基于改进Inception ResNet V2网络的可回收垃圾分拣系统

垃圾围城一直是困扰我国城市管理的一大难题。针对可回收垃圾处理过程难度大的问题,提出了1套基于改进的Inception ResNet V2网络结合ROBOT MG400机械臂进行可回收垃圾自动化分拣的系统。首先,对MG400机械臂上的夹具进行改进,使之更适用于垃圾抓取;然后,自主创建了50850张数据集,在此基础上对垃圾图像经过背景降噪、图像分类以及投票算法的处理,并在Inception ResNet V2网络的输出层加入CBAM注意力机制,提高模型识别的准确性;最后对整个系统进行了实验验证。结果表明:该系统可较为准确地分类垃圾并收集至对应垃圾收集容器中,训练时模型的准确率为99.35%,在系统中传送带运行时识别准确率为95.39%,改进的网络在实际应用中的mAP值比原模型高2.56%,并且系统的分拣效率可达到60件/min。该系统可高效率、高准确率、高精度独立地完成可回收垃圾的分拣工作。

基于深度学习的手骨X射线图像骨龄评估

骨龄评估是研究儿童内分泌、遗传因子和生长障碍的常用临床手段,传统骨龄评估方法耗时较长,易受评估者主观因素影响产生误差,而现有自动提取临床特征的骨龄评估方法精度低且泛化能力差。提出一种基于深度学习的端到端手骨X射线图像自动骨龄评估方法。去除Inception ResNet V2网络的Softmax层优化结构,在Inception模块中增加非对称卷积核提高特征图分类精度,引入残差连接结构避免梯度消失或爆炸问题,同时采用均方误差损失函数对骨龄评估回归性能进行评价,并使用分层K折交叉验证法保证数据集样本分类均衡。实验结果表明,与采用BoNet网络的骨龄评估方法相比,该方法评估的骨龄与真实骨龄平均绝对误差减少0.4230岁,骨龄预测精度更高。