基于改进LeNet-5网络的污泥沉降比检测研究

在工业废水处理过程中,污泥沉降比检测对于污水处理效果起至关重要的作用,而传统的污泥沉降比检测以人工为主,工作量大且不可控,会对结果会造成不可预计的误差。提出一种基于改进的LeNet-5神经网络的污泥沉降比检测方法,训练之前先对目标进行颜色阈值判定,并在训练过程中提出一种轻量化特征重用网络模和正则分类器模式消除训练过程中Label-dropout的边缘效应,最后根据输出结果借助客户端/服务器(C/S结构)模式搭建整个系统。实验结果表明,改进后的神经网络对测试集的准确率高达96%以上,远高于传统神经网络和人工方法,而且改进后的神经网络更适用于小样本数据集的分类识别,极大提高了准确率和效率。

基于EfficientNet的木薯叶病变自动分类模型

针对数据集中标注存在错误的情况下,传统的分类方法的模型在学习错误特征时过于自信导致准确率低的问题,提出了基于EfficientNet的自动分类模型。首先,对输入图像做数据增强,扩充数据后由EfficientNet提取特征;然后,引入标签平滑和随机丢弃节点,使模型不会过于自信,提高模型的泛化能力;最后采用双稳态逻辑损失进行预测。训练中通过对数据集做分层交叉验证来避免过拟合。实验结果表明,所提模型不仅比参数量低的模型表现更加优异,甚至比几倍于自身参数量的如ResNeXt或者十几倍于自身参数量的如RepVGG等模型也有更好的表现。所提模型计算量更小,推理速度更快,算法精度更高,更符合实际落地的要求。所提模型在木薯叶病变公共数据集上的准确率达到了89.66%。