基于路测图像与改进ResNet50网络的自动驾驶场景天气识别算法

为了充分利用自动驾驶汽车路测图像数据,增加行驶过程中对天气情况识别的准确性,提出了一种基于改进ResNet50网络的自动驾驶场景天气识别算法。该算法将SE模块与ResNet50网络相结合,通过在ResNet50网络4组模块内加入SE模块,以便更好地拟合通道间复杂的鲁棒性。基于自动驾驶汽车路测图像数据对所提算法进行Python编程实现,结果表明:SE模块的加入能够增加算法的鲁棒性和准确性,提高了自动驾驶的天气识别精度。

基于改进的ResNet50网络的光伏热斑识别算法

为提高样本在分布不均衡情况下的识别精度,提出一种改进的ResNet50卷积神经网络光伏热斑识别算法。首先,为增加初期红外纹理信息流入、调整网络宽度,设计一种头部分组特征提取模块,并将其嵌入到残差网络中,提高网络在图像细微特征方面的提取能力;然后,将通道注意力机制与残差模块相结合,增加网络通道间的热斑特征信息权重,提高模型识别性能和网络收敛速度;最后,通过图像转换HSV颜色空间、平均H分量梯度直方图峰值等数据预处理方法,将负样本转为多分类数据集,并用于热斑识别网络模型,实现热斑识别结果的可视化。实验结果表明,对比其他算法,改进后的ResNet50网络在识别精度上得到显著提高。

基于中值滤波法的ResNet50网络垛口状态识别方法研究

目前邮区中心垛口资源管理主要依托人工管理模式,无法全面客观反映垛口资源的真实使用情况,邮区中心垛口资源的管理和使用效率受到限制。文章利用深度学习方法提出一种基于中值滤波的ResNet50网络垛口状态识别解决方案,通过复用垛口已有摄像设备,识别邮区中心垛口资源忙闲状态,打造邮区中心垛口资源智能化监控系统,从而更好地提升邮区中心垛口资源利用率。

基于改进的ResNet50网络的黑色素瘤分类方法

黑色素瘤的早期诊断对提高患者的五年生存率至关重要。针对临床上使用皮肤镜检查黑色素瘤费时、费力的问题,提出一种基于迁移学习和改进的ResNet50模型的黑色素瘤分类模型MC-Net(Melanoma Classification-Net)。首先,为了降低数据集样本分布不均匀以及毛发遮挡信息带来的影响,进行数据增强;对ResNet50的输入主干重新进行了设计,用常规卷积和深度可分离卷积的组合代替原来的7×7大卷积核;对残差块进行了优化,使用GELU函数替代ReLU函数,并将特征相加后的激活层移到残差块内部,同时去除了部分BN层和激活层;向网络中添加CA注意力机制,使得网络更加关注目标的关键信息,从而抑制其他无用信息;结合迁移学习,利用在ImageNet上预训练权重初始化网络并在数据集上进行微调训练,得到最终黑色素瘤分类模型。实验结果表明,所改进的结构对模型性能提升具有显著效果,MC-Net模型在准确率和F1指标上达到94.87%和95.01%,经过迁移学习得到的最终分类模型在数据集上进行测试,获得了95.4%的准确率和95.6%的F1值,均优于其他网络。

基于GF-1遥感图像和ResNet50网络的PM_(2.5)浓度预测研究

基于GF-1卫星图像、结合Merra-2气象数据作为辅助预测变量,构建了长三角地区基于ResNet50网络的PM_(2.5)预测模型。其中气象参数可以为模型提供较为准确的PM_(2.5)浓度基准,而GF-1图像能帮助模型更合理准确地预测PM_(2.5)浓度的空间变化。利用十折交叉验证和测试集验证对模型进行检验,结果显示:模型的皮尔森相关系数R为0.948,预测PM_(2.5)的RMSE为6.6μg/m~3。反演得到分辨率为500 m的PM_(2.5)浓度分布图合理稳健。GF-1遥感图像和ResNet50网络适用于PM_(2.5)浓度预测,可以作为辅助监测手段,为长三角地区PM_(2.5)热点识别、后续流行病学研究提供数据支撑。

基于ResNet50网络的乳腺癌病理图像分类研究

目的:为解决传统机器学习在病理图像诊断方面的性能不足和纯粹人工阅片导致的误诊或者错诊等问题。方法:结合深度学习在图像识别的优势,以ResNet50为基础网络框架,使用迁移学习实现模型功能,设计了一个用于计算机辅助诊断(Computer-Aided Diagnosis, CAD)的乳腺癌病理图像自动分类模型。结果:模型迭代7 000次时在验证集的正确率收敛于98%左右,在测试集上进行测试,正确率达到97.4%。在测试集中的1 083个恶性肿瘤样本中平均有1 061个样本被正确识别出,达到98%的灵敏度。结论:本模型具有泛化性好、深度大、精度高、收敛快的优点,为CAD应用于实际临床诊断提供了可行性论证。

基于ResNet50网络的十种鱼类图像分类识别研究

鱼类识别在渔业资源研究、鱼类知识科普、水产养殖加工、鱼类稀有物种保护等领域有着广泛的应用前景。为了准确对采集的图像进行分类识别,提出一种基于Keras深度学习框架的鱼类图像识别算法,以ResNet50为基础网络框架,使用混淆矩阵优化分类器对图像的自动分类模型。利用该模型对10种鱼类进行分类识别,结果显示正确识别率达到了93.33%。

基于ResNet50网络的年龄估计

人脸图像年龄估计在社交媒体、零售业务和学术研究等各个领域都具有重要的研究意义。ResNet网络是解决深度网络结构退化问题的一种成熟算法,本文使用ResNet50网络对人脸图像的年龄估计模型进行训练。首先,使用ResNet50网络在大型数据集ImageNet上进行模型预训练;其次,在数据集morph2上训练模型;最后,在数据集morph1上进行模型测试。实验结果表明,ResNet50网络在数据集morph1和morph2上获得较高的估计精度。

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。

基于卷积神经ResNet50残差网络的岩石图像岩性识别研究

深度学习卷积神经网络算法广泛应用于岩石图像的岩性识别。结合卷积神经残差ResNet50网络,构建了岩石图像岩性识别模型,并依据定义的损失函数进行了网络模型的参数调优与验证;通过构建的识别模型对岩石图像岩性进行了预测,并根据识别结果进行了误差原因分析。研究表明:以深度卷积神经ResNet50残差网络为基础,按照训练集、测试集、验证集8∶1∶1的比例可以进行岩性预测模型的构建与参数调优,从而实现岩石图像的岩性预测;结合项目实例构建了黑云母花岗闪长岩、变质砂岩、石英岩、黑云母花岗岩等四种岩性的岩石图像岩性识别模型;模型的识别准确率,除构造节理发育的破碎岩体较低外,一般可达75%~90%;岩石图像识别结果的准确率受岩体构造裂隙发育及岩石图像质量影响较大,可以通过增加训练样本数量来提高识别结果准确率。

基于CBAM-ResNet50模型的水果图像识别

针对传统水果分类识别精度低,人工成本高等问题,提出一种基于CBAM-ResNet50模型的水果图像识别算法。首先,采用迁移学习技术,将ImageNet数据集上训练好的权重参数迁移到ResNet50网络水果图像分类模型中,保留卷积层和池化层,去掉分类器,作为主干网络模型;其次,在主干网络模型后添加混合注意力机制模块,根据不同的输入特征分配不同权重,提取有效特征,忽略无关信息。然后,用全局平均池化(GlobalAvgPool2D)替换平均池化,将高维数据转化为低维数据,提高计算效率并简化模型训练过程。最后,添加dropout正则化,随机失活权重参数比例,以确保网络对噪声和异常值的鲁棒性,构建Batch Normalization层对输入数据进行归一化,帮助网络更好地学习数据信息的特征分布,进而提高网络模型性能。把收集到的水果图像按照随机取样的方法划分为80%训练集和20%测试集两部分,采用旋转、平移和裁剪等技术扩充水果图像数据集的多样性和变化性,本文提出CBAM-ResNet50网络模型与MobileNet-v3、VGG16、AlexNet、Xception、ResNet50网络模型的识别效果进行对比,试验结果表明,该模型能够有效识别出几种常见的水果图像,相较于初始网络,识别准确率增加了6个百分点,测试准确率高达99%。为了进一步验证模型性能,分析了基于迁移学习下的数据集扩充与未扩充,添加混合注意力机制对网络模型的影响,由此得出,该研究方法在水果分类识别中具有很好的实践意义。

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。

基于ResNet50神经网络的荔枝表皮缺陷检测研究

为了提高荔枝表皮缺陷检测的智能化程度与效率,基于ResNet50神经网络开展荔枝表皮缺陷检测研究。利用自主研制的图像采集系统试验平台构建荔枝表皮缺陷图像数据集,使用残差神经网络(Residual Network,ResNet)50算法构建荔枝表皮缺陷检测分类模型,并将它与K-近邻法(K-Nearest Neighbor,KNN)和随机森林(Random Forest,RF)算法所构建的模型进行对比,评估其分类效果和性能。试验结果表明,综合考虑模型分类准确率和程序运行时间,基于ResNet50的荔枝表皮缺陷检测分类模型相较于其他2种算法是最佳的,能够有效地将荔枝图像划分为正常、霉变和裂口3类,将正常的荔枝与有表皮缺陷的荔枝区分开。研究结果可为基于荔枝图像的表皮缺陷检测方法提供技术参考。

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.

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ResNet50与卷积稀疏表达的红外与可见光图像融合算法

提出一种基于ResNet50神经网络与卷积稀疏表达的红外与可见光图像融合算法。通过低通滤波将红外与可见光图像分解成基础层和细节层;运用卷积稀疏表达对基础层进行处理得到新的基础层,使用ResNet50神经网络对细节层进行特征提取,对得到的特征图进行L1正则化和最大选择策略得到最大权重层,经过权重分配得到新的细节层;对新的基础层和细节层进行重建,得到融合图像。该算法针对基础层和细节层提出了新的融合策略,并且能较好地保留细节信息和结构信息。实验结果表明,该算法在主观和客观指标证明上优于对比算法。

基于改进Resnet18网络的火灾图像识别

针对传统卷积神经网络进行火灾图像识别时,准确率不高、特征难以提取、网络的平移不变性较弱等问题,对Resnet18网络进行改进,使其具有更高的性能和准确性.首先,在Resnet18网络的卷积层前插入空间变换网络(spatial transform networks,STN).对于连续多个相同大小的卷积层,只在第一个卷积层前添加STN,共添加5个,并且在全连接层后添加dropout层防止过拟合.然后,使用迁移学习(transfer learning,TL)的方法对火灾进行分类识别.实验结果表明,改进后的Resnet18网络准确率、召回率、F_(1)值和AUC值等各项指标性能优于Resnet18网络和其他深度学习识别算法,能够对火灾图像进行快速、准确地识别.

基于ResNet50_SIMAM的水下目标检测模型研究

水下目标检测是海洋探索和监测领域的一个关键技术挑战,具有广泛的应用。由于水下环境复杂以及视觉清晰度有限,现有检测方法效果不佳。针对这一问题,我们对现有的ResNet50模型进行改进,通过引入SIMAM注意力机制来提高检测精确度。通过对数据集的预处理和增强,模型成功适应了水下图像的特点。实验结果表明,该模型在水下目标检测任务上表现卓越,Map值由原来的64.6上升到68.35,验证了改进后的模型ResNet50_SIMAM在处理复杂水下视觉任务中的巨大潜力。

基于改进ResNet50在高岭土矿石图像分类的应用

煤矸石是生产高岭土的直接原料。为了能快速精准地将含有高品位高岭土的煤矸石从原始矿石中预分选出来,提出了一种改进ResNet50的小模型图像分类识别方法。基于X射线与物质的相互作用原理,对已划分的高低品位原生矿石进行透射成像(灰度图),使用labelImg标签软件制作数据标签;基于Pytorch深度学习框架,使用数据增强算法扩增样本容量;基于ResNet50残差网络架构,使用多尺度可分离卷积降低卷积计算量并加深网络深度,采用双通道池化替代单一池化来均衡图像局部特征,优化残差结构和微调超参数使网络学习性能达到更优。结果表明:在相同的实验条件下,与传统的ResNet18/34/50和VGG16网络相比,改进的ResNet50网络在验证集上分类准确率最高,达到97.87%;对比GoogLeNet网络,两者分类精度相近的同时,改进的ResNet50网络的整体学习速度提升了接近4倍。