基于改进AlexNet卷积神经网络人脸识别的研究

近期,人脸识别技术在社会上广受关注,其非接触式的识别特性相较于指纹等传统接触式识别方法展现出明显优势。在深度学习领域,由于传统卷积神经网络在人脸识别任务上的准确性和速度尚有提升空间,因此提出采用改进的AlexNet卷积神经网络进行人脸识别。通过实验验证,与传统卷积网络相比,改进后的AlexNet在人脸识别上不仅准确度更高,而且识别过程更为稳定。

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MSST和MPA-Alexnet神经网络的风力发电机齿轮箱状态识别

为了提高风力发电机齿轮箱运行状态的识别准确度,提出一种基于多重同步压缩变换和海洋捕食者算法优化Alexnet神经网络的齿轮箱状态识别模型。首先通过多重同步压缩变换对风力发电机齿轮箱原始振动信号进行预处理,获得原始振动信号的二维时频图像;然后利用海洋捕食者算法寻优神经网络的各层卷积核长度参数,提高网络的辨识能力,并以二维时频图像作为样本对参数优化后的神经网络进行训练和测试,完成风力发电机齿轮箱状态判定。实测信号分析结果表明,所提模型可有效区分齿轮箱的不同运行状态,与其他模型相比,识别准确度更高,鲁棒性更好。

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。

不平衡样本下基于迁移学习-AlexNet的输电线路故障辨识方法

输电线路不同故障类型和故障原因的故障样本集具有类不平衡性,为基于图像深度学习的故障分类辨识带来挑战。文中提出类不平衡样本下基于迁移学习-AlexNet神经网络的输电线路故障辨识方法。首先,统计分析了输电线路故障的特征与概率分布,使用MATLAB/Simulink仿真产生了符合实际情况的不平衡故障样本集。然后,以故障暂态波形图像为输入集,采用迁移学习-AlexNet神经网络构建故障分类器,降低了故障特征提取的复杂性。算例测试结果表明,现有按类平衡故障样本集开展故障辨识的方法,分类准确率偏于乐观,即使采用抽样法也无法准确识别类不平衡样本中的小样本故障类型;而所提方法可以很好地应对类不平衡故障样本集,相比于经典的卷积神经网络,对故障类型与故障原因的辨识准确率也更高,训练模型用于类似线路的真实故障录波数据也能很好地辨识出故障类型。

基于小波AlexNet网络的配电网故障区段定位方法

文中提出一种基于深度网络迁移学习的配电网故障区段定位方法。利用小波包变换(WPT)分解配电网各区段的电量信号,将各节点小波包系数按照低频到高频的顺序重新排列获得时频矩阵,通过颜色编码将时频矩阵转成具有图像性质的像素矩阵,像素矩阵囊括了当前系统的工作状况信息,利用迁移学习AlexNet网络,调整网络结构使其适应于配电网故障区段辨识,通过微调的AlexNet网络自主挖掘像素矩阵的故障特征作为预测变量,利用门控循环单元(GRU)、学习向量量化(LVQ)、朴素贝叶斯分类器(NBC)、极限学习机(ELM)、支持向量机(SVM)等模式识别算法进行故障特征分类,从而实现配电网故障区段定位。针对多分支的线缆混合线路进行实验分析,比较5种模式识别算法的分类效果,得到GRU算法准确率可以达到99.92%,证明了该方法不受故障时刻、故障类型和过渡电阻等因素的影响,可满足配电网对故障区段定位准确度和可靠性的需求。

基于迁移学习和AlexNet的驾驶员行为状态识别方法

为了解决传统基于神经网络算法的驾驶员行为状态识别系统精度过于依赖大量训练样本的问题,提出将迁移学习理论和Alex Net引入到驾驶员行为状态的识别研究中。首先对驾驶员行为特征及状态进行深入分析,对驾驶员7种驾驶状态进行了定义,构建了驾驶员状态信息采集系统;然后对基于卷积神经网络的驾驶员状态识别方法研究,建立了驾驶员状态数据集,构建了基于Alex Net卷积神经网络的状态监测系统,通过迁移学习完成了卷积神经网络识别模型。最后通过实验验证了提出的驾驶员状态识别算法对7种驾驶员状态识别的有效性。实验表明:该系统准确率达到97. 8%,且在实验设备中运行速度达到70帧/min,满足较高的准确率要求与实时性要求。

基于改进AlexNet的可变形卷积皮肤病变识别算法

为了有效解决类间相似度高、类内差异化大、数据类别不平衡的皮肤病变识别,提出了基于改进AlexNet的可变形卷积网络皮肤病变识别算法.构建改进的AlexNet可变形卷积网络模型,增加采样偏移量,使不同位置的卷积核采样点可根据图像内容自适应变化,自动调整不同尺度或感受野,提取比标准卷积更精细的特征.使用交叉熵损失函数和焦点损失函数的加权损失函数,削弱易分类样本在训练中所占的权重,使模型专注于相似度高、易错分的样本,解决样本比例不平衡的问题,优化模型的识别率.在HAM10000数据集上进行仿真实验,主客观的实验结果表明,提出的方法在7种皮肤病变上的识别优于现有方法,具有更高的准确性、特异性和鲁棒性.

基于AlexNet卷积神经网络的大米产地高光谱快速判别

采集我国东北和非东北10个产地、4个品种共计1000份单粒大米样本在波长950~1700 nm区间的高光谱图像,按照单粒大米轮廓提取感兴趣区域并计算平均光谱,采用主成分分析从样本集光谱矩阵提取累计贡献率大于99%的第一、二主成分,根据载荷矩阵系数最大值筛选与第一、二主成分相关性最强的特征波长1396.67 nm和1467.38 nm。针对两组特征波长图像进行主成分分析,分别选取前三维主成分,共计可得2×3组训练样本集。结果表明:基于AlexNet卷积神经网络训练建立6组东北/非东北大米产地高光谱快速判别模型,均有较高的识别准确率,其中基于1467.38 nm波长的第三主成分图像建立的东北/非东北大米产地判别模型的性能最佳,其识别准确率可达99.5%。

改进的Alexnet模型及在油井示功图分类中的应用

现在有杆抽油机采油设备仍在原油开采中占据主导地位,示功图采集及分析是检测、预防、解决采油生产过程中各种故障的有效措施和手段。借助人工智能方法进行油井抽油机示功图自动分类识别和故障判断一直是研究的重点。深度学习为示功图识别和解释研究注入了新的活力。主要对卷积神经网络在油井抽油机示功图自动识别中的应用进行研究,提出一种改进的Alexnet模型,实现了示功图的自动识别,并与目前常用的神经网络模型进行了比较。实验表明,改进的Alexnet模型在保证识别准确率高的同时有效降低了训练学习时间,很好地达到了实际应用要求。

基于AlexNet-SN网络的煤与煤矸石分类方法

现有煤矸石分选方法主要依据人工设计特征对煤矸石进行识别,但特征提取过程复杂,准确率也较低。随着人工智能技术的快速发展,智能选矸成为解决煤矸石分拣问题的重要研究方向。为提高煤与煤矸石分类准确率,本文提出了一种基于AlexNet网络和风格迁移技术改进的煤矸石分拣方法。选用3×3的卷积核代替原AlexNet网络前几层中较大的卷积核,利用BN层代替LRN层和Dropout,并采用风格迁移数据增强法提高煤与煤矸石数据集的多样性。研究结果表明,与原始的AlexNet网络相比,该方法的准确率提高了1.8%,损失率下降了2.0%。此方法不仅能够满足煤与煤矸石实时检测的要求,而且具有更高的识别精度,能有效应用于煤矸石识别。

基于AlexNet卷积神经网络的激光雷达飞机尾涡识别研究

为解决飞机尾涡威胁后机飞行安全问题,保障空中交通安全,提高机场和空域容量,提出了一种基于AlexNet卷积神经网络模型的算法,实现飞机尾涡的准确识别。结合多普勒激光雷达探测原理和Hallck-Burnham尾涡速度经典模型,构建了AlexNet神经网络模型提取大气风场中的尾涡速度云图的图像特征,识别飞机尾涡。研究表明,该模型能够准确识别目标空域中的飞机尾涡,网络模型收敛后对尾涡识别的准确率高达91.30%,并具有低虚警率,能有效地实现对飞机尾涡的识别和预警,达到尾涡监测的目的。

基于改进AlexNet卷积神经网络的人脸表情识别

为了解决传统卷积神经网络用于人脸表情识别准确率不高的问题,提出了一种基于改进深度AlexNet卷积神经网络的表情识别方法。该方法基于AlexNet网络的基本结构,采用单图形处理单元(Graphics Processing Unit,GPU)进行训练,减少了两层卷积层和一层全连接层,在每层卷积层后加上批标准化(Batch Normalization,BN)代替原来的局部归一化,并在全连接层后加上Dropout正则化进一步防止过拟合。与AlexNet模型相比,改进的网络结构更简单、复杂度低、参数量少,可以节省大量模型训练时间进行快速预测,且更不易过拟合,同时加快了模型收敛速度,提高了网络泛化能力。在Fer2013数据集以及CK+数据集上进行实验,结果表明,所提方法分别得到了68.85%和97.46%的识别率,较其他人脸表情识别方法的识别率有一定提高。

基于AlexNet的茶叶嫩芽状态智能识别研究

为确定合理有效的茶叶嫩芽采摘时间,提出一种基于AlexNet卷积神经网络的茶叶嫩芽状态智能识别方法。首先,建立自然环境下全开面、半开面和未开面三种状态茶叶嫩芽图像集;然后,训练茶叶嫩芽状态AlexNet网络识别模型;最后,利用测试集样本进行模型检测,训练集和测试集中三种状态嫩芽平均识别率分别为97.8%和88%。实验结果表明,该方法能够有效地识别自然环境下茶叶嫩芽状态,为嫩芽智能采摘提供理论依据。

Alexnet卷积神经网络辨识幽门螺杆菌阳性舌象的可行性研究

目的:探索从舌象图像分析判断幽门螺杆菌(Hp)感染的可行诊断技术。方法:引入Alexnet卷积神经网络概念,通过现代技术对舌象图像分类、识别、计算,以实现对Hp舌象精准客观诊断的功能。结果:通过研究中医舌诊与消化系统的关联、舌象图像可特定性识别的原因以及深度学习Alexnet卷积神经网络结构,论证了该方法对Hp阳性舌象分类模型辨识具有可行性。结论:运用Alexnet卷积神经网络实现辨识Hp感染,将有助于补充与完善中医舌象现代诊断,是实现中医诊疗标准化与客观化的重要技术手段之一。

基于改进ALEXNET卷积神经网络的电容层析成像三维图像重建

针对卷积神经网络三维图像重建算法的样本训练速度慢和成像精度低的问题,提出一种根据不同流型的AlexNet神经网络数据训练方法。首先通过SVM算法将输入的电容样本数据按照流型分类,然后采用单一流型样本数据训练相应的AlexNet卷积神经网络,使得某一流型的神经网络的输入样本数据类型简单、样本数量少和神经网络规模小。同时采用具有冲量和自适应学习速率的Adam算法,减少了训练时的误差振荡,加速神经网络的收敛。通过对比改进的AlexNet卷积神经网络算法和LBP算法的成像结果,表明优化后的AlexNet在成像精度和速度上有显著提升。

融合迁移学习的AlexNet神经网络不锈钢焊缝缺陷分类

针对不锈钢焊缝缺陷特征提取存在主观单一性和客观不充分性等问题,提出一种融合迁移学习的AlexNet卷积神经网络模型,用于不锈钢焊缝缺陷的自动分类。首先,由于不锈钢焊缝缺陷数据较为缺乏,通过采用迁移学习对网络前3层冻结,减少网络对输入数据量的要求;对后2层卷积层提取的特征信息批量归一化(batch normalization,BN),以加快网络的收敛速度;并使用带泄露线性整流(leaky rectified linear unit,LeakyReLU)函数对抑制神经元进行激活,从而提高模型的鲁棒性和特征提取能力。结果表明,该模型最终达到了95.12%的准确率,相比原结构识别精度提高了9.8%。验证了改进后方法能够对裂纹、气孔、夹渣、未熔合和未焊透5类不锈钢焊缝缺陷实现高精度分类。相比现有方法,其识别面更广,精度更高,具有一定的工程实践意义。

基于增强AlexNet的音乐流派识别研究

针对机器学习模型对音乐流派特征识别能力较弱的问题,提出了一种基于深度卷积神经网络的音乐流派识别(DCNN-MGR)模型。该模型首先通过快速傅里叶变换提取音频信息,生成可以输入DCNN的频谱并切割生成频谱切片。然后通过融合带泄露整流(Leaky ReLU)函数、双曲正切(Tanh)函数和Softplus分类器对AlexNet进行增强。其次将生成的频谱切片输入增强的AlexNet进行多批次的训练与验证,提取并学习音乐特征,得到可以有效分辨音乐特征的网络模型。最后使用输出模型进行音乐流派识别测试。实验结果表明,增强的AlexNet在音乐特征识别准确率和网络收敛效果上明显优于AlexNet及其他常用的DCNN、DCNN-MGR模型在音乐流派识别准确率上比其他机器学习模型提升了4%~20%。

基于AlexNet网络的服装风格识别分析

将深度学习引入机器学习使人工智能的研究上了一个新的台阶,深度学习的建模与表征能力强大,在图像处理领域有着非常重要的作用,这为服装风格分类提供了发展机会。为了进一步得到服装图片的风格信息,对原始训练集进行图片增广,扩增数据集,同时通过训练AlexNet卷积神经网络模型,对扩充数据集进行服装风格分类,从而提高服装风格识别精度。