改进DenseNet模型在工件表面粗糙度视觉检测中的应用

针对原始DenseNet模型检测工件表面粗糙度时间长、准确率较低的问题,结合卷积层滤波器注意力机制和批归一化层缩放系数提出一种工件表面粗糙度检测的深度学习模型。首先,利用注意力重要性值判定模块内的冗余通道。其次,在Dense Block模块内引入批归一化层缩放系数判别特征通道的重要程度。最后联合卷积层滤波器的注意力重要性值和批归一化层缩放系数裁剪冗余通道,实现模型剪枝。实验结果表明,原始DenseNet模型检测工件表面粗糙度的准确率为91.875%,检测时间为483 s。当剪枝率为20%时,其检测效果最好,检测准确率为96.875%,检测时间为255 s。相比于原始DenseNet模型,改进后的DenseNet模型检测效果更好,在质量检测领域方面具有一定的应用前景。

基于DenseNet的经典-量子混合分类模型

现有的图像分类模型越来越复杂,计算时所需的硬件资源和计算时间不断增加。针对该问题提出一种基于DenseNet的经典-量子混合分类模型(CQDenseNet模型)。首先,使用一个可在噪声中尺度量子(NISQ)设备上运行的变分量子电路(VQC)作为分类器,替换DenseNet全连接层;其次,使用迁移学习,利用在ImageNet数据集上预先训练好的DenseNet模型作为CQDenseNet的预训练模型;最后,将CQDenseNet模型在中草药分类数据集和CIFAR-100数据集上与基准模型AlexNet、GoogLeNet、VGG19、ResNet和DenseNet-169进行对比。实验结果表明,CQDenseNet模型比所有基准模型中表现最好的基准模型:准确率分别提高了2.2、7.4个百分点,精确率分别提高了2.2、7.3个百分点,召回率分别提高了2.2、7.1个百分点,F1值分别提高了2.3、6.4个百分点,说明了经典-量子混合模型的性能优于经典模型。

基于改进DenseNet和迁移学习的荷叶病虫害识别模型

病虫害的发生将会严重影响莲藕品质与产量,开展病害诊断与识别对藕田病虫害及时对症对病诊治、提升莲藕生产质量与经济效益具有重要意义。该研究以荷叶病虫害高效、准确识别为目标,提出了一种基于改进DenseNet和迁移学习的荷叶病虫害识别模型。采用分支结构对模型的浅层特征提取模块进行改进,并在Dense Block与Transition Layer中引入Squeeze and Excitation注意力机制模块和锐化的余弦卷积,最后基于Plantvillage数据集进行迁移学习,实现了91.34%的识别准确率。该研究实现了对荷叶腐败病、病毒病、斜纹夜蛾、叶腐病、叶斑病的识别,并将改进后的模型推广应用于基于无人机图像的藕田病虫害检测,实现了病害分布可视化,可对莲藕病虫害的智能化防治提供有益指导。

基于改进DenseNet模型的电压暂降故障识别方法

为了解决电力系统中常见的电压暂降故障的识别问题,文章提出了一种基于改进DenseNet模型的识别方法。首先,将电压信号从时域空间转换到频率空间,并对瞬时电压进行空间坐标变换,将三维静止坐标系转换到二维静止坐标系。其次,将二维坐标矢量轨迹图、电压瞬时波形图和频率空间图像作为改进DenseNet模型的输入,并对这些图像进行二值化处理。最后,在过渡层中引入注意力机制,帮助DenseNet模型更好地集中注意力于关键的特征,在全局平均池化层增加自适应池化功能,以适应处理任意尺寸的图像。实验结果表明该方法能够有效地识别电压暂降故障。

融合DenseNet201网络与Xception网络的外周血白细胞五分类方法研究

目的:为解决白细胞图像五分类中单一分类网络精度不高、泛化能力差的问题,提出一种融合DenseNet201网络与Xception网络的外周血白细胞分类方法。方法:对输入的白细胞图像分别通过DenseNet201网络与Xception网络的特征提取层进行特征提取,将提取到的特征进行串联式组合后再通过一个由全连接层、Dropout层、Softmax层构成的白细胞分类器实现白细胞五分类。为验证该方法的适用性和分类性能,分别在公开的单一来源白细胞数据集1和混合来源数据集2上,与基于经典卷积神经网络VGG16、ResNet50、InceptionV3、DenseNet201和Xception的分类方法进行对比实验。结果:在图像质量较好、颜色分布一致的数据集1和图像质量较差、颜色分布各异的数据集2上,融合DenseNet201网络与Xception网络的分类方法的平均分类准确率分别达到99.4%和98.2%,均优于基于经典卷积神经网络的分类方法。结论:提出的融合DenseNet201网络与Xception网络的外周血白细胞分类方法对数据集适用性较好、分类精度较高,可作为一种有效的外周血白细胞五分类方法。

基于频率通道注意力机制和DenseNet45模型的齿轮故障诊断方法

针对齿轮信号具有较强非平稳性、易被强烈噪声干扰及不同故障类型间易混淆的问题,本研究提出了融入频率通道注意力(Frequency Channel Attention,FCA)机制和DenseNet45模型的齿轮故障诊断方法,实现了对故障类型的精确识别和分类。首先,对齿轮信号进行短时傅里叶变换(Short-time Fourier Transform,STFT),得到二维时频谱图作为样本,将样本按照4:1划分为训练集和测试集;然后调用更少的密集连接块构造DenseNet45模型,同时将FCA模块融入DenseNet45模型的卷积层中,并将训练集输入到模型中进行学习,通过改变学习率下降的速度来提升模型性能;最后,将学习好参数的网络模型应用于测试集进行验证,输出测试集故障识别的准确率。结果表明,所提方法在两种工况下的准确率分别达到99.875%和99.75%,能有效将不同类型的故障进行识别并分类,与其他典型卷积神经网络模型相比,所提方法准确率更高,收敛速度更快。

基于改进DenseNet201网络的织物疵点检测算法

针对当前织物疵点检测存在大多数采用人工检测、速度慢、检测准确率低等问题,提出一种改进DenseNet201网络的织物检测算法。先对数据集图像进行预处理,可视化各种织物疵点类型的数量,把数据集划分为正常织物、8种常见织物疵点,对疵点图像进行数据增强,从而扩增训练集数量;然后提取在数据集ImageNet下预训练好的DenseNet201权重参数进行迁移学习,改进卷积层第1层、添加SPP层和本研究9分类的分类层;最后经过反复调整参数训练得到织物疵点检测模型。试验表明:改进后的DenseNet201模型对正常织物、8种常见织物疵点识别精度为96.8%。认为:改进DenseNet201网络模型具有良好的泛化性和鲁棒性。

DenseNet模型轻量化改进研究

针对深层DenseNet模型在小型数据集上的过拟合问题,提出了一种改进的轻量化DenseNet模型.首先,优化网络中密集连接块(Dense Block)数量和其内部网络结构;然后,提出一种自适应池化层方法,解决改进网络的特征图分辨率适应问题;最后,加入Skip Layer模块增强密集连接块间特征信息流通.实验结果表明,改进方法能够减少模型的参数量和计算量,有效解决了深层DenseNet的过拟合问题.

低频涌浪环境下“海洋石油201”运动特征模型试验研究

为了分析起重铺管船"海洋石油201"在低频涌浪环境中横摇过大的原因,对"海洋石油201"横浪和迎浪条件下在不同周期和波高的涌浪作用下的运动特性进行模型试验,试验结果表明铺管船遭遇与其横摇固有周期接近的涌浪时发生谐摇导致其横摇运动过大。用图解法求解了铺管船横浪条件下谐摇时的横摇角幅值,对试验结果和理论的差异进行了分析。

基于DenseNet模型优化的新冠肺炎CT图像检测算法

提出了一种基于DenseNet模型优化的新冠肺炎CT图像检测算法。首先,分析并实现了ResNet、EfficientNet和DenseNet 3种网络模型,完成了在FlyAI平台上对新冠肺炎CT图像检测训练及分类任务。通过对技术原理、分类准确率等参量的分析和对比,表明DenseNet具有优越的自适应能力和分类能力。进一步针对该模型改用Focal Loss损失函数模型,在新冠肺炎CT图像数据集上的识别和分类达到94.57%的准确率,相比原来交叉熵损失函数下的模型,提升2.26%的精度,同时也高于其他检测方法,证明了所提算法的有效性。

基于迁移学习和DenseNet的带式输送机托辊故障检测方法

针对带式输送机机托辊故障传统检测方式效率较低、识别准确率不高等问题,设计了一种基于迁移学习和DenseNet网络的托辊故障检测智能检测方法。利用迁移学习来增强目标领域的训练,以提升网络训练效果,通过轻量化的特征重用DenseNet网络模型对托辊的缺陷进行检测,并以凯斯西储大学(CWRU)样本数据集进行试验。结果表明:改进后的检测模型迭代步数较少,训练速度快;针对托辊轴承多类故障的平均准确率达89.87%,能够快速准确的完成故障检测,具有一定的参考价值和现实意义。

注意力机制和DenseNet在声纹识别中的应用研究

声纹识别属于一种新型生物识别技术,其综合了生命科学综合研究,计算机技术等多种技术。随着深度学习技术不断的发展,声纹识别技术在案件侦破、智能网联、支付系统上的应用也越来越多,论文针对现有声纹识别系统识别率低,识别效率慢等问题,提出了基于注意力机制改进的DenseNet网络模型作为声学模型,进一步提高声纹识别系统的性能。首先将语音经过预处理和特征提取,进入改进后的DenseNet网络中,最终进入SoftMax函数输出结果,最终经过多组实验验证并进行比对,实验结果表明,使用注意力机制改进的DenseNet网络作为声纹识别系统中的声学模型相较于其他传统声学模型在准确率、AUC上分别提升了4.25%、4.18%,在等错误率上降低了6.09%,证明了该模型对于声纹识别任务上的合理性。

基于深度学习的近岸海浪图像反演有效波高算法研究

海浪有效波高是近岸海洋观测的重要要素,近岸摄像头拍摄的图像可直观地反映波高大小,但目前基于图像的有效波高反演算法研究多处于室内实验阶段且方法缺乏普适性。本文基于深度学习技术,以山东青岛小麦岛近岸海浪为例,基于海浪图像和浮标实测数据,开展近岸海浪图像反演有效波高方法研究,给出一种利用图像反演海浪有效波高的方法,该方法利用卷积网络提取海浪图像的特征,利用全连接网络提取风速等气象特征,将特征融合后作为全连接层的输入,最后输出反演的有效波高。通过对比多种模型的反演结果和浮标观测数据,发现多参数DenseNET121模型有效波高反演能力优于其他神经网络模型,其平均绝对误差为8.97 cm。本文研究为近岸海浪观测提供了一种新的技术思路。

涌浪环境中铺管船横摇机理及模型试验研究

"海洋石油201"号等多艘铺管船在东海海域进行铺管施工时受低频涌浪环境影响横摇运动强烈,严重影响了正常铺管作业。为了分析铺管船横摇过大的原因,从理论上分析了铺管船可能发生较大横摇的波浪条件,并对"海洋石油201"号铺管船在遭遇波浪周期等于横摇固有周期1/2倍和1倍,不同波高的规则波中航向角分别为0°、30°、60°和90°时的运动特性进行了模型试验。试验结果表明铺管船遭遇周期为其横摇固有周期一半的涌浪时未发生参数横摇,而遭遇与其横摇固有周期接近的涌浪时发生谐摇是导致其横摇运动过大的原因。研究成果与相应的气象资料结合,可为铺管船施工气候窗口的选择提供依据。

半固态ZL201铝合金的压缩变形行为

采用Gleeble-1500热模拟机对用近液相线铸造方法制得的半固态ZL201合金进行了不同温度和不同应变速率下的压缩变形,并对实验结果进行了回归处理,建立了半固态ZL201合金在不同变形温度、不同应变速率下的数学模型.研究结果表明:当应变速率相同时,压缩应力随变形温度的增加而减小;当应变温度相同时,压缩应力随着应变速率的增加有先增大后减小的趋势.本实验可为半固态合金触变成形的数值模拟和优化半固态金属加工工艺参数提供基础数据.

基于SqueezeNet和FractalNet混合模型的图像分类研究

针对传统卷积神经网络(如Lenet5)在图像的多分类任务中识别率不高、较新的卷积神经网络(如VGG16)在图像的多分类任务中待优化的参数达到千万级别的问题。采用将SqueezeNet 神经网络与FractalNet 神经网络相结合的方法。本文使用SqueezeNet 神经网络中的Fire Module 来减少模型的参数、FractalNet 神经网络的基本架构来保证神经网络模型的准确度。结果显示:在其它超参数基本相同的前提下,迭代40 代时,DenseNet 模型的测试集准确度为79.92%,而混合模型的测试集准确度为84.56%,其待优化的参数降至二百万个左右,故混合模型对数据的拟合能力更强,模型参数保持较低水平。

融合迁移学习和数据增强的SC-Net模型在皮肤癌识别中的应用

为了解决皮肤癌诊断模型中性能无法满足临床应用要求,对于少数类别诊断精度不高的问题,提出一种基于迁移学习和数据增强的皮肤癌诊断模型SC-Net(skin cancer-net)。首先,引入ECA注意力模块,把DenseNet-201在ImageNet数据集上的预训练模型在皮肤癌数据集上进行微调训练并提取图像隐含高层次特征;然后融合一般性统计特征,并且通过SMOTE过采样技术以增强少数类别数据;最后,将数据输入XGBoost模型进行训练,最终得到SC-Net分类模型。实验结果表明,SC-Net模型在准确率、灵敏度、特异度三个指标上达到99.25%、99.25%和99.88%,诊断准确率相对于已有文献精度提升约0.6%~18.7%,并且对于皮肤纤维瘤、光化性角化病等少数类别具备更强的分类能力。

TS201的混合编程问题的研究

介绍在TS201上进行软件开发的几种方法,从工程实现的角度比较各自的优缺点,指出C/C++语言和汇编语言混合编程技术的优越性。之后详细阐述ccts编译器的C/C++运行时模型对TigerShark系列DSP芯片的C/C++混合编程所规定的调用规则和接口规范,并给出程序设计实例。对工程实践有很大的参考价值。

杂交玉米品种黔兴201配套高产栽培技术

采用四元二次正交旋转组合设计方法进行试验研究,建立了杂交玉米品种黔兴201的主要栽培因子——种植密度、氮、磷、钾施用量与其产量之间关系的数学模型。通过效应分析,得出各因子对产量影响的顺序为种植密度〉N〉K2O〉P2O5。初步筛选出该品种单产超过800kg/667m^2的主要农艺措施：种植密度4732～5355株/667m^2、纯氮用量21.55～25.55kg/667m^2、P2O5用量20.15～31.85kg/667m^2、K2O用量23.60～32.70kg/667m^2。

基于Mask- YOLOv3的口罩检测模型

在常态化疫情防控中,针对公共场所流动人群进行口罩佩戴检测存在的受检测目标小、背景复杂等因素影响,导致常规算法存在口罩目标准确率不高的问题,基于YOLOv3算法改进的网络结构Mask-YOLOv3模型融合了密集型卷积神经网络和YOLOv3算法,解决了小目标提取特征不够充分的问题,增强了卷积层网络特征传播能力,提高了网络检测目标精度。通过添加网络空间金字塔池化结构模型增强了特征的复用,用K-means修改目标先验框加强网络对小目标的检测能力。结果表明,基于Mask-YOLOv3的口罩检测模型在步行街、食堂、商场等复杂环境能够更准确地检测出人群口罩佩戴情况,改进模型的平均检测率达到91.3%,与原始YOLOv3算法相比提高了5.6%,召回率达到89.2%,表明该网络模型对口罩检测更加有效。