ResNet50模型在肺炎识别分类中的应用

为了提高医学图像中肺炎的识别和分类效率,本文使用ResNet50模型对COVID图像、Lung_Opacity图像、Normal图像和Pneumonia图像进行识别分类。通过比较ResNet50与AlexNet和GoogLeNet对肺炎图像分类的准确率、F1值、召回率、精确率、特异性评价指标的差别,表明了ResNet50较其他模型具有更好的图像识别和分类性能。

基于ResNet50的水稻病虫害识别

为了准确识别水稻病虫害,收集8种水稻病虫害图像和健康水稻图像,构建水稻病虫害数据集。将残差网络ResNet50用于水稻病虫害识别,在原模型基础上引入了迁移学习和NonLocal注意力机制。实验结果表明,改进模型的准确率、精确率、召回率、F1-score分别达到99.12%、99.31%、99.27%、99.28%,相比于原模型分别提升了2.92%、2.91%、4.05%、3.60%。与模型DenseNet121、InceptionV3、ShuffleNetV2、MobileVit-small、ResNext50相比,改进模型的准确率、精确率、召回率、F1-score至少高出2%。实验验证了所提模型的有效性,该模型可以准确识别这几种水稻病虫害。

基于RAdam算法优化ResNet50模型膏体图像识别方法研究

膏体图像识别是监测膏体质量的一种有效方法,据此提出了一种基于RAdam算法优化ResNet50模型膏体图像识别方法,可实现膏体状态的高精度识别。通过收集尾砂悬液在浆体、膏体、滤饼等3种状态下的图像,经过图像预处理和数据集划分,结合迁移学习的方法,对卷积神经网络的AlexNet模型、VGG16模型、VGG19模型和ResNet50模型进行预训练,对比4种模型的识别准确率和损失值,确定最佳模型;采用Adam算法和RAdam算法对模型进行优化,对比两种优化器的识别结果;利用优化模型对矿山现场图像进行识别,验证模型精度。研究结果表明:4种经典卷积神经网络模型在膏体图像识别中均有较好表现,ResNet50模型性能最佳。基于RAdam算法优化ResNet50模型收敛速度更快,识别精度更高。基于RAdam算法优化ResNet50模型膏体图像识别精度可达99.24%,可实现膏体图像的高精度识别。

基于ResNet50改进模型的图像分类研究

针对深度学习中残差网络ResNet50存在的信息丢失、特征提取不充分、网络过拟合和训练困难等问题,文中提出一种基于改进ResNet50的图像分类算法。针对残差网络ResNet50在提取特征时存在丢失输入特征映射情况,造成信息丢失的问题,对主干网络中Stage4的下采样块添加平均池化层,进一步提高网络特征提取能力;针对ResNet50训练过程中存在网络过拟合以及泛化能力差的问题,使用标签平滑方法对交叉熵损失函数进行修改,有效缓解网络损失值震荡幅度;针对ResNet50计算量大、训练困难的问题,使用混合精度和余弦退火衰减方法对模型进行训练,在加快网络收敛速度的同时提高模型的分类精度。实验结果表明,与原ResNet50网络相比,文中算法在ImageNet-1k数据集上Top1和Top5的精度分别提升3.2%和1.6%,能够更好地应用于图像分类任务。

基于ResNet50微调网络模型的混凝土表面裂缝缺陷识别方法

为精准高效地识别混凝土表面裂缝缺陷,提出了一种基于ResNet50微调网络模型的混凝土表面裂缝缺陷识别方法。首先,在数据准备阶段,通过光照变换、裁剪和翻转来有效扩增数据集;其次,通过微调全连接层和微调卷积层来构建适用于混凝土表面裂缝缺陷识别的ResNet50微调网络模型;最后,通过ResNet50微调网络模型在混凝土表面裂缝缺陷图像数据集上进行了定性和定量的实验仿真。实验结果验证了所提出微调网络模型在混凝土表面裂缝缺陷任务上的实用性和有效性。

基于改进ResNet50模型的大宗淡水鱼种类识别方法

针对传统鱼类识别方法存在特征提取复杂、算法可移植性差等不足,该研究提出了一种基于改进ResNet50模型的淡水鱼种类识别方法。研究以鳙鱼、鳊鱼、鲤鱼、鲫鱼、草鱼、白鲢6种大宗淡水鱼为对象,通过搭建淡水鱼图像采集系统获取具有单一背景的淡水鱼图像,同时通过互联网搜索具有干扰背景的淡水鱼图像,共同构建淡水鱼图像数据集;再对淡水鱼图像进行预处理,以增加样本多样性;构建改进ResNet50模型,增加全连接层Fc1以及Dropout,引入迁移学习机制训练模型,同时选择CELU作为激活函数提高神经网络表达能力,通过Adam优化算法更新梯度,并嵌入余弦退火方法衰减学习率。为验证改进ResNet50模型的准确率等性能,对6种淡水鱼进行种类识别,结果表明:在单次验证方法下,选用包含单一背景图像和干扰背景图像构成的淡水鱼图像数据集训练模型,识别准确率为96.94%,比经典模型提高1.22%,单张淡水鱼图像样本的平均检测时间为0.2345 s;在四折交叉验证下,选用具有单一背景的图像数据集,模型的识别准确率为100%,选用包含单一背景图像和干扰背景图像的淡水鱼图像数据集,模型的识别准确率为96.20%,说明模型具有较好的泛化性能和鲁棒性。针对混淆矩阵的可视化结果表明:改进的ResNet50模型具有通用的结构和训练方式,对不同背景下的淡水鱼进行种类识别具有较高的准确率,可为淡水鱼种类识别提供技术借鉴。

基于深度学习的垃圾分类系统

随着环境问题日益严峻、全球环保趋势的推动,也包括国家政策的支持和公众认知的提高,垃圾分类尤为重要。为了解决日益增多的生活垃圾带来的难题,提出了一种基于深度学习的智能垃圾分类系统。该系统结合最新的垃圾分类标准规范,以计算机视觉深度学习为基础结合深度学习相关知识建立垃圾智能分类算法模型,并编写可视化应用程序实现垃圾图片快速读取、识别等功能,能高效解决垃圾分类问题。

基于深度卷积神经网络的汽车图像分类算法与加速研究

在非法占用公交车道违规车辆等领域的边缘计算与识别中,针对基于深度卷积神经网络的图像物体分类算法模型算力需求大与边缘设备部署后有限资源的突出矛盾,如何设计边缘计算设备的加速单元以保证分类算法的精度与实时性具有重要意义。针对上述问题,提出一种基于深度卷积神经网络的公交分类算法,该方法在现场可编程逻辑门阵列上实现了公交车图像分类算法的加速。通过基于迁移学习方法对ResNet50预训练模型进行微调,采用嵌入式端的推理加速实现对模型的推理,并对FPGA加速方案进行推理部署实现。结果表明,该算法具有硬件配置灵活、信息处理加速快的优点,这为实现神经网络在嵌入式平台的高效、高速应用提供了有效解决方案。

基于迁移学习和改进ResNet50网络的织物疵点检测算法

针对目前工业现场织物疵点检测准确率低、速度慢和疵点识别种类少的问题,提出一种改进ResNet50网络的织物疵点检测算法。首先对数据集进行预处理,对数据样本切割增强生成模型训练集,包括无疵点和8类常见疵点类别;然后改进ResNet50网络结构,提取在大型数据集ImageNet上预训练好的权重参数迁移学习;最后反复调整超参数训练得到的疵点检测识别模型。通过多组对比实验结果表明,改进模型对正常织物和8类常见疵点识别准确率达到96.32%,比标准模型精度提升4.2%,速度提升1倍。在不同织物疵点数据集中测试,综合性能最好,泛化能力强,鲁棒性好,可以满足工业生产现场织物疵点检测需求。

基于深度学习与高光谱成像的蓝莓果蝇虫害无损检测

针对蓝莓果蝇虫害分类识别存在效率低、准确度差等问题,采用深度学习方法对采集的蓝莓高光谱图像进行数据处理与分析,以实现蓝莓果蝇虫害的无损检测。首先蓝莓高光谱图像采用PCA进行降维,优选数据集PC2与PC3并进行拼接得到最佳数据集PC23,对数据集中图像进行旋转90°、旋转180°、模糊、高亮、低亮、镜像和高斯噪声共7种增强操作,使各数据集容量扩增为原始容量的18倍。然后采用VGG16、InceptionV3与ResNet50深度学习模型对蓝莓果蝇虫害图像进行检测,均取得了较高的识别准确率。其中ResNet50模型效率最高,且ResNet50模型的准确率最高,达到92.92%,损失率最低,仅有3.08%,因此ResNet50模型在蓝莓果蝇虫害无损检测方面整体识别效果最佳。为了进一步提高蓝莓果蝇虫害无损检测性能,从ECA注意力模块、Focal Loss损失函数与Mish激活函数3方面对ResNet50模型进行了改进,构建了改进的im-ResNet50模型。得出im-ResNet50模型识别准确率达95.69%,损失率为1.52%。试验结果表明,im-ResNet50模型有效提升了蓝莓果蝇虫害识别能力。采用Grad-CAM分析了im-ResNet50模型可解释性,能够快速、准确地无损检测蓝莓果蝇虫害。

基于改进Faster R-CNN模型的草莓果实识别算法

针对Faster R-CNN模型对自然状态下草莓(Fragaria ananassa Duch.)识别准确率不高的问题,以地垄种植草莓的实拍图片为数据源,采用改进RPN结构和更换主干特征提取网络的方法对Faster RCNN模型进行了改进。结果表明,改进Faster R-CNN模型识别成熟草莓平均精度(AP)为0.893 0,识别未成熟草莓平均精度(AP)为0.820 7,草莓识别准确率达到较高水平,解决了未成熟草莓识别困难的问题。同时,为了检验模型的自动计数性能,依据模型的识别结果建立了自动计数与人工计数的线性回归,成熟草莓、未成熟草莓的相关系数分别为0.973 7、0.944 7,自动计数与人工计数拥有较高的相关性,表明改进Faster R-CNN模型具有较高的识别性能与计数能力。

基于深度学习的冰鲜红虾新鲜度智能识别

水产品的安全日益受到人们的关注,针对传统的水产品新鲜度检测方法存在着破坏样本、耗时长、成本高、检测效率低等问题,冷链储运的发展急需一种快速、准确的虾类新鲜度检测技术。以Resnet50网络模型为基础,构建冰鲜红虾新鲜度检测模型,引入ECA注意力机制给予目标特征更高的权重以提高目标识别精度,并使用迁移学习以更好地进行训练。改进后的Resnet50网络模型识别准确率可达93.35%,检测速度能满足实际需求,可在复杂环境中全天候识别新鲜度等级。

基于RAdam卷积神经网络的水稻生育期图像识别

为了解决现阶段水稻发育期信息的获取主要依靠人工观测的效率低、主观性强等问题,该研究提出一种基于Rectified Adam(RAdam)优化器的ResNet50卷积神经网络图像识别方法,开展水稻关键生育期的自动识别。连续2a对12块试验田的水稻物候特征进行持续自动拍摄,对采集的水稻图像进行预处理,得到水稻各发育期分类图像数据集;采用ExG因子和大津法(Otsu)算法相结合的方法对水稻图像分割,减小稻田背景干扰;对比分析了VGG16、VGG19、ResNet50和Inception v3四种模型下水稻生育期图像分级识别的性能,选取性能较优网络模型并进行了网络参数调优;对比试验了不同优化器下模型准确率和损失值的变化,选取了RAdam优化器。结果表明,采取基于RAdam优化器卷积神经网络构建的模型,在真实场景下分类识别准确率达到97.33%,网络稳定性高、收敛速度快,为水稻生育期自动化观测提供了有效方法。

结合注意力机制和特征融合的小目标检测方法

图像中的小目标物体所占像素较少,存在特征难以提取,容易出现漏检的问题,在单次多框检测器(single shot multi-box detector, SSD)模型基础上,提出了一种结合注意力机制和特征融合的小目标检测方法。首先,采用ResNet50网络作为特征提取骨干网络,解决原网络梯度相关性衰减导致特征提取能力不足的问题;然后,在低层特征提取层中加入注意力机制模块,通过抑制无关信息,提高网络对低层特征的学习能力;最后,将低层特征与高层语义信息进行级联融合,充分利用不同特征图之间的关联信息。实验结果表明:改进模型对小目标物体检测平均精度均值达到51.1%,比改进前提高了9.3%,有效提高了小目标物体的检测精度。

体育器材数据集的构建及分类方法研究

针对现有公开体育器材数据集较少且种类有限的缺点,构建了一个新的数据集SED(Sports Equipment Dataset),该数据集具有分布均衡、多样性高、背景丰富等优点.对于多类别小规模数据集,单一模型预测效果不能达到预期的准确率,因此在构建SED数据集基础上,提出了一种模型融合与迁移学习相结合的方法.选取ResNet50和InceptionV3作为特征提取器,将2个模型提取的特征融合输入到全连接层再实现分类.同时利用迁移学习的方法优化模型参数,进一步提高模型精度.实验结果表明,在涉及69类体育器材图片分类任务中,准确率达到85%,对体育器材图片分类具有较好的效果.

CNN-OVA-SVM模型在结直肠腺癌多分化诊断中的价值

目的探究CNN-OVA-SVM模型应用于多分化类型的结直肠腺癌鉴别诊断中的实用价值。方法本研究选取了2012年1月-2016年3月间新疆医科大学附属肿瘤医院病理科收治的高、中、低分化类型腺癌患者各20例进行回顾性研究。提出了用于多分化类型结直肠腺癌鉴别诊断的CNN-OVA-SVM模型,该模型使用预先训练的ResNet50卷积神经网络对患者的结直肠组织切片图像进行特征提取,使用子分类器为支持向量机(Support Vector Machine,SVM)的一对多集成分类器对结直肠癌进行诊断,并与主流的分类算法K近邻(K-nearest Neighbor,KNN)、随机森林(Random Forests,RF)等进行比较。通过绘制受试者工作特征曲线(Receiver Operating Characteristic,ROC)和混淆矩阵,计算模型的精确率、召回率、F1分数、准确率等指标,对模型的准确率和性能进行直观的评估。结果本研究所提出的CNN-OVA-SVM模型对3种分化类型结直肠腺癌的总体分类准确率为86.11%,AUC值均超过0.88。结论CNN-OVA-SVM模型对于不同分化类型的结直肠腺癌的鉴别具有一定的临床价值。

基于深度学习的在线字临摹分析系统设计

为方便和快速地进行字体临摹分析,该系统将纸面手写字与名人真迹字进行相似度比较,使用残差网络ResNet50模型和新的字相似度算法对手写字进行高精度识别并与名人真迹字快速地进行相似度计算。将自制的名人书法字数据集和普通中文数据集合在一起训练ResNet50模型,最后结合Web网站和Android开发了一个实时在线手写字与各名人书法字进行相似度比较的系统。Android端主要用来上传纸面手写字照片和展示处理的结果,搭建的Web网站用来对图片进行识别和相似度的计算与分析。

改进SSD算法对鸟类目标检测研究

为了更加高效化、精确化的保护鸟类,针对传统的人工鸟类识别方式,本文提出利用SSD算法模型自动识别检测分类。首先,收集不同种类鸟类图片,并对图片灰度化、直方图均衡化以及归一化操作,利用labelImg-master工具制作数据集;其次,改进特征提取网络ResNet50,在其最后一个卷积层后面增加一个Dropout层和3层全连接层,用Leaky-relu激活函数取代原残差学习单元的ReLU激活函数,用改进的ResNet50替代VGG网络融入SSD模型;最后,在同样的条件下,用SSD模型、ResNet50替换VGG的SSD模型以及改进ResNet50替换VGG的SSD模型做目标检测实验,通过几个不同评估标准对比表明,改进SSD模型在鲁棒性、平均检测精度以及小目标检测性能方面都有有效改善。

基于神经网络的图像分类模型的设计与实现

传统的图像分类方法是采用人工分类图像的即由人眼观察到色彩特征进行特征分类的。随着人工智能时代的到来,图像自动分类处理技术已成为一项研究热点。研究以残差神经网络模型中的Res Net50为目标场景,以残差神经网络在图像分类中的应用及网络优化为切入点,将Res Net50神经网络模型应用到CIFAR10图像集的图像分类问题上,从优化网络模型和优化特征层抽取技术两个方面,对图像分类模型进行了改进。同时对梯度消失,过度拟合等一系列训练过程中可能会遇到的问题进行分析,通过在Res Net50模型的两个卷积层间增加Dropout层和在图像加载到Res Net50模型前进行一系列图像增强技术以便能改善残差网络的结构,从而达到最好的图像分类效果。

基于ResNet深度神经网络构建眼部疾病分类诊断模型的研究

目的本研究旨在通过构建基于ResNet50深度神经网络的诊断模型,实现对青光眼、白内障、糖尿病视网膜病的临床分类和诊断。方法使用ResNet50深度神经网络对来自眼疾分类数据的4217张眼底图像进行训练,训练次数为3000轮,最终将测试集中准确性最高的模型参数用于诊断模型。使用混淆矩阵、准确率、召回率、F1分数、AUC曲线下面积等指标评估模型的性能。结果该模型在测试集上的准确率为94.25%,精确率94.42%,召回率为94.25%,F1值为94.23%,AUC曲线下面积的均值为0.9856,说明该诊断模型在临床分类诊断青光眼、白内障、糖尿病视网膜病方面具有较高的准确性。结论基于ResNet50深度神经网络的诊断模型性能较好,可以用于青光眼、白内障、糖尿病视网膜病变的预测,为临床的分类和诊断提供有价值的参考。