为训练集和验证集,建立的卷积神经网络模型训练准确率与验证准确率均达到99%以上;利用变压器周期性振动信号生成的图像集作为测试集,测试准确率达到99%以上,实现了变压器绕组松动故障的准确诊断,并为周期性信号运用具有时间相关性的图像变换方法构建足量样本集提供了一种新思路。

基于多源数据融合的Alexnet神经网络大电网故障诊断

针对电网在台风、冰冻等极端条件下发生故障的诊断问题,提出利用标准遥信及广域测量系统(wide area measurement system,WAMS)数据训练Alexnet模型,并应用于电网故障诊断的方案。首先利用标准故障遥信信息和WAMS数据构造Alexnet的输入图片矩阵,对Alexnet进行训练。然后对Alexnet输入图片高维特征提取方法进行分析,提出构造最优分布结构的输入图片矩阵方法,并形成故障诊断模型。最后以海南岛电网遭受台风袭击为场景,搭建仿真模型对Alexnet故障诊断模型进行验证。

基于迁移学习和AlexNet的复合电能质量扰动识别

针对传统电能质量扰动特征提取困难的问题,提出了1种基于迁移学习与深度卷积网络相结合的复合电能质量扰动识别方法。该方法利用相空间重构法将一维扰动信号转化为形状特征明显的轨迹图像,输入到迁移学习的AlexNet模型中进行端到端的识别分类。首先,将扰动信号重构到高维相空间。然后,将其映射到二维平面以获得重构信号轨迹图像。接着,将轨迹图像输入到迁移学习的AlexNet中训练学习以实现扰动识别。最后,为了验证该方法的有效性,开展了相关仿真研究。仿真结果表明,所提方法对复合扰动的识别准确率较高。与其他网络模型相比,在保持训练参数不变的情况下,该方法具有较高的识别精度和收敛性。同时,在信号自动识别领域,该方法也提供了新的解决思路。

FDAT:基于AlexNet迁移学习的纺织物疵点分类方法

针对现有的纺织产品疵点分类方法数据集小,网络训练耗时较长以及准确率较低等问题,论文提出了一种使用迁移学习基于ALexNet模型的纺织产品疵点分类算法(Fabric Defect Classification Model based on AlexNet using Transfer Learning,FDAT),首先,针对纺织产品疵点数据集数据量少的问题,通过基于大型数据集训练得到模型训练参数权重,利用迁移学习方法构建基于AlexNet的纺织产品疵点分类方法;其次,对输入纺织产品疵点数据进行特征提取,使用softmax分类器针对特征提取结果进行分类;最后,在TILDA纺织产品疵点数据集上进行了计算机模拟实验,实验结果表明,提出的FDAT模型对比传统小波变换算法,人工神经网络,DenseNet,ResNet以及Xception,可以有效地解决小样本分类问题,提高算法的准确率的同时,缩短网络分类耗时。

基于改进AlexNet-GRU深度学习网络的配电网短期负荷预测方法

负荷预测作为电力系统规划的重要环节,对于确保电网稳定运行、实现电力供需平衡等方面具有十分重要的作用。本文提出了一种基于改进AlexNet-GRU深度学习网络的配电网短期负荷预测方法。通过聚类将日负荷曲线分为不同日类型;然后根据聚类结果,建立基于改进AlexNetGRU深度学习网络的配电网短期负荷预测模型,并与传统的负荷预测方法进行对比。对某地区2013年的负荷进行预测结果表明,本文所提方法可以有效提高预测精度。