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。

一种基于多传感器融合辅助的AlexNet模型图像识别算法

自动驾驶车辆感知系统中,基于视觉的交通标志图像识别是一项关键技术。然而,由于目前硬件计算资源限制、极端光照或其他光源干扰等因素影响,在没有先验知识辅助的前提下,难以实现交通标志的准确识别和工程化应用。针对这一问题,提出了一种基于多传感器数据融合辅助的AlexNet(MSDF-AleNex)模型图像精确识别方法,利用组合导航数据对图像进行预划分,提高图像识别精度。首先,对高精度惯性/卫星导航设备、视觉传感器进行联合标定,结合高精度地图信息,获得相机与交通标志的相对位置和姿态关系;然后,利用视觉传感器自身参数,计算得到在当前图像中交通标志对应的相对位置,并据此获得224*224像素大小的目标区域;将传感器数据融合得到的目标信息和AlexNet模型相结合,目标区域作为AlexNet模型的输入数据。为验证MSDF-AlexNet模型的识别性能,基于VIVA交通信号灯数据库对模型进行离线训练并生成训练模型,然后将训练模型应用于无人巡逻车获得的实际场景交通标志图像的在线识别。结果表明,相对于AlexNet模型,MSDF-AlexNet模型在正常光照、其他光源干扰和极端光照下的综合识别精度分别达到98.4%、98%和96.8%,有助于推动系统的工程化应用。

基于AlexNet模型和自适应对比度增强的乳腺结节超声图像分类

乳腺癌是女性是最常见的恶性肿瘤之一,其发病率有逐年增高的趋势,严重威胁着患者健康。如何取代传统活体穿刺,快速准确地对乳腺结节进行良恶性判断,近年越来越受到关注。医学研究表明,良恶性结节在边缘处呈现较为显著的差异,因此对边界加强处理的算法为判断乳腺结节良恶性的深度学习提供了新思路。文中实验数据库的构建基础得到首都医科大学附属北京友谊医院的支持。在比较5种边界增强算法后对图像进行扩增,并采用在图像分类方面十分出色的AlexNet网络模型。将分别经过线性、非线性对比度拉伸、直方图均衡化、直方图阈值化以及自适应对比度增强算法处理后的数据用于AlexNet模型,比较5种算法对AlexNet模型准确度的影响,得出更适用于乳腺结节超声图像的预处理算法。扩增后的数据集图像总数量超过一万张,其中训练集占80%,验证集与测试集各占10%。最终,通过绘制ROC曲线计算敏感度、特异度、精确度参数,对测试结果进行评估,并得到了较好的测试结果。

改进的Alexnet模型在水稻害虫图像识别中的应用

深度学习技术能以端对端方式实现农作物害虫识别,克服了传统机器学习方法特征选择具有主观性以及提取特征操作繁琐等不足,但识别的准确率和鲁棒性仍有待提高。为了研究出一种快速,高效的水稻害虫识别方法,本研究以稻纵卷叶螟、三化螟、稻蝗、稻飞虱4种常见的水稻害虫为研究对象,对传统的卷积神经网络Alexnet进行优化改进。首先从自然环境以及搜索引擎上获取4种不同的水稻害虫图像,并对图像进行数量扩增和细节增强预处理。然后对传统的卷积神经网络Alexnet进行优化改进,在Alexnet模型基础上,去除原有局部响应归一化层,在每一个卷积层后加入批归一化层,并采用全局平均池化和激活函数PReLU对模型结构进行优化。结果表明:改进后的模型在害虫数据集上的识别率不低于98%,相比于原网络提升了1.96%,高于LeNet5、VGG13、VGG16等传统网络;改进后的模型的损失值稳定在0.03附近,相比于原网络降低了0.1,均低于LeNet5、VGG13、VGG16等传统网络。从实验结果来看,改进后的方法在水稻害虫分类上有较高的识别率和较好的鲁棒性,可以为农作物害虫的智能识别提供了新的思路和方法。

改进的AlexNet模型在玻壳缺陷检测中的应用

针对玻壳缺陷检测的准确率不高的问题,提出了一种基于改进AlexNet的玻壳缺陷检测模型。该模型在AlexNet网络模型基础上,引入1×1卷积、通道洗牌卷积层和残差网络,优化了模型的结构。将改进前后的模型分别对玻壳图库随机抽取的玻壳图片进行测试,实验结果表明:改进后的模型能够识别玻壳残缝、破口、污点等缺陷,识别准确率达95.9%。改进后的AlexNet模型在玻壳缺陷识别具有良好的适用性。

基于改进AlexNet模型的串联型电弧故障识别方法

针对传统电弧故障检测方法依赖人为设定阈值、存在保护误动作以及现有人工智能方法需要预先提取特征、计算量大的问题,提出一种基于改进AlexNet模型的串联型电弧故障识别方法;该方法直接采用原始电流波形作为模型输入,避免数据特征预处理;利用Inception结构对AlexNet模型结构进行改进,减少网络参数,并采用随机梯度下降算法与学习率自适应调整方法对模型训练策略进行优化,分别利用已知负载与未知负载对所提方法进行试验验证。结果表明,该方法电弧故障识别准确率达到97.5%以上。

改进AlexNet模型在荧光磁粉探伤中的应用

荧光磁粉探伤被广泛应用于工业铁磁性产品表面缺陷检测。目前的检测手段主要是通过图像处理技术和传统机器视觉方法进行检测,易受到复杂的工业生产环境影响,检测效率低下,误检率高。为了克服复杂环境影响,提高荧光磁粉缺陷检测的精度和速度,提出一种结合深度可分离卷积的改进AlexNet模型检测方法。实验结果表明,提出的轻量级AlexNet模型能够在噪声干扰、反光遮挡和低亮度裂纹条件下快速准确识别出有缺陷的产品,改进后的轻量级AlexNet模型更小,模型检测的准确率和召回率分别达到了95.69%和91.32%,检测速度达到0.34s/张。

基于AlexNet模型的佤语语谱图识别

针对佤语语谱图的识别无需考虑清、浊音的影响这一特征.利用傅里叶变换将佤语转换为对应的语谱图信息,将深度卷积神经网络的AlexNet模型用于佤语语谱图识别.实验表明,语谱图识别可以有效解决语音识别过程中清、浊音对实验识别结果的干扰,实验准确率达到96%.

基于改进AlexNet模型的断层识别方法

从地震数据中识别断层在地震资料解释中至关重要,但随着勘探规模的扩大,传统的人工解释断层已满足不了实际生产需要。如何研究出一种能满足断层识别高精度需求并能提升运算速度的方法是急需解决的问题。为此,基于改进的AlexNet模型,把自动识别断层的方法看作图像识别二分类问题。首先将批量归一化代替局部响应归一化,加快模型收敛;其次引入平衡交叉熵损失,解决在地震数据中断层与非断层高度不平衡问题,使模型朝着正确的方向收敛;最后用卷积层代替全连接层,极大缩减了训练参数,加快了训练速度。训练的模型对理论数据和实际数据预测结果表明,改进的AlexNet模型充分学习了断层特征,具有可以从地震数据中识别断层的能力。

基于改进AlexNet模型的肺癌辅助检测方法

针对目前肺部CT图像数据爆炸式增长和人工诊断力量严重不足的矛盾,提出一种基于改进AlexNet模型的肺癌辅助检测方法。该方法在传统8层AlexNet模型的基础上,增加了与传统AlexNet模型第4层相同参数的第5层结构,实现了9层的改进AlexNet模型;采用LIDC-IDRI肺癌检测数据集分别对改进前后的AlexNet模型进行训练,建立模型,并通过测试集数据对传统AlexNet模型和改进的AlexNet模型进行测试,实验结果表明改进的AlexNet模型在肺结节检测上有更好的表现,能够进一步提高对于肺结节的识别精度,从而更好地帮助医生进行辅助诊断,降低医生工作强度。

基于AlexNet模型的南海地图多标签自动分类研究

【目的】实现地图的多重语义分类,满足地图精准检索与情报分析的需求。【方法】设计地图类目体系,提出地图多标签分类策略,基于AlexNet卷积神经网络分类模型实现南海地图多标签自动分类。【结果】南海地图多标签自动分类模型的F1值为0.979,模型能够有效实现南海地图的多标签自动分类。【局限】多标签标注数据集的深层次类目有待补充。【结论】研究内容为基于语义的地图科学分类、精准检索与跨类关联提供了参考。

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。

特征融合AlexNet模型的古代壁画分类

目的针对古代壁画图像自身特征提取存在的主观单一性和客观不充分性等问题,以经典Alex Net网络模型为基础,提出了一种结合特征融合思想的卷积神经网络模型,用于古代壁画图像的自动分类。方法首先,由于大型壁画数据集较为缺乏,通过对壁画样本使用缩放、亮度变换、加噪和翻转等图像增强算法来扩大数据集,并提取壁画图像第1阶段的边缘等底层特征;其次,采用结构不同的双通道网络对提取的第1阶段特征进行第2阶段的深层抽象,得到两个通道的特征;最后,融合两个通道的特征,共同构建损失函数得到分类结果,从而提高模型的鲁棒性和特征表达能力。结果实验结果表明,在构造的壁画图像数据集上,该模型最终达到了85.39%的准确率。与Alex Net模型以及一些改进的卷积神经网络模型相比,各项评价指标均有大约5%的提高;与未进行预训练的经典模型相比,本文网络结构不易产生过拟合现象;与结合预训练的经典模型相比,准确率大致上有1%5%的提升,从硬件条件、网络结构和内存消耗上来说代价更小。由此验证了本文模型对于壁画图像自动分类的合理性和有效性。结论本文提出的壁画分类模型,综合考虑网络宽度和深度的影响,能从多局部的角度提取壁画图像丰富的细节特征,具有一定的优势和使用价值,可进一步结合到与壁画图像分类的相关模型中。

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。

基于AlexNet卷积神经网络模型的人脸识别方法与应用

主要研究了卷积神经网络的模型特点,针对人脸识别方法与应用使用AlexNet经典卷积神经网络模型,结合LFW公开人脸数据集对模型进行训练,过程中结合模型评价指标采用微调参数的方式对网络的权值进行调优。通过应用实验分析,基于AlexNet卷积神经网络模型可以有效完成人脸识别,进一步验证了卷积神经网络在人脸识别领域的应用价值,也为AlexNet网络模型在人脸识别中的应用过程提供了一定参考。

基于可信性分析和鼠群优化算法的AlexNet网络轴承故障图像识别方法

针对一种轴承故障图像识别过程中特征提取能力不足以及可信度缺失的问题,提出了一种基于可信性分析和鼠群优化的AlexNet网络的轴承故障诊断方法。首先,将采集的轴承原始振动信号数据转化时频图像;其次,对多种轻量化网络框架进行抗噪性测试,得到最优的网络框架;然后,通过渐进式网格法和鼠群优化算法对网络框架进行对比调参;最后,通过Grad-CAM方法说明调参后的网络框架可解释和可信度特点。经凯斯西储大学的轴承数据集实验验证,结果能够取得接近100%的轴承故障图像识别精度和较好的抗噪性能。

基于AlexNet卷积神经网络模型的宁夏天然地震和非天然地震识别研究

宁夏回族自治区及周边天然地震和非天然地震频发,精确快速识别天然和非天然地震有利于震后应急响应、科学研究、赈灾救援等工作。基于AlexNet卷积神经网络模型,选取宁夏境内及周边130个地震事件(天然地震80个、非天然地震50个),对其进行了单个台站波形记录地震事件的训练和多个台站波形记录地震事件的测试,并将模型结果与宁夏测震台网人工编目结果进行比对,结果表明单个台站波形记录地震事件的训练结果中,AlexNet卷积神经网络模型对宁夏天然地震和非天然地震的正确识别率为99%;多个台站波形记录地震事件的测试结果中,此模型对宁夏天然地震和非天然地震的正确识别率为97.01%。AlexNet卷积神经网络模型作为人工智能领域的成熟技术之一,可以很好的运用于宁夏天然地震和非天然地震的识别工作之中。

浅析Alexnet网络模型

Alexnet 网络是深度学习模型之一,是实现人工智能的重要模型,Alexnet 的问世打开了深度学习研究的大门,它是很多后续深度学习模型的基础。目前他已经在生物特征识别、语音识别、机器故障诊断、疾病诊断等诸多领域得到广泛应用。鉴于 Alexnet 模型强大的自主学习能力,本文主要做了三方面的介绍:介绍了深度学习的背景及 Alexnet 网络的来源、Alexnet 的基本原理和模型框架,最后介绍其在多种领域的应用。