基于Resnet18网络的红外图像行人危险动作识别

对夜间行人危险动作进行有效识别是无人驾驶和智能辅助驾驶系统的一个核心任务,也是保证系统安全性的基本需求.考虑到夜晚的光学条件下摄像机的成像特性,提出一种基于深度卷积网络的红外行人危险动作识别算法对夜间行人动作进行识别.该算法选择残差网络为基本网络结构,首先从红外图像的特性和问题的规模出发确定采用Resnet18网络框架,然后对数据集进行预处理使之能够适应网络,最后对网络进行训练与测试以确定网络的识别性能.在实际红外行人危险动作数据集中进行实验的结果表明,所提出方法对6类危险动作识别的平均精确率达到98.3%,平均召回率达到98.1%,优于传统的识别方法.

基于深度残差网络与迁移学习的水稻虫害图像识别

提出一个针对大多数类型的水稻害虫的图像识别方法。对ResNet34网络进行改进,提高网络的识别能,以实现基于给定的图像自动地识别分类出主要害虫。此外,基于迁移学习方法有效避免由于数据量缺乏而使得训练不足的问题。通过ImageNet数据库开展网络参数预训练能够进一步提升网络的提取性能,通过IDADP数据库可以开展参数微调工作以及训练工作。将提出的改进ResNet34模型与其他模型的性能进行对比评估。结果显示,改进ResNet34模型的识别准确度最高,F 1-score达到0.98,证明所提模型对水稻病虫害图像具有较好的识别效果。

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。

基于双流残差卷积神经网络的养殖鳗鲡(Anguilla)摄食强度评估研究

为实现对养殖鳗鲡(Anguilla)摄食强度的准确评估,提出了一种基于双流残差卷积神经网络的鳗鲡摄食强度评估方法,该方法针对传统双流网络(Two-stream)中存在的问题做出了相应的改进。首先针对传统双流网络存在网络结构较浅,无法提取到充分的鳗鲡摄食行为特征的问题,选择使用ResNet50网络进行替换,以提取到更具代表性的特征。其次针对传统双流网络最后的分类结果是把空间流和时间流的得分取平均值融合而获得,这种方式较为简单,且其空间流和时间流网络为独立进行训练,容易导致网络出现学习不到鳗鲡摄食行为的时空关联特征的问题,选择使用特征层融合方式对空间流和时间流网络提取获得的特征进行融合,让网络能够并行进行训练,以提取到时空信息间的关联特征。试验结果表明:文内提出的基于双流残差卷积神经网络的鳗鲡摄食强度评估方法准确率达到98.6%,与单通道的空间流和时间流网络相比,准确率分别提升了5.8%和8.5%,与传统的双流网络相比准确率也提升了3.2%。

基于深度残差傅里叶神经算子方法压制地震多次波

多次波是一种较为严重影响地震成像的干扰波,如何有效压制多次波是需要关注的地震资料处理关键问题之一.本文基于傅里叶神经算子(FNO)和残差网络(ResNet),提出了基于深度残差傅里叶神经算子(DRFNO)网络的多次波压制方法.DRFNO是一种弱约束模型+数据驱动的人工智能算法,包含一次波和多次波的全波场炮集为输入,其中真实一次波炮集为标签训练网络,输出为压制多次波后的一次波炮集.DRFNO的网络结构中考虑了地震波场的数据特点,结合波动方程正演模拟的物理机理,约束网络训练过程.基于传统机器学习中的激活函数设置方法,该方法通过一个用于地震数据样本与标签预处理的激活函数(SDAF),克服地震炮集数据中因同相轴能量差异导致神经网络无法训练的问题.采用两套层状介质模型和Sigsbee2B复杂模型的模拟地震数据验证了DRFNO方法多次波压制处理的有效性,抗噪性和泛化能力.最后,通过一套实际地震数据实例表明本文提出的DRFNO方法应用于压制实际复杂地震波场中多次波的良好效果.

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%。

基于注意力机制和残差网络的苹果叶片病害分类

苹果叶片病害的高效准确识别有助于合理使用杀虫剂、肥料等农业资源,进而保证苹果的产量与质量。为提高苹果叶片病害识别的准确率,提出一种残差网络与注意力机制结合的苹果叶片病害识别模型:P-D-ECA-ResNet101。首先构建苹果叶片病害数据集,然后使用常见的4种网络模型在构建的数据集上进行训练,选取训练效果最好的ResNet101为骨干网络模型,通过推迟下采样(delayed downsampling)、拆解大卷积层以及引入高效通道(efficient channel attention module,ECA)注意力模块对ResNet101网络模型进行优化,最后通过特征图可视化展示改进后网络模型的识别机制。试验结果表明,推迟下采样可以增强模型特征提取能力,拆解大卷积层可以有效减少模型的复杂度,引入ECA注意力模块可以削弱无效特征信息对模型的干扰。改进后的P-D-ECA-ResNet101模型在构建的苹果叶片病害测试集上的平均识别准确率达到96.20%,相较于原模型ResNet101提升了2.20百分点。特征图可视化分析表明改进后的P-D-ECA-ResNet101模型可以更好地聚焦于病斑区域。本研究提出的P-D-ECA-ResNet101模型较ResNet101模型具有更深的网络结构,更好的特征提取能力,更强的抗干扰能力,可为田间环境下的苹果叶片病害识别提供参考。

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。

基于声像图深度残差网络ResNet模型自动诊断肾囊肿

目的分析基于声像图的深度残差网络ResNet模型自动诊断肾囊肿的效能。方法收集3670例患者的肾脏超声资料,其中2024例超声诊断肾囊肿、1646例肾脏正常,每例选取2幅肾脏声像图,共以7340幅肾脏声像图构建数据集;以其中6294幅(3238幅肾囊肿、3056幅正常肾)为训练集,1046幅(810幅囊肿、236幅正常肾)为测试集,分别采用梯度方向直方图(HOG)+支持向量机(SVM)方法及3种深度残差网络ResNet模型(ResNet18、ResNet34、ResNet50)进行诊断。以超声诊断结果为金标准,计算并比较4种方法诊断测试集肾囊肿的敏感度、特异度及准确率,并绘制受试者工作特征(ROC)曲线,获得曲线下面积(AUC)。结果ResNet34、ResNet50模型诊断测试集肾囊肿的敏感度、特异度及准确率均高于HOG+SVM方法及ResNet18模型(P均<0.01),且ResNet50模型的特异度和准确率均高于ResNet34模型(P均<0.05)。ROC曲线显示,HOG+SVM方法及ResNet18、ResNet34、ResNet50模型自动诊断肾囊肿的AUC分别为0.731[95%CI(0.691,0.771)]、0.754[95%CI(0.715,0.792)]、0.851[95%CI(0.819,0.884)]及0.892[95%CI(0.865,0.920)]。结论基于声像图的深度残差网络ResNet模型可自动诊断肾囊肿,以ResNet50模型效果最佳。

基于ResNet的睡姿识别分析

阐述为使智能床垫具有高准确率的睡姿识别功能,设计一种气压传感器结合空气弹簧床垫的睡姿检测系统。使用空气弹簧气压相对变化率作为用户睡姿数据集,提出一种ResNet18睡姿识别模型。

基于改进ResNet模型的交通标志识别算法

本文提出了一种基于改进残差网络ResNet50模型的图像识别方法。通过引入圆形LBP算法,提取图像内部的纹理信息构成纹理图谱;同时在网络中加入通道注意力机制(Efficient Channel Attention,ECA)提高模型性能,使得改进后的算法更适合识别交通标志。该方法在GTSRB和BelgiumTS交通标志数据集上的准确率分别达到99.7%和98.3%,有效提高了智能系统识别交通标志的准确率和驾驶的安全性。

基于改进ResNet残差网络模型的交通标志识别

伴随汽车工业的智能化发展,对交通标志识别技术的要求也进一步提高,提出了一种基于改进ResNet残差网络模型的交通标志识别方法。根据交通标志的特点,研究构建了“八块结构的ResNet残差网络模型”,并结合了对数似然代价函数。提出模型不仅可以有效防止梯度爆炸、消失的问题,还能在控制模型训练迭代速度的基础上,进一步提高交通标志的识别精度。在交通标志识别的公共数据集GTSRB上完成测试,测试精度达到了99.74%,相较于当前相关算法,识别精度能够进一步提高。

基于迁移学习与深度残差网络的滚动轴承快速故障诊断算法

针对现有基于深度学习的滚动轴承故障诊断算法训练参数量大,训练时间长且需要大量训练样本的缺点,提出了一种基于迁移学习(TL)与深度残差网络(ResNet)的快速故障诊断算法(TL-ResNet)。首先开发了一种将短时傅里叶变换(STFT)与伪彩色处理相结合的振动信号转三通道图像数据的方法;然后将在ImageNet数据集上训练的ResNet18模型作为预训练模型,通过迁移学习的方法,应用到滚动轴承故障诊断领域当中;最后对滚动轴承在不同工况下的故障诊断问题,提出了采用小样本迁移的方法进行诊断。在凯斯西储大学(CWRU)与帕德博恩大学(PU)数据集上进行了试验,TL-ResNet的诊断准确率分别为99.8%与95.2%,且在CWRU数据集上TL-ResNet的训练时间仅要1.5 s,这表明本算法优于其他的基于深度学习的故障诊断算法与经典算法,可用于实际工业环境中的快速故障诊断。

基于残差网络和迁移学习的野生植物图像识别方法

针对目前传统野生植物识别算法存在的耗时长、精度低等问题,提出一种基于ResNet101网络和迁移学习的方法。将在ImageNet数据集上训练好的参数应用于数据扩充后的野生植物数据集,同时考虑微调第5组卷积块、添加Dropout正则化和批量正则化技术、优化网络结构参数的方式对原有网络进行改进。测试结果表明,该方法对野生植物图像的识别准确率达到85.6%,较原ResNet101模型识别准确率增加约7个百分点,在提高模型识别精度方面效果较好,具有一定的指导意义。

基于改进深度残差网络的心电信号分类算法

针对不同类型心电(electrocardiogram,ECG)信号分类的不足,提出了一种基于改进深度残差网络(Resnet)的分类方法。首先对心电数据做可视化处理,使用格拉姆角场(Gramian angular fields,GAF)将一维的ECG信号转换为二维图像,然后对Resnet-50网络模型进行改进,在网络中添加多级shortcut支路,并优化了残差块;为了进一步提高模型的表达能力,将Relu激活函数替换为SELU激活函数;最后将图像输入到改进的残差网络中进行分类,并在医院对患者的心电信号进行了实际测试。实验结果表明:该算法对7类心电信号的平均识别率达到了98.3%,相对于原始的残差网络,准确率提升了2.9%;算法诊断结果与医生诊断结果一致,从而验证了算法的有效性和实用性。

基于残差网络的人参叶片病害诊断模型研究

本文利用残差网络结构模型,针对人参白粉病、黑斑病、灰霉病、炭疽病、疫病5种病害,共105个数据集进行测试和训练,生成人参叶片病害识别模型,利用ResNet18网络模型完成了对人参叶片病害的检测。结果表明,在经过多次参数优化后,ResNet18模型的分类精度可以达到99%。

基于GWO-CMFH和改进ResNet轴承故障诊断

针对不同程度的小分类轴承故障,现有故障诊断方法准确率不高的问题,提出基于GWO-CMFH和改进ResNet的滚动轴承故障诊断方法。对于同一类型不同程度故障,提出基于GWO自适应优化结构元素参数的CMFH滤波方法,增强振动信号的脉冲故障特征并抑制背景噪声;采用连续小波变换将滤波后的信号转换成二维时频图谱;最后,提出基于混合注意力机制改进的残差网络模型,提高轴承故障诊断精度。在西储大学、东南大学及所选轴承数据集上进行验证实验,不同故障程度的小分类诊断准确率分别达到99.73%、98.12%和99.07%,表明所提方法具有很好的抗噪性、鲁棒性,可提高滚动轴承不同故障程度的诊断效果。

往复压缩机故障的残差网络诊断方法

往复压缩机结构复杂、激励源众多,极易发生故障。由于故障特征设计困难,且多依靠经验,导致传统方法诊断能力不强。基于卷积神经网络(convolutional neural networks, CNN)的智能诊断方法无需提取特征,可实现端到端的故障诊断,但存在提取故障特征不准确、模型参数量大、训练时间长等难题。为此,提出基于PyTorch深度学习框架的往复压缩机故障诊断方法MPMRNet(multiple-processes-mini-ResNet)。该方法采用多进程加载数据,以残差网络ResNet50为基础网络框架进行深度和宽度的缩减,Adam优化网络、StepLR策略调整学习率,自动处理振动信号时频图像并进行敏感特征深度挖掘和评估。通过多组实验对比,该方法明显缩短了模型训练时间,权重参数量由94.1缩小到0.58 M,模型复杂度由4.11下降到0.21 G,显存占用率由37.08%下降到10.92%,故障诊断的准确率达到98.28%,模型的诊断能力得到了明显提高。

基于深度残差神经网络的博彩网页识别算法设计

互联网对人民群众的生活和工作产生了重要影响,然而网络空间中隐藏着大量有害的博彩网站或赌博网站,很容易给网民造成损失和困扰,甚至可能扰乱社会秩序,因而研究对此类网站进行高效识别的方法具有重要意义。提出利用深度残差神经网络解决博彩类网页识别问题,基于深度残差网络的原理设计了算法GamblingRec。经验证,算法准确率达到了95.16%,正样本召回率为93.21%,表明基于深度残差神经网络的方法能够用于博彩类网页识别,并能达到较高的识别性能。

基于改进3D ResNet的视频人体行为识别方法研究

针对人体行为在视频中呈现的时序性特点,提出了一种融合非对称卷积和CBR模块的视频人体行为识别方法。该方法使用3D ResNet-50作为主干网络。首先,将网络中较大的卷积核拆分为2个非对称3D卷积核的串联,加深卷积层在水平和竖直方向上的局部关键特征提取;其次,加入了CBR模块,以增加网络层数。该网络对连续的视频帧序列进行图像和时序的多角度特征提取,并根据特征数据对其进行分类,最后输出识别结果。在基准数据集UCF101上的大量实验结果表明,所提方法的Top1准确率和Top5准确率与原始3D ResNet网络相比分别提升了4.03%和4.99%,且该方法的识别准确率也优于其他主流方法的识别准确率。