基于改进ResNet18的干香菇等级识别

为解决干香菇等级识别技术复杂及识别精度不高的问题,提出了一种基于残差神经网络ResNet18的干香菇等级识别方法。首先将传统的ResNet18中Stem的7×7卷积层替换为3个3×3卷积层串联,保证在感受野保持不变的情况下进一步减小计算量;其次针对残差块中线性变换和非线性变换不足的问题,引入融合非对称卷积和h-swish激活函数,增加了模型的复杂性,使其能够进行更深层次的特征学习;最后在ResNet18骨干网络中引入高效通道注意力机制,加强模型提取特征的能力。实验结果表明,改进后的ResNet18网络模型准确度达97.04%,相比ResNet18网络模型方法提升了4.81%,且性能优于VGG16、MobileNetV2、DenseNet121、ResNet34等网络模型方法,可提高干香菇等级的识别精度,单幅图像的检测时间为5.91 ms,对干香菇智能分拣过程中的等级识别具有借鉴意义。

基于改进ResNet34网络的变电站设备巡检图像分类识别的方法

针对变电站设备巡检图像识别领域中存在的图像规模有限和识别准确率低等问题,提出了一种基于改进ResNet34网络的图像分类识别方法。采用Seam Carving算法对图像中的低能量区域进行压缩以保留关键特征;同时使用弹性变换、高斯噪声等6种图像增强技术来增强图像的多样性。将基础ResNet34网络与卷积注意力模块结合,增强模型对设备巡检图像关键特征的提取能力。使用在ImageNet数据集上的预训练模型作为迁移学习的特征提取器来解决样本数量不足的问题。在Adam优化器中引入余弦退火策略来动态调整学习率使改进的ResNet34网络更快收敛至最优解。试验结果表明所提方法比基础ResNet34网络的准确率提升了0.0733,损失率降低了0.2019,为变电站设备巡检图像识别领域提供了一种可靠的解决方案。

基于改进ResNet50的钨矿石双能X射线图像分选方法

文中提出一种基于深度扩张可分离卷积和注意力机制的残差网络模型(DWAtt-ResNet),通过实验对比表明,该模型在钨矿石双能X射线图像数据集上准确率、F1分数、AUC值和AP值均优于ConvNeXt、DenseNet121和EfficientNet_b4等主流的图像分类模型。通过消融实验表明,该模型准确率达到87.4%,计算量为2.7GFLOPs,参数量为16.95M,相比ResNet50准确率提高3%,计算量降低1.42 GFLOPs,参数量降低6.56M,准确率提升的同时,效率大幅提升,更适合工业生产的矿石快速分拣需求。

基于改进ResNet50的表面肌电信号手势识别

为了提高手势动作在类别众多且相似度高的情况下的识别精度,提出了一种基于连续小波变换和残差神经网络Res-Net50的表面肌电信号手势识别方法。首先对Ninapro DB2和DB3的原始表面肌电信号进行预处理和连续小波变换,得到Multi-sEMG Wavelet Map数据集,然后送入改进的ResNet50模型进行识别分类。实验结果表明,改进后的ResNet50网络模型在Multi-sEMG Wavelet Map DB2和DB3中17种手势动作的平均准确率分别达到了96.40%和94.11%,相比ResNet50网络模型方法提升了4.87%和5.83%。实现了手势动作在类别繁多、相似度较高的情况下的精准识别。为基于非侵入式传感器和机器学习控制的假肢手提供了新方案。

ResNet-UAN-AUD:基于深度学习的水声上行非正交多址通信系统活动用户检测方法

水下声学网络(Underwater Acoustic Networks,UAN)是探测未知水域的重要技术手段。非正交多址(Non-Orthogonal Multiple Access,NOMA)是一种新颖的移动通信技术,支持时域、频域、空域/编域的非正交分配,可有效地提高网络容量和用户接入数,为性能和电量受限的UAN提供创新解决方案。活动用户检测(Active User Detection,AUD)是NOMA通信系统的基础支撑,对于NOMA系统消除信号干扰和提高接收性能至关重要。ResNet是基于残差模块跳跃连接的神经网络,解决了深度学习的梯度消失和网络退化问题。提出了一种基于深度学习的水声上行NOMA通信系统AUD检测方案。首先,构建水声上行NOMA通信系统基本模型;其次,实施NOMA活动用户检测问题的数学表征;接着,开发基于ResNet网络的水声NOMA系统活动节点检测方法(ResNet-UAN-AUD);最后,执行仿真实验。结果表明,ResNet-UAN-AUD的检测性能接近基于长短期记忆网络的活动用户检测(LSTM-UAN-AUD)方案,而复杂度略高于基于卷积神经网络的活动用户检测(CNN-UAN-AUD)技术,实现了次优目标,适合水声上行NOMA系统使用。

基于ResNet的害虫图像质量评估方法

提出一种基于ResNet的害虫图像质量评估方法,从而对林业害虫图像进行预评估。该方法首先提取害虫图像特征,并通过Wasserstein距离计算不同图像特征间的相似分布距离作为质量伪标签进行训练。通过预评估区分出不同质量的林业害虫图像,对其进行筛选、识别、分类,从而达到提高识别准确率的效果。实验结果表明,经过该方法筛选后的林业害虫数据集在ResNet18和ResNet50网络上识别准确率分别提升2.97%,2.57%。

基于ResNet和双注意力机制的赤足图像年龄预测

足迹是人在行走时足部与地面等客体接触时所留下的痕迹,也是犯罪现场嫌疑人最容易遗留的生物特征之一,它隐含着人体的身高、体重、性别和年龄等身份属性信息,利用足迹信息进行人的年龄预测,对指明侦察方向和缩小侦察范围有着极其重要的意义.传统侦查工作中,刑侦专家会依据积累的案件经验,依据现场遗留的足迹进行嫌疑人身份和属性的预测,但这个过程需要大量的领域知识,据此,提出了基于赤足图像的年龄自动预测方法,其由伪彩色变换模块、在线随机几何变换模块、特征提取模块、空间注意力模块和年龄预测模块组成.算法在由1 818幅赤足灰度图像组成的数据集上进行了测试,预测准确率指标Acc_5和Acc_10分别达到了55.5%和83.4%,优于现有的年龄预测方法.

基于改进ResNet的示功图分类算法研究

示功图是反映抽油机井工作状态的重要图示,通过分析示功图的闭合曲线形状,可以得出抽油机井的具体工作状态,从而可以判断出抽油机井是否发生故障以及具体的故障类型。随着深度学习的发展,基于深度神经网络的示功图分类也逐渐应用到了抽油机井工况检测当中。该文提出了基于改进ResNet的示功图分类算法,通过优化残差结构和引入SE子结构等措施,提高了分类准确性和鲁棒性。改进的残差结构嵌入了SE子结构,对输入特征进行降维的同时也减小了参数的数量,在降低计算量的同时也添加了更多非线性因素,通过不断增加有效特征的权重,不断减小无效特征的权重,进而完成了特征重标定,不仅起到加速网络收敛的作用,也使模型更加轻量化,从而提高了模型的性能。相较于其它模型,改进的ResNet模型可以更好地适应示功图分类任务,分类效果更好。实验结果表明,基于改进ResNet的示功图分类算法在精确率、召回率和F1值上均优于其它示功图分类算法。该研究为抽油机井工况检测系统提供了更好的理论支持。

基于ResNet34模型的大菱鲆鱼苗识别计数方法

鱼苗数量的精准统计对提升苗种品质评价、养殖密度估算、鱼苗销售等环节的智能化水平具有重要作用。针对大菱鲆鱼苗个体小、透明度高以及体型不规则等影响计数精准度的问题,提出了一种基于ResNet34的大菱鲆鱼苗识别计数方法。首先,设计了一套适用于微小目标计数需要的图像采样装置,采用图像预处理方法实现鱼苗前景分割和初步定位。为了有效统一样本空间和待识别目标空间,利用最小外接矩规则化初步定位前景图像,构建图像样本集。大菱鲆鱼苗识别阶段,利用相同预处理方法获取待识别目标区域,并引入ResNet34模型作为识别模型实现待识别目标区域苗种识别;最后,通过统计所有待识别目标识别数量结果实现大菱鲆苗种计数。结果显示:本方法在微小鱼苗识别计数方面取得了较好的精度,利用ResNet34模型的大菱鲆鱼苗的识别平均准确率达到94.27%,比基于SVM方法(识别精度85.8%)和AlexNet(识别精度87.04%)方法识别精度分别提高7.4个百分点和8.64个百分点,优于ResNet18(识别精度93.21%)和ResNet50(识别精度93.83%)等相似结构的识别效果。本模型鱼苗计数的平均准确率达到96.28%。研究表明,提出的样本集构建和识别方法能够满足微小目标计数需求,可为鱼类苗种计数提供了技术借鉴。

基于改进YOLOv5-ResNet的海上舰船SAR图像快速检测

在恶劣天气和海浪等自然因素的影响下,基于可见光数据进行舰船目标监测等手段往往难以有效开展,需要借助主动式微波成像卫星合成孔径雷达(SAR)进行图像解译。为了解决深度学习在处理数据集较小图像上无法准确提取特征及数据相似度较高的问题,基于YOLOv5-ResNet提出了一种跨尺度融合机制,重新定义损失函数。研究表明,识别SAR舰船目标的准确率有一定的提升:识别单目标舰船检测最高准确度达到93%,同比YOLOv5提升4%,比YOLOv5-ResNet50提升20%;在近岸舰船目标检测上,有效降低了由于数据集质量不佳、模型训练方法不当等造成误差率的非必要上升。

基于ECA-ResNet的热轧钢表面缺陷在线识别

基于视觉注意力机制对ResNet模型进行改进,设计了ECA-ResNet网络模型,对热轧钢表面缺陷进行在线识别。该模型在提高检测精度的同时,其推理速度也符合热轧钢生产线对实时性的要求。实验结果表明,ECA-ResNet模型的在线识别精度为98.1%,比经典ResNet网络提高了3.9个百分点。消融实验和对比实验说明,融合ECA注意力模块的ResNet网络的综合性能优于融合CBAM或SE注意力模块的ResNet网络,也优于经典ResNet网络、VGG-16网络和GoogLeNet网络,符合热轧钢表面缺陷的在线识别要求,具有良好的应用前景。

基于小波时频图和ResNet18的焊接状态监测方法研究

针对焊接过程中因外部干扰因素或焊接参数选择不当而导致的气孔和未熔合缺陷的问题,提出一种小波时频图和深度残差网络(ResNet18)相结合的焊接质量检测方法。首先,搭建管道全位置自动焊接试验平台,利用拾音器记录熔合良好、未熔合和气孔焊接状态下的声音信号,将采集到的声音信号进行小波阈值降噪处理并且计算信号的信噪比,从而得到合适的信号降噪方法。其次,使用连续小波变换得到小波时频图,对时频图进行压缩和预处理,将时频图的大小设置为224×224,并剔除时频图上的标题、坐标和能量等。最后,将处理好的小波时频图作为输入,以未熔合、熔合良好和气孔三种状态作为输出,利用ResNet18网络进行训练。结果表明,该模型对三种焊接状态下的声音信号具有良好的监测效果,其准确率为90.78%。

多导联心电图识别的稳定步长ResNet深度网络

针对经典的ResNet深度神经网络对一维多导联心电图图像进行识别、分类时,因原始图像的维度较高导致提取到的深度特征维度高,造成全连接层训练出现收敛速度慢和过拟合的问题,在ResNet的全连接层提出一种稳定步长动量训练算法,通过引入近似二阶梯度信息增强动量法的寻优能力和加速收敛速度;利用连续2次迭代的参数变化量和梯度信息自适应调整步长,构造边界函数对步长的大小进行限制,以防止步长过大或过小而影响收敛稳定性,使用动量项对参数的更新方向进行修正。在CPSC2018心电图数据集上的实验结果表明:所提算法训练的ResNet取得的F 1分数、准确率、精确度分别达到0.859、97.4%、87.9%,收敛速度和整体分类指标值优于其他相比较的方法。

基于改进ResNet101网络的齿轮缺陷检测

针对视觉技术下的齿轮缺陷检测中,存在检测精度低、特征提取能力弱及检测模型不稳定等问题,提出了一种改进ResNet101网络的齿轮缺陷检测方法。首先,基于ResNet101网络,引入空洞卷积操作,在各个残差层中引入不同比例的膨胀系数,实现齿轮图像不同感受野下的特征提取;其次,在各个卷积模块间引入稠密连接操作,保留浅层特征信息,降低了模型训练过程中梯度消失的风险;最后,通过图像样本旋转操作,获得齿轮缺陷样本,通过准确率、召回率、ROC曲线、AUC等参数对所提方法的性能进行验证。实验结果表明,改进后的ResNet101能有效实现齿轮缺陷检测,同时具有更高的稳定性能,可用于齿轮生产过程中,产品质量的实时在线检测。

基于特征图像组合与改进ResNet-18的电能质量扰动识别方法

针对传统电能质量扰动(power quality disturbance,PQD)识别体系中单一图像特征信息受限与算法识别能力不足等问题,依据特征融合的思想,提出一种基于特征图像组合与改进ResNet-18的PQD识别方法。首先,对PQD信号进行变分模态分解(variational mode decomposition,VMD)得到一系列固有模态函数(intrinsic mode functions,IMFs)与残差分量;其次,将IMFs、残差分量、原始扰动信号与Subtract分量纵向拼接成分量矩阵,利用信号-图像转化方法生成特征分量彩色图;再次,对原始扰动信号进行连续小波变换(continuous wavelet transform,CWT)生成小波时-频图;最后,将特征分量彩色图与小波时-频图组合输入改进的六通道ResNet-18中训练学习并完成扰动识别。通过仿真对PQD识别方法进行分析并将其与目前常用识别体系进行比较。结果表明,所提方法具有较好的抗噪性能并且能够更好地提取PQD特征信息,达到更高的识别准确率。

基于Cutout-ResNet50的野外环境水稻病害识别系统

针对水稻病害图像在野外环境下存在的光照不均、明暗变化明显、因遮挡导致目标特征缺失和噪声重叠,以及野外环境的水稻数据集少且质量差等问题,提出一种基于改进ResNet50算法的野外环境水稻病害识别方法,并设计识别系统.在传统ResNet50算法的基础上采用迁移学习技术对学习知识跨领域迁移,缓解数据集样本不足和不均衡造成的过拟合现象;利用Cutout增强方法对特征信息随即筛选,模拟复杂的野外环境,加强算法的泛化能力;对学习率采用余弦退火优化策略,提高算法的稳定性.结果表明:改进的ResNet50算法在小型水稻病害数据集上的识别准确率达97.24%,明显高于传统ResNet50算法,且该改进方法亦能提升VGG16、GoogLeNet和MobileNetV3-large等其他卷积神经网络算法的模型识别性能.将该模型部署于系统,可为水稻病害识别在实际应用工程中的发展提供技术参考.

基于ResNet与分离注意力机制的肺部超声图像分类系统设计

目的为解决传统的深度学习模型在处理具有多样性图像质量和微妙病变区域差异的肺部超声图像方面性能不佳的问题,设计一种基于残差网络(Residual Network,ResNet)与分离注意力机制的肺部超声图像分类系统。方法采用ResNet152作为基础模型,结合分离注意力机制,通过对肺部超声图像进行预处理、数据增强和标准化处理,以提高模型的特征提取和分类能力。模型首先通过ResNet152进行深度特征提取,随后在各层引入分离注意力机制,增强模型对重要图像特征的关注,从而提高分类性能。结果实验结果表明,优化后模型与原始模型相比,分类准确度在A线、B线、胸腔积液和肺实变上分别提升了0.51%、0.95%、14.17%和6.29%。通过消融实验,当同时使用Mish函数和分离注意力机制时,混合模型达到了97.92%的准确度。结论本文提出的融合ResNet与分离注意力机制的肺部超声图像分类系统模型可为临床超声诊断提供较高的参考价值。

基于Light-Resnet卷积神经网络的电力设备监测数值识别算法

在智能电网中,精确监测输电、配电及供电关键设备的运行状态对在线运维至关重要。面对人工抄录和巡检的低效,以及监测装置数字化升级的复杂安装、高成本和长周期等挑战,结合图像采集装置与图像处理技术,根据计算资源合理分配任务,开发了一种基于Light-Resnet数值识别算法,该算法通过D-Add损失函数优化网络训练过程,实现电力设备监测数据的远程读取。实验表明:Light-Resnet以6090的参数量在MNIST数据集获得了98.8%的严格准确率,结合边端协同机制,终端侧能耗降低了20.73%。这一算法不仅证明了自身在资源受限环境下的适应性和高效性,同时D-Add损失函数的设计也显著提升了网络的准确度。

基于UNet-ResNet14^(*)半监督学习的无人机影像森林树种分类

无人机遥感在森林树种精细和高效分类制图中具有巨大的潜力。为了快速准确获取森林的优势树种分布信息,该研究探讨了半监督学习方法在树种分类方面的有效性。以福建省福州市、龙岩市和三明市的4个试验区为例,构建精简的ResNet18为主干的UNet树种分类模型(UNet-ResNet14^(*)),使用交叉熵和Dice系数的联合损失函数来优化模型参数,对比分析Self-training和Mean Teacher两种不同的半监督学习方法在无人机影像森林树种分类模型的泛化能力。结果表明,以ResNet14^(*)作为主干的分类模型与其他模型相比精度更高且预测速度更快,当联合损失函数权重值为0.5的情况下模型预测效果最好,总体精度达到了91.15%。经过Self-training的模型在木荷、马尾松、杉木3个样本充足的类别中精度均有所提升,总精度为91.08%,比原始模型略低,但在独立验证区的精度为88.50%,比原始模型高;Mean Teacher方法的总精度为88.56%,在独立验证区的精度为73.56%。因此,研究认为可以采用Self-trainin半监督方法结合UNet-ResNet14^(*)的方案快速得到试验区的树种组成信息。

基于CNN-BiLSTM及ResNet网络的板中损伤TFM定位与检测研究

针对全聚焦(Total Focusing Method,TFM)成像技术因其耗时长,在工业应用中受限的问题,提出一种基于CNN-BiLSTM(Convolutional Neural Network-Bi-directional Long Short-Term Memory)网络的快速TFM成像方法,首先利用卷积神经网络从全矩阵数据中提取关键特征,接着结合双向长短期记忆网络来预测金属板上损伤的区域位置,再使用TFM技术在损伤区域进行精确成像.为了进一步提升损伤检测的准确性,引入基于ResNet网络的损伤尺寸检测方法以实现对损伤大小的精确检测.为了验证方法的有效性,利用有限元分析软件ABAQUS建立三维铝板仿真模型,并通过模型变换构建神经网络数据集.实验结果表明,与传统全聚焦成像方法相比,CNN-BiLSTM网络展现出较高的区域定位精度,定位准确率达到95.26%,并具有显著的效率优势,平均定位速度提升了46.4%;同时,损伤尺寸大小的检测结果验证了基于ResNet网络的方法在损伤尺寸评估方面的有效性和准确性,在测试集上达到了99.26%的准确率.