基于卷积神经网络的人体穴位识别研究

目的:基于卷积神经网络技术对人体穴位进行识别研究。方法:针对人体穴位识别问题构建FasterRCNN模型,并基于该模型构建实用的微信小程序。结果:综合使用Early Stopping策略和Dropout技术可以有效地避免过拟合。在模型训练过程中,通过设置一个最大迭代次数和一个最小性能提升阈值来触发Early Stopping策略,以提前停止训练。同时,可以在神经网络的各个层中应用Dropout技术,以降低模型的复杂度并增强模型的泛化能力。经过不断的调参训练,穴位模型的测试集map最终达到了92%左右,经过30次的迭代损失函数也达到了收敛该模型充分发挥了卷积神经网络的优势,既保证了识别的准确性,又实现了实时性,经过实验验证具有较高的准确性和稳定性。结论:基于卷积神经网络技术构建的微信小程序,用户可以随时随地获取穴位信息,了解穴位知识,为民众提供便捷的健康服务。

基于改进FasterRCNN的配网架空线路异常状态检测

随着无人机巡线技术的不断发展,现已广泛运用在输电线路运维工作中,但仍需由人工判断线路异常状态类型,检测准确率极易受环境影响,现有智能检测技术检测速度慢、检测手段单一。针对提高异常状态智能检测效率问题,提出基于融合FPN结构的FasterRCNN深度学习在线异常状态检测系统。首先采用ResNet50卷积神经网络对原图逐层进行特征提取,得到最高层特征图;再对该特征图使用反池化法进行上采样得到多张低特征图,并将原各层特征图与新各层特征图对应融合;最后将融合后的全部特征图输入RPN层进行二分类与边框回归,经过ROIpooling层后得到异常点检测结果。经过对配网设备及异常状态检测数据集的检测验证,所提出的网络结构对比原FasterRCNN网络,不仅具有更高的识别正确率,且可以有效识别变压器等小目标物体。