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。

基于改进的ResNet34网络和迁移学习的油菜根肿瘤分级方法

针对传统油菜根肿瘤分级方法精准性差、效率不高等问题,提出了一种基于改进的ResNet34网络和迁移学习的油菜根肿瘤分级算法。利用数据增强技术对采集的油菜根肿瘤图像进行样本数据的扩充,在ResNet34模型的基础上,选择不同的位置增加SE(Squeeze-and-Excitation)注意力分支,强化ResNet34对油菜根部病害区域的特征识别能力,提高网络识别油菜根肿瘤的精度,最后利用迁移学习的方法将预训练的参数权重迁移到所提模型进行训练,提高训练速度。试验以油菜5类常见的根肿瘤分级标准(N0~N4)为主要研究对象,并与原始的ResNet34算法模型进行比较。试验结果表明,所提SE_ResNet34_Qianyi模型对油菜根肿瘤的分级准确率可达86.39%,高于ResNet34_Qianyi(84.90%)和ResNet34(54.15%),可有效提取油菜根肿瘤特征,增强对多类根肿瘤级别的识别,提高识别准确率。

基于改进ResNet34网络的树种识别研究

为了快速高效的提高树种识别工作的效率,解决识别工作中的遇到的困难,提出一种基于改进卷积神经网络的高效树种识别方法。实验以残差网络(residual network, ResNet)为基础网络加以改进,应用迁移学习的知识,加快网络的训练过程,使其更快的拟合,并对网络结构进行了适当的修改,使其更适合本实验的任务。实验模型网络应用Adam优化器进行训练,采用学习率衰减器寻找模型最优解,为了增加网络的泛化能力,对实验图像进行了数据增强。实验结果表明,与未改进的VGG16、ResNet18、ResNet34网络相比,改进的网络识别准确度分别提高了26.93%、2.91%、1.33%,同时兼顾到了准确度与高效性,模型能够较好的胜任树种识别任务。

基于粗糙集和ResNet34网络算法的森林火灾预测研究

森林火灾是全世界面临的大问题,会对生态系统造成巨大的破坏,同时会威胁人类的生命财产安全。本文设计了一个有效的森林火灾预测算法,数据集采用Montesinho国家公园基本气象数据,建立粗糙集与ResNet网络算法建立森林火灾的成灾面积预测模型,对气温、相对湿度、风速和降水量等气象数据进行分析,并进行了森林火灾面积预测。研究结果显示,该算法能够较准确地预测规模较小且发生频繁的火灾受灾面积。

基于ResNet34卷积神经网络的垃圾分类识别小程序

人类社会的生产力水平正在以指数级提升,导致垃圾数量疯涨,因此当下如何处理大量的垃圾成为一个棘手的问题。在大量堆积的垃圾中既有可以回收利用的可回收垃圾,也有能造成污染的有害垃圾,如果对其不加以区分就丢弃,对于资源是一种浪费。为了解决在垃圾分类过程中出现的错误分类的问题,构建了基于ResNet34卷积神经网络的垃圾分类识别模型。根据垃圾分类的需求对现有的网络模型做出了相应的调整,优化模型主要参数的同时采用了迁移学习的方式训练模型使其在测试集上的准确率达到了87%。选择与微信小程序结合,向ResNet34模型导入数据集并训练40种垃圾类别,同时通过Https协议远程调用服务器上运行的模型,从而在小程序上实现对垃圾的快速精准分类。

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。

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.

基于改进ResNet网络和迁移学习的服装图像风格识别研究

传统的服装图像风格识别方法主要依赖于成功提取有效特征,这些方法在处理图像时不仅会消耗大量的时间和精力,识别精度也较低。为了提高服装图像风格识别的性能,提出了一种基于改进的ResNet152网络和迁移学习的服装图像风格识别方法。首先将ResNet152网络首层结构中的7×7卷积核替换成3个3×3卷积核组合层,其次把原始残差单元中的“卷积层(Conv)+批归一化层(BN)+非线性激活函数层(Relu)”的组合方式换成“批归一化层(BN)+非线性激活函数层(Relu)+卷积层(Conv)”的组合方式。这两个改进方法有效地提升了网络性能,使其能够更好地捕捉不同尺度的服装风格特征。然后把在ImageNet数据集上训练好的ResNet152网络模型参数迁移到改进的网络中,在此基础上,将女童服装数据集输入到网络中进行训练验证以及微调网络参数。结果表明,所提出的方法风格识别准确率达到了94.2%,训练效果好,识别精度、收敛速度等均优于其他风格识别网络,可以更好的完成女童服装风格识别任务。

基于ResNet和ViT双流网络的小麦病虫害识别

针对小麦病虫害识别过程中,传统深度学习模型表现不稳定、识别精度低、泛化能力有限的现状,提出了新的双流网络模型,即结合ResNet和ViT以提高识别准确性。该方法融合了卷积神经网络处理图像局部结构,同时利用Transformer捕捉长距离依赖关系,改进了识别性能。通过2070张小麦病虫害图片数据集训练验证,调整ResNet50和ViT预训练模型参数,结果显示,双流模型在训练集上达96.5%准确率,在验证集获0.94的F_(1)分数,明显优于其他主流单一模型。结果证实,新模型在小麦病虫害识别卓越性能,为其在智能农业系统中广泛应用提供潜力。

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ResNet网络的垃圾分类模型研究

垃圾分类问题对于环境保护和可持续发展至关重要。传统的垃圾分类模型在处理复杂场景时存在性能瓶颈,而ResNet网络以其深度残差学习结构在图像识别任务中取得了显著的成功。为进一步提升垃圾分类模型的性能,本文在ResNet网络基础上进行了改进,引入了注意力机制和增强的特征提取策略。通过对垃圾分类数据集的训练,验证了改进ResNet网络在垃圾分类准确性和泛化性能上的优势,所提出的模型在不同垃圾类别上均取得了较高的分类准确度,实验结果表明相较于ResNet50,本文提出的垃圾分类模型提高了1.9%的准确率。本研究为垃圾分类问题的解决提供了一种更有效的解决方案,也为其他复杂图像分类问题提供了有益的借鉴。

基于FaceBoxes和ResNet34的人脸视频心率测量

基于人脸视频的非接触式心率检测存在运动伪影和噪声干扰等问题,为克服运动伪影对心率检测的影响,文中提出一种基于FaceBoxes和改进ResNet34的人脸视频心率检测方法。对人脸视频帧进行人脸检测和特征点检测,能够准确定位每一帧的ROI区域,克服微小运动影响,提取ROI区域内RGB三通道信号,进行空间平均预处理、信号降噪,获得脉搏波信号,计算出心率。实验结果表明,基于改进ResNet34的特征点检测在人脸视频心率检测中发挥了良好的性能,在一定程度上克服了运动伪影的影响,并且提高了原有人脸视频心率检测方法的推理速度。

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.

基于注意力机制ResNet轻量网络的面部表情识别

针对ResNet18网络模型在面部表情识别时存在网络模型大、准确率低等问题,提出了一种基于注意力机制ResNet轻量网络模型(Multi-Scale CBAM Lightweight ResNet,MCLResNet),能够以较少的参数量、较高的准确率实现面部表情的识别。首先,采用ResNet18作为主干网络提取特征,引入分组卷积减少ResNet18的参数量;利用倒残差结构增加网络深度,优化了图像特征提取效果。其次,将CBAM(Convolutional Block Attention Module)通道注意力模块中的共享全连接层替换为1×3的卷积模块,有效减少了通道信息的丢失;在CBAM空间注意力模块中添加多尺度卷积模块获得了不同尺度的空间特征信息。最后,将多尺度空间特征融合的CBAM模块(Multi-Scale CBAM,MSCBAM)添加到轻量的ResNet模型中,有效增加了网络模型的特征表达能力,另外在引入MSCBAM的网络模型输出层增加一层全连接层,以此增加模型在输出时的非线性表示。该模型在FER2013和CK+数据集上的实验结果表明,本文提出的模型参数量相比ResNet18下降82.58%,并且有较好的识别准确率。

基于miRNA-mRNA调控网络探讨miR-34a-5p靶向Hh通路对LX2细胞增殖的影响

目的探讨miR-34a-5p靶向刺猬(Hh)信号通路对肝星状细胞(HSC)增殖和凋亡的调控作用。方法采用生物信息学分析筛选出LX2细胞中靶向Hh信号通路的差异miRNA,通过Cytoscape构建miRNA-m RNA网络。体外培养LX2细胞,通过转化生长因子-β1(TGF-β1)诱导建立LX2细胞活化模型。细胞活力检测试剂盒(CCK-8)检测miR-34a-5p过表达对LX2细胞增值活力的影响;流式细胞分析法(Annexin-V-FITC/PI)检测miR-34a-5p过表达对LX2细胞凋亡的影响;实时荧光定量PCR和Western blotting分析miR-34a-5p过表达对声波刺猬(Shh)、脑胶质瘤相关癌基因1(Gli1)、脑胶质瘤相关癌基因2(Gli2)、Ⅰ型胶原蛋白(Col-Ⅰ)及α平滑肌肌动蛋白(α-SMA)mRNA和蛋白表达水平的影响。结果LX2细胞经TGF-β1诱导活化后,细胞活力显著升高,Shh、Gli1、Gli2、Col-Ⅰ及α-SMA表达均增高(P<0.01)。Hh信号通路特异性阻断剂环靶明脂可降低LX2细胞活力,下调Shh、Gli1、Gli2、Col-Ⅰ及α-SMA蛋白表达(P<0.01)。miR-34a-5p过表达可显著提高LX2细胞活力,上调Gli1、Gli2、Col-Ⅰ及α-SMA蛋白表达(P<0.05)。结论miR-34a-5p靶向调控LX2细胞的Hh信号通路,过表达miR-34a-5p可以上调Hh信号通路相关蛋白表达,促进LX2细胞活化。

融合数据增强与改进ResNet34的奶牛热红外图像乳腺炎检测

乳腺炎是奶牛生产养殖中最为严重的疾病之一,奶牛乳腺炎的早期检测可以为后续治疗提供依据,从而提高疾病治疗效率,降低养殖风险。为了对自然行走的奶牛实现快速、高精度的“一步式”乳腺炎疾病检测,提出了一种基于热红外图像,融合数据增强与改进ResNet34的奶牛乳腺炎疾病检测方法。相对于现有的“多步式”奶牛红外图像乳腺炎检测方法,该方法无需奶牛关键部分如乳房和眼睛的定位以及温度提取等,可有效避免“多步式”造成的误差累计,从而实现更高效的乳腺炎检测。首先,将包含奶牛关键部位的局部图片水平拼接成信息完整的整体图片,结合RandAugment数据增强方法扩增训练样本;其次,采用ResNet34残差网络作为实验的基础网络,并根据热红外图像特性对模型进行如下改进:(1)精简网络内部冗余层使得模型更轻量化;(2)中间层添加辅助分类器弥补由于模型精简带来的特征损失;(3)将改进的多融合池化层代替原有单一池化层,使得特征提取内容更丰富。随机选取3298张热红外图像(66头奶牛)作为实验对象,并设置多组对比实验,结果表明:与传统ResNet34相比改进后ResNet34模型分类准确率提高3.4%,基于改进ResNet34并融合迁移学习和数据增强的模型验证准确率达到90.3%,测试准确率为88.4%,分类时间仅需3.39×10^(-3)s。为了保证实验数据集的样本独立性,进一步将奶牛个体数量按照3∶1∶1划分为训练集、验证集和测试集,测得模型测试准确率达到80.3%,证明所提出模型具有很好的鲁棒性。根据测试结果,计算出模型查准率为91.2%、查全率为91.6%、F1分数为91.4%,与前人所做实验相比准确率提高了5.1%,特异度提升5.3%。该研究方法可以为初期奶牛乳腺疾病筛选和医学诊断提供辅助和参考。

基于改进StackCNN网络和集成学习的脑电信号视觉分类算法

针对直接使用图像诱发的脑电信号进行视觉分类的现有研究少,并且视觉分类的平均准确率低等问题,设计了一种卷积神经网络(CNN)和集成学习相结合的方法,用于学习脑电信号相关的视觉特征表示。通过在StackCNN网络中加入K-max池化方法,解决在提取脑电特征时信息丢失的问题,并结合Bagging算法增强网络的泛化能力,该方法称为StackCNN-B。采用基于残差神经网络(ResNet)回归对图像进行分类,验证StackCNN-B方法在图像分类上的性能。消融实验及与现有研究对比实验的结果表明:所提方法识别准确率较高,在学习脑电信号的视觉特征表示上的平均准确率达到99.78%,在图像分类上的平均准确率达到96.45%,与Bi-LSTM-AttGW方法相比,平均提高了0.28百分点和2.97百分点。研究结果验证了脑电信号可以有效地解码与视觉识别相关的人类大脑活动,也表明所提出StackCNN-B模型的优越性。