基于Resnet-101模型的烟蚜数量图像识别系统开发

烟蚜是危害烟草生长的主要害虫之一.烟蚜发生量的准确识别及为害程度的精准分级对指导防控至关重要.本研究通过采集烟草生长过程中烟蚜在烟株上发生数量的图片,补充图像采用锐化、翻转、亮度改变等数据增强方法,构建了烟蚜危害作物图像数据集.并对烟蚜数量图片进行3级分类,分为轻度发生、中度发生、重度发生.采用Resnet-101模型进行图像识别训练.根据模型参数结果表明,在Resnet-101训练周期中训练集准确率平均值为85.49%,最高值为87.33%;测试集准确率平均值为80.13%,最高值为89.92%;识别系统在烟草蚜虫数量识别方面平均准确率为83.00%.本研究实现烟蚜数量等级图像识别,为烟草虫害自动化防治系统的开发提供模型支撑.

改进ResNet在鼓浪屿旅游推荐系统中的应用

随着旅游业的蓬勃发展,旅游体验的个性化需求日益凸显。为了帮助游客选择旅游目的地和景点,本文开发一款基于ResNet深度学习模型的鼓浪屿旅游推荐系统。系统采用ResNet架构及其变体ResNeXt,结合自注意力机制和cSE模块,以增强模型对用户行为和偏好的分析能力。实验结果显示,该系统在推荐准确性和用户满意度方面取得了显著提升,准确率和召回率均达到98%以上,有效满足了游客的个性化旅游需求,为旅游业的智能化发展提供了新的解决方案。

基于J2EE+ResNet的医院智能财务报销管理系统设计与实现

为了简化医院发票报销流程,提高财务管理效率,基于J2EE平台和改进ResNet模型构建医院智能化财务报销管理系统。系统在HTML、Java、JDBC、SQL Server 2019技术支持下,划分为3个技术层和5个功能模块。针对不同类型发票的报销问题,提出改进ResNet模型对发票进行分类识别,从而解决传统卷积神经网络存在过度拟合的缺陷。通过对比各种模型的使用效果,改进ResNet模型参数少,识别准确率更高,在训练时间和测试时间上也相对较少。对系统进行高并发访问情况下的性能检测,结果表明,系统在100人、点击率800次/s的高并发应用情况下,平均响应时间能保持在35 s左右,稳定性较好,可在实际工作中予以应用。

基于改进ResNet模型的食品新鲜度识别方法

目的:解决现有食品新鲜度识别方法存在的检测效率低和精度差等问题。方法:基于食品生产线图像采集系统,提出一种改进的残差神经网络模型用于生产线食品新鲜度识别。引入改进的LRELU激活函数提高模型的识别性能,引入批量归一化层提高模型的训练效率,引入Dropout层丢弃一定比例的神经元降低过拟合的影响。结果:与常规食品新鲜度识别方法相比,试验方法能够较为准确、高效地实现食品新鲜度识别,总体新鲜度识别准确率>97%,平均识别时间为9.8 ms,满足食品生产线对新鲜度识别的需要。结论:基于深度学习的检测方法是一种无损、高效、高精度的食品图像新鲜度识别方法。

渐进式多粒度ResNet车型识别网络

针对车辆因姿态、视角等成像差异造成车型难以识别问题,提出一种基于渐进式多粒度ResNet车型识别网络。首先,以ResNet网络作为主干网络,提出渐进式多粒度局部卷积模块,对不同粒度级别的车辆图像进行局部卷积操作,使网络重构时能够关注到不同粒度级别的车辆局部特征;其次,对多粒度局部特征图利用随机通道丢弃模块进行随机通道丢弃,抑制网络对车辆显著性区域特征的注意力,提高非显著性特征的关注度;最后,提出一种渐进式多粒度训练模块,在每个训练步骤中增加分类损失,引导网络提取更具辨别力和多样性的车辆多尺度特征。实验结果表明,在Stanford cars数据集、Compcars网络数据集和真实场景下的车型数据集VMRURS上,所提网络的识别准确率分别达到了95.7%、98.8%和97.4%,和对比网络相比,所提网络不仅具有较高的识别准确率,而且具有更好的鲁棒性。

基于MRI与优化3D-ResNet18的鼻咽癌复发预测模型

鼻咽癌的治疗后复发是导致治疗失败的重要原因,同时也对患者的生活质量、治愈率甚至生存率产生严重的不利影响。因此,实现鼻咽癌复发情况的有效预测对患者的预后具有积极作用。磁共振成像(MRI)具有软组织高分辨率功能,是鼻咽癌的首选检查手段。鼻咽癌在MRI中的影像表现存在较大差异,病变组织灰度不均匀且界限模糊,基于MRI的鼻咽癌病灶手工标注的难度大、成本高、准确性存在局限;而自动分割准确率也欠佳,导致依靠鼻咽癌病灶精确分割的浅层影像特征提取和计算精度较低,以致基于影像组学特征工程和传统机器学习方法的鼻咽癌复发预测模型性能不佳。对此,本研究提出一种基于MRI和Nesterov加速梯度优化3D-ResNet18的鼻咽癌复发预测模型。通过距离正则化水平集和均衡化增强的鼻咽癌MRI病灶自动检测,自动获取去冗余的增强影像数据,基于Nesterov加速梯度算法优化的改进3D-ResNet18网络模型,提取鼻咽癌深度特征并实现复发预测,为病人的治疗方案提供指导。研究在140例鼻咽癌患者的MRI影像上展开并完成模型训练与交叉验证分析。改进模型的敏感性、特异性和准确率分别为80.0%、64.6%和72.3%,AUC值为0.75,同条件下分别对比3D-ResNet10模型和Momentum优化方法的配对t检验P值分别为0.040和0.006,所改进模型具有显著优势。基于MRI和优化3D-ResNet18的鼻咽癌复发预测模型可实现鼻咽癌复发的有效预测。

无人驾驶中基于ResNet深度模型的人脸微表情识别算法

为解决由于人脸微表情存在局部特征少、不同情绪差异性小等特点而带来的特征提取难度大、表情识别率低等问题,以进一步提高人脸微表情识别精度,提出一种基于ResNet深度模型的人脸微表情识别算法。算法针对无人驾驶中的行人人脸表情识别场合,主要包括数据预处理及模型构建,在保证数据集统一性的同时,能够有效提高微表情的识别率。使用FER2013数据集对ResNet-50模型进行实际验证,并与ResNet-18的表现加以对比。本算法在实验中获得98.7%的准确率,优于ResNet-18,充分验证算法模型的有效性。

ResNet模型在智能岩石勘测小车上的应用研究

文章以实现地质勘探无人化和岩石分类智能化为目标,设计出用于地质勘探现场的具有岩石分类功能的智能导航小车系统。该系统分为小车模块和岩石分类模块两部分,小车模块利用ROS平台进行开发,得到勘探区域环境数据后,利用SLAM算法生成栅格地图并进行路径规划来获得全局最优路径,最后小车自动导航至该地点并获得该区域的岩石图片。岩石分类模块采用深度学习技术对岩石图片进行分类,基于Softmax分类器和ResNet101神经网络模型,建立岩石分类模型。

基于注意力机制与ResNet的残余奥氏体评级研究

针对目前残余奥氏体评级受限于金相设备与研究者的工作经验,不确定因素较多的问题,课题组采用迁移学习与CBAM优化ResNet50模型对残余奥氏体等级进行识别,并构建残余奥氏体级别评级模型,最后使用测试数据集对于模型复杂度与准确度进行验证。实验结果表明:该模型对于残余奥氏体金相图谱识别性较强,等级识别准确率达到94.1%,并且对于其他金相组织也有较好的泛化能力,能够满足现场检测需求。

基于注意力ResNet模型的小麦锈病检测方法研究

针对小麦锈病识别率不高和病症难以判断问题,提出一种基于注意力机制(Attention Mechanism, AT)的残差网络模型(Residual Network, ResNet)。该模型利用ResNet网络能够抑制梯度弥散的优势,并引入注意力机制对小麦锈病特征因子赋予权重。对输入的小麦锈病图像进行通道注意力权重赋值,并提取图像空间细粒度特征完成小麦锈病检测。研究结果表明:该网络模型在Wheat-data数据集上平均识别精确率为95.20%,F1-score为96.35%;与非注意力ResNet网络模型相比其平均识别精确率和F1-score平均提高0.63%和1.03%。通过对网络模型参数和识别准确率分析,表明AT-ResNet100网络模型具有较好的性能。

基于深度学习的人工智能模型自动识别颈动脉斑块

该研究旨在构建一个用于颈动脉斑块超声图像的有无判定的数据集,由1 165例受检者的1 761张超声图像组成。研究采用了一种融合了双线性卷积神经网络与残差神经网络的深度学习架构,即单输入BCNN-ResNet模型,以辅助临床医生通过颈动脉超声图像进行斑块的诊断。该模型经过训练以及内部和外部验证后,在内部验证中,ROC AUC达到了0.99,其95%置信区间为(0.91, 0.84),在外部验证中ROC AUC为0.95,其95%置信区间为(0.96, 0.94),此表现优于ResNet-34网络模型在内部验证中0.98 AUC的95%置信区间(0.99,0.95)和外部验证中0.94 AUC的95%置信区间(0.95, 0.92)。因此,单输入BCNN-ResNet网络模型展示了优异的诊断性能,为颈动脉斑块的自动识别提供了一种创新的解决方案。

基于仿真数据和子领域自适应的轴承故障网络诊断框架

在实际工业环境中,往往缺乏相应工况的轴承故障数据用于模型训练,这限制了深度学习在工业场景中的应用。基于此,采用两种建模方式生成了轴承故障信号,将其用于训练模型,并利用深度子领域自适应方法,缩小了模拟信号和真实信号间的差异,提升了模型对真实信号的诊断精度。首先,采用数学建模和基于LS-DYNA的有限元仿真两种方式建立了轴承故障仿真模型,以获取与实际场景相同工况下的轴承故障仿真加速度信号;其次,针对仿真数据和真实数据存在差异的问题,利用子领域自适应方法得到了对齐仿真数据和实际数据的全局特征分布以及相关子领域的特征分布;最后,采用原始一维振动信号作为输入,在残差神经网络(ResNet)模型架构上完成了端到端的轴承故障分类工作;将德国帕德博恩大学采集到的轴承故障信号作为实验数据,对上述模型的有效性进行了验证。研究结果表明:相较于有限元仿真,数学建模生成的仿真信号能够较轻易地迁移到实际信号,在无标签数据场景下具有99.73%的轴承故障识别精度,体现了数学建模在无监督轴承故障诊断领域的广阔应用前景,是在真实工业系统和人工智能之间架起桥梁的关键技术。

基于残差双向长短期记忆效应网络模型的电力企业碳排放预测

针对电力企业碳排放核算时间长、连续排放监测系统误差大及传统模型拟合困难等问题,结合电力企业燃料燃烧的特性及现有污染物在线监测结果,成功构建了电力行业碳排放的残差双向长短期记忆效应网络(ResNet-BiLSTM)模型,并以浙江省113家电力企业的数据为样本进行验证。结果表明:与目前主流数据预测算法逻辑回归(Regression)、循环神经网络(RNN)、反向传播神经网络(BPNN)模型相比,ResNet-BiLSTM模型的平均绝对百分比误差分别低5.7、4.1、2.8百分点,对碳排放量的预测更贴近电力企业核算碳排放波动情况,且预测准确率(96%)最高。ResNet-BiLSTM模型的成功应用不仅为电力企业提供了新的碳排放预测途径,同时为提高相关管理部门的碳排放数据监管效率提供了支持。

基于双通道残差网络的机载LiDAR点云数据分类

为改善传统残差网络在机载LiDAR点云数据分类中信息流通不充分的问题,提出一种基于双通道残差网络的机载LiDAR点云数据分类模型(DP-ResNet)。DP-ResNet采用编码-解码结构。编码阶段主要采用两种不同形式的双通道残差结构和无参的聚合算子相结合,不仅能加强网络信息的流通,还能减少网络参数。解码阶段采用传统的逆距离加权和1×1卷积完成。为了验证DP-ResNet模型的分类性能,在GML_DataSetA数据集上进行分类实验。结果表明:与基准网络Closerlook相比,DP-ResNet模型的OA和AvgF1分别提高6.25%和15.45%,具有更好的分类性能;与其他模型相比,DP-ResNet具有极强的竞争力。

基于深度学习的肺癌病理图像分类器设计

病理学检查是医生确定肿瘤是否发生癌变的“金标准”,但由于肺癌病理组织具有多种亚型,医生需要反复大量阅片才能最终给出医学诊断,不仅耗时且易出错。因此,本文借助深度学习进行肺癌病理组织亚型分类研究。通过对数据库数据进行预处理,找出特征值,使用不同层深的ResNet算法构建肺癌病理图像类别分类器,模型参数调整到最优后,对比训练ResNet18、ResNet34、ResNet50三个不同层次网络模型,分析模型的accuracy、recall、F1-score和算术平均值等评价指标,其中ResNet34模型指标最佳,对肺癌病理图像的分类效果最好。

基于元学习的甲骨文拓片识别研究

为提高甲骨文拓片的识别效率,针对甲骨文拓片识别过程中存在的数据集种类繁多但类内样本过少的问题,将元学习引入甲骨文拓片图像的识别,提出一种基于元学习的甲骨文拓片识别算法。首先,选择残差网络(ResNet)18作为基本网络结构,以更好地提取甲骨文数据集特征。然后,通过元学习方法对初始模型参数进行学习。试验结果表明,该算法学习到的初始模型参数对于学习新类别的识别有着很好的效果,优于与模型无关的元学习(MAML)等其他模型,并且对于少样本的甲骨文数据集的识别十分有效。该研究为其他少样本数据集的处理和识别提供了一种解决的思路。

基于CNN的人脸年龄与性别检测系统设计

基于CNN的人脸年龄与性别检测系统以PyTorch中ResNet⁃50模型为主干网络,利用Wiki平台进行人脸原始图像采集预处理,构建年龄预测与性别判断分类器作为模型网络输出层,使用均方误差与交叉熵损失函数对年龄与性别结果进行预测输出。系统前端使用PyQt5构建图像识别、视频识别和实时摄像识别的交互界面,采用OpenCV对图像、视频或摄像头读取的每一帧图像进行人脸标注,将系统模型识别的人脸性别与年龄预测检测结果绘制成图像并展示。

中草药图像识别分类模型的设计与实现

中文中草药作为中医的重要组成部分,在治疗多种疾病中扮演着关键角色。由于许多中草药在视觉上极为相似,为应用深度学习对其进行分类识别,本文构建了一个中草药分类识别模型。该模型的构建采用残差神经网络结合卷积块注意模块,并应用融合局部二值模式特征以及迁移学习策略来提升模型的识别准确率。实验的结果表明,本文模型的准确率、召回率、精确度和F1分数分别达到96.88%、96.80%、96.87%和96.80%。

基于城市功能和深度学习评分方法的社区感知研究——以海口市为例

大数据和机器学习技术的发展为定量评估街道感知提供了全新的技术手段,本研究使用深度学习方法,以海口市中心城区为研究对象,利用该区域的街景图片,构建评分模型,从美丽、富有、安全、活力、压抑、无聊六个维度进行感知打分。将六个维度感知进一步分为积极感知与消极感知,最后将感知得分与海口市九类POI进行拟合。结果表明,高度城市化社区街道被认为更安全、更有活力,但同时伴随着更高的压抑感,社区感知在不同的POI类型(城市功能)上有明显差异。因此,从主观感知角度印证了城市功能在促进城市可持续发展方面的关键作用,并在基础设施服务供给方面为规划政策提供科学支撑。通过探索社区感知和城市功能模式的关系,阐述了所提出的深度学习评分方法在促进社区感知评估方面的有效性。

一种基于ResNet的网络流量识别方法

针对传统的流量识别技术过于依赖个人的特征选择,无法同时满足实时性和准确性要求的问题,提出了一种基于残差神经网络(residual neural network,ResNet)模型的流量识别方法。根据网络流量数据和图像数据的相似性,对原始数据进行预处理,把一维的网络流量数据转换成二维的灰度图片,统一数据的输入格式;调整模型的超参数、训练模型的参数,筛选出最优的分类模型,实现对网络流量的识别。实验结果表明:该流量识别方法的准确率达到97.03%,F1-weighted值达到96.54%,具有较高的识别率。通过与其他算法的结果对比,表明该方法的收敛速度快,识别准确率高,而且能够有效处理非均衡网络流量数据的识别问题。