基于改进VGG16的自编码器视频异常检测算法

在使用自编码器结构的神经网络处理视频异常检测任务时,U-Net风格的自编码器由于编码器层数深度过浅,导致在面对复杂的数据集时,不能充分抽取更多有用的特征信息。同时,在训练模型时使用MSE(均方误差),仅考虑了预测帧与真实帧之间的像素级相似性,对于复杂场景,像素级相似性可能无法准确判断预测帧与真实帧之间的相似性。针对以上问题,对基于U-Net风格的自编码器进行改进,提出了一种使用改进的VGG16作为编码器的视频异常检测算法,同时在均方误差的基础上添加结构相似性(SSIM)损失函数。改进的VGG16去掉了全连接层,并加入了残差连接防止特征退化,添加SSIM在计算像素级相似性的同时计算图像的亮度、对比度和结构等方面的相似性来优化网络。实验结果表明,改进后的算法,在Ped2数据集上检测效果达到95.91%,在Avenue数据集上检测效果达到84.89%,与改进前的方法相比分别提高了0.80%和0.19%,验证了所提方法的有效性。

基于CBAM VGG16-UNet语义分割模型的建筑物提取研究

针对在遥感影像建筑物提取中常常出现“漏检”“错检”“空洞”等问题,提出了融合双注意力机制的CBAM VGG16-UNet网络,用于建筑物提取研究。基于U-Net网络架构,在下采样部分,用VGG16前5个卷积块代替U-Net网络的编码器部分,在上采样的每个特征融合时引入双注意力机制CBAM,并用双线性插值代替U-Net的转置卷积。使用WHU建筑物数据集以及贵阳建筑物数据集进行了模型验证,与Mobile-UNet、U-Net、VGG16-UNet 3种建筑物提取网络模型进行对比分析。实验表明,CBAM VGG16-UNet在WHU建筑物数据集上精准率、召回率、F1-score、IoU达到了94.90%,95.46%,95.18%,90.80%,在贵阳建筑物数据集上精准率、召回率、F1-score、IoU达到了77.53%,84.46%,80.85%,67.85%,均优于3种对比模型。为解决建筑物提取常见问题提供了新思路,具有一定的工程应用价值。

基于改进VGG16网络的半监督石刻表层裂缝识别

针对如何快速准确地检测石刻表层裂缝问题,笔者建立一种改进的VGG16网络模型,将原本的3层全连接层改为2层全连接层,增加dropout正则化,并结合使用半监督学习算法,将深度学习应用于石刻表层裂缝的智能识别研究。为了检验改进后模型的性能与准确性,选用Unet、ResNet以及原模型进行比较,使用精确率、召回率和训练时间等对模型进行综合评估。改进后的VGG16网络模型精度达到93.6%,且训练时间较原模型减少了18%,具有轻量化运算的优点,模型可以满足基本的表层裂缝识别需求,且具有较好的鲁棒性。

基于改进的VGG16网络金属表面缺陷图像分类研究

针对工业生产中金属表面缺陷识别存在人力消耗大、效率不高等问题,提出改进的VGG16网络金属表面缺陷图像分类方法。以VGG16网络为基础,引入注意力机制CBAM增强特征学习能力,引入Inception网络结构拓宽网络宽度,以此增强模型非线性能力;对输入图像做数据增强处理,提高网络模型鲁棒性。实验证明,改进的网络模型在数据集GC10-DET上准确率达到90.23%,在数据集NEU-CLS上准确率达到98.84%。实验结果表明该方法在金属表面缺陷分类上具有良好的实际应用意义。

基于AMF-VGG16的面部表情识别

随着深度学习的再度兴起,情感识别领域得到了飞速的发展,表情作为人类情感表现最直接的形式,引起许多学者的关注。本文对面部表情识别(Facial Expression Recognition,FER)进行深入探讨,以经典VGG16模型为切入点,针对其存在的问题,提出基于AMF-VGG16算法的面部表情识别模型。首先,通过局部二值模式(Local Binary Pattern,LBP)及Sobel算子处理图像以强化特征作为模型输入;其次,针对VGG16模型存在的缺陷做出优化,包括精简训练参数,即将第四个卷积组的特征通道数量减半,前两层全连接层中的神经元数量减少至256,以及深浅层特征融合完成信息互补;最后,引入空间及通道注意力机制进一步提升模型识别性能。在CK+及Fer2013数据集上实验的准确率分别达到了99.7421%和66.78%,较VGG16模型提升约6%和4%,较其它模型的性能也有一定的提升,说明了本文提出模型的有效性。

基于改进的VGG-16网络结构的焊缝缺陷识别技术研究

焊接技术在多个领域广泛应用,近年来焊缝缺陷的自动检测已成为研究的热点。本文针对铝合金熔焊焊缝的X射线图像,采用VGG-16卷积神经网络作为基础网络,提出了一种SC-VGG的新型网络结构。该结构通过引入多尺度合成卷积层来替代传统的单一卷积层,优化了训练过程中的损失函数,使网络更加聚集于焊缝缺陷类型的精确预测。实验结果表明,SC-VGG网络结构在训练过程中展现出了良好的收敛性。与其他网络相比,SC-VGG网络在提取焊缝缺陷特征方面表现优异,其平均准确率和召回率分别达到了95.86%和98.33%,为焊缝缺陷的自动化分类提供了算法支撑。

基于改进VGG16的射流式鱼泵内鱼类损伤的图像识别与分类

鱼类损伤分类研究对捕捞作业过程中的鱼类健康状况监测具有重要意义。针对现有鱼类损伤研究中存在的未准确分类损伤类型的问题,在射流式鱼泵捕捞作业时鱼逐条通过泵喉管的特殊场景下,本文使用高速摄像机拍摄鱼通过泵的过程,建立了鱼类损伤数据集,提出了一种基于VGG16改进的S-VGG卷积神经网络分类模型。损伤分类实验表明,S-VGG模型的损伤分类准确率为96.52%,比ResNet16和GoogLeNet分别提高了0.96%和8.2%。与VGG16模型相比,本文所提出的S-VGG模型仅有9层,整体参数减少了93.75%,有效地降低了模型训练所需的计算成本。本研究采用迁移学习方法进一步优化了S-VGG模型初始权重。结果表明,经过迁移学习的S-VGG*模型准确率达到了99.70%,比未进行迁移学习的S-VGG模型提高了3.18%。本研究建立的S-VGG*模型取得了良好的鱼类损伤分类效果。

基于改进VGG16图像分类方法研究

针对神经网络模型在训练过程中遇到的收敛速度慢和测试样本不平衡导致的准确率降低问题,提出了一种基于改进VGG16图像分类模型的LBF-VGG16(Leaky-Bactch-Focal-VGG16)。该模型将原Relu激活函数替换为Leaky Relu,并在卷积层与激活函数之间引入BN层,以优化收敛效果。在训练过程中,采用SGD优化器,并融入Focal Loss损失函数。试验结果表明,LBF-VGG16模型在分类效果和收敛速度方面较改进前均有显著提升。

基于自适应调整VGG16模型的乳腺癌风险预测

乳腺癌的早期诊断可增加癌症治愈的几率,因此提升早期诊断的正确性非常重要。文中结合深度学习框架Pytorch,提出基于深度学习自适应调整VGG16模型(Ad-VGG16)应用于乳腺癌良性恶性分类预测方法。通过利用学习率自适应调整和正负例样本均衡化来优化过拟合和局部最小值问题,采用交叉验证来提高网络的泛化能力,结合修改VGG16网络第一个全连接层以适应任意大小的输入样本。采用VGG16、ResNet18和Ad-VGG16三个模型对DDSM数据集进行正常、良性、恶性分类预测。实验数据表明,与VGG16和ResNet18网络相比,Ad-VGG16网络具有更好的分类准确度,最终的测试分类准确度为94.3%。

基于改进VGG-16深度学习网络的防护面罩佩戴识别

为高效识别打磨焊接作业人员是否佩戴防护面罩,提出了改进VGG-16的深度学习模型,构建了基于VGG-16的深度特征提取网络挖掘图像的重要信息。为解决VGG-16网络对图像局部特征和全局结构信息捕捉的不足,建立基于坐标注意力的空间位置信息感知机制,增强对图像位置和通道信息的关注。最后,建立基于多层全连接层的分类网络输出识别结果。实验表明,该模型对打磨焊接作业人员是否佩戴防护面罩的识别准确率、精确率、召回率和F1分数分别达到95.88%、96.48%、95.25%和95.86%,具有比传统人工巡检方法更好的效果。

基于VGG16预训练模型的睑板腺缺失程度识别

建立基于VGG16预训练模型的睑板腺缺失程度识别系统.收集福建医科大学附属第二医院2015年1月至2020年12月2 000例患者的睑板腺图像.通过图像预处理、标注、裁剪等构建4 364张睑板腺MGH小数据集.利用VGG16的迁移学习方法,在小样本情况下进行睑板腺缺失程度识别,并探讨不同优化方法、学习率、迭代次数、批量大小、数据集划分比例对识别准确率的影响.当优化器为Adam、学习率为10-5、批量大小为60、迭代次数为100、训练集测试集比例为7∶3时,模型识别效果最好,准确率为90%,模型评估每张图不超于3 s.

时频特征联合VGG-16的风力发电机齿轮箱故障诊断方法

针对传统风力发电机齿轮箱故障诊断存在效率低、实时性较差、准确率偏低等问题,本文提出了一种时频特征联合深度学习的风力发电机齿轮箱故障诊断方法。通过实时测取的箱体振动信号,利用离散小波转换提取信号的时频特征,并联合改进的VGG-16模型,完成齿轮组不同类型故障的诊断。实验结果表明,所设计诊断方法的Recall和mAP值较高,分别为93.51%、91.85%;断齿、磨损以及根裂故障的诊断准确率均在90%以上,且检测实时性良好,能较好地满足实际应用需求。

时频能量谱与VGG16结合的车轮扁疤损伤程度估计方法

为了实现对运营中车辆车轮扁疤损伤程度的实时精准监测,提出了一种时频能量谱与VGG16卷积神经网络相结合的车轮扁疤损伤程度估计方法,该方法通过对车辆运营中轴箱振动加速度信号的分析处理来实时定量估计车轮扁疤的损伤程度。建立了车辆轨道刚柔耦合系统动力学模型和车轮扁疤数学模型,仿真计算不同扁疤损伤工况下的车辆轴箱振动响应。运用形态学滤波器以及完全噪声辅助集合经验模态分解结合Wigner-Ville分布的时频分析方法,将轴箱振动加速度信号滤波降噪后表达在时频能量谱中。构造了VGG16卷积神经网络模型,通过大量车轮扁疤故障数据的时频能量谱构造的训练集来训练VGG16模型。随机仿真若干车轮扁疤工况,对训练完善的VGG16模型进行测试验证。仿真试验表明,运用时频能量谱与VGG16模型结合的方法能准确地估计运营中车辆的车轮扁疤损伤程度,估计误差在1.6 mm内。

融合VGG与注意力的学生微表情识别和情绪评估方法

在智能课堂中,实时掌握学生的情绪状态对于提高教学质量和个性化教育具有重要意义。引入通道注意力机制,对VGG16卷积神经网络进行改进,结合多层感知机,提出了VGG16_SE_MLP模型用于学生微表情分类识别以及情绪评估方法。首先对微表情数据集进行预处理,然后进行特征提取,在卷积层后面引入SE模块,并加入批归一化层防止过拟合,通过MLP计算得到新的特征向量以及微表情类别,最后对学生情绪进行评估。实验结果表明,该方法在微表情分类识别和情绪评估效果性能良好,为智能课堂提供了新思路。

基于微调型VGG16的登海605玉米品种鉴别方法研究

针对传统的种子鉴别方法主要依靠人工鉴别,主观性强,费时费力,效率低下。以鉴别玉米品种登海605为例,利用深度学习和卷积神经网络相结合的方法,构建胚面、胚乳、双面混合3类数据集。对VGG16模型用不同FT(Fine-tuning)策略进行微调,结果表明,在FT75%训练策略下模型的测试准确率最高,在3类数据集上均为100%,同时在FT75%-VGG16探讨了不同数量全连接层神经元数量对网络性能的影响,最终选定2048为最终神经元数量。

基于注意力机制的轻量化VGG玉米籽粒图像识别模型

玉米是重要的生产资料,为实现对玉米种子的识别与保护,实验采集了5个玉米品种,经处理后共获得1778张玉米籽粒图像,建立胚面与胚乳面混合的数据集。按7∶2∶1的比例划分训练集、验证集和测试集。首先基于迁移学习选取DenseNet121、MobileNetV2、VGG16和GoogLeNet对玉米籽粒图像进行识别,在测试集上的准确率分别是94.32%、93.18%、95.45%和92.61%,由于在VGG16上的准确率最高,所以选择对VGG16进行改进,在对模型进行轻量化处理的同时引入通道注意力SE模块,构建一个新的网络模型L-SE-VGG,并与未预训练的VGG16、迁移学习的VGG16和不加SE模块的L-VGG进行对比,最终在L-SE-VGG上的识别准确率高达98.86%。研究为深度学习技术在玉米籽粒品种识别中的应用提供了新的有效策略和实验方法,为玉米籽粒品种的识别和检测提供了参考。

改进的VGG16在水稻稻瘟病图像识别中的应用

针对水稻稻瘟病中人工识别的效率低、识别能力差和识别技术应用不普及的问题,提出基于改进VGG16模型的稻瘟病病症精准识别模型——VGG16-H。首先,建立水稻稻瘟病的病斑图像RiceLeafs数据集,利用计算机视觉和OpenCV将RiceLeafs原始数据进行随机旋转、随机亮度变换、随机对比度等操作,以扩充样本数和增强数据;其次,在传统VGG16模型的基础上,减少卷积核数,增加Dropout层和GN(Group Normalization)层,以减少模型参数,降低运算负荷,提高检测性能,加快模型收敛;最后,通过PyTorch深度学习平台训练,使用卷积神经网络(CNN)构建VGG16-H模型。实验结果表明,VGG16-H模型的训练识别率比支持向量机(SVM)和VGG16模型分别提高了2.4和0.8个百分点,测试识别率分别提高了2.4和1.6个百分点。验证了VGG16-H模型能在计算资源有限、水稻病病斑分散条件下提高模型的识别率且不增加过多的训练时耗,在实际农业运用中具有较好的效果。

基于改进VGG-16网络模型的苹果病害识别

针对苹果叶面病害识别问题,文章在对现有的VGG网络模型研究的基础上,提出了一种在VGG-16网络模型基础上进行改进的方法,即VGG-16-BN模型.首先对西北农林科技大学制作的数据集进行处理,然后将max pooling层替换为sort-pool2d池化层,使模型更快地收敛,最后在每一卷积层后增设BN层,加快训练速度,防止过拟合.实验结果表明,新的网络模型在数据集中的准确率相较于未增设BN层有了一定提高,其准确率达到96.67%.

基于SVDD与VGG的纽扣表面缺陷检测

为解决纽扣表面缺陷检测中人工效率低下,且无需对纽扣表面瑕疵进行分类的问题,提出一种基于DEEP SVDD与改进VGG16的纽扣表面缺陷检测模型。在VGG16中增加BN层加快网络收敛;为提升网络特征提取能力引入SE注意力模块;使用全局平局池化替代全连接层,减少模型参数量,使模型更加健壮。实验结果表明,改进后的模型在DEEP SVDD中的两种方法软边界及一类方法的AUC值分别提升7.7%、5.9%,均高于96%,单张检测时间仅4.5 ms,模型性能满足实际要求。

基于VGG16图像特征提取和SVM的电能质量扰动分类

针对传统电能质量扰动分类方法需人工选取特征量,易受人为经验干扰的问题,提出一种基于VGG16图像特征提取和支持向量机(SVM)结合的电能质量扰动分类方法。通过格拉姆角场(GAF)将电能质量扰动信号映射到极坐标系中,生成格拉姆矩阵,并转换为二维扰动图像;利用VGG16网络自动提取图像特征的特点,将扰动图像输入VGG16网络中进行提取;将提取的特征数据作为SVM分类器的输入,并引入十折交叉验证对SVM进行训练,以提升分类器的性能,最后对扰动信号进行准确分类。仿真结果表明,该方法对于电能质量扰动的分类具有较高的准确率。