小世界网络在VGG模型中的应用研究

深度学习与传统的浅层学习主要的区别在于模型结构的深度,较深的网络结构能够较好的捕捉到数据的潜在特征,从而达到较高的识别性能。但是,在当今的大数据时代中,随着数据集的规模和多样性的增长,如何提升深度学习模型的准确率及加快模型的收敛速度一直是研究的热点和难点。首先,提出了基于小世界网络的深度学习模型优化研究方案,并以VGG模型为例,结合构造小世界模型的方法——NW(Newman-Watts,NW)随机化加边算法来改变卷积神经网络VGG的拓扑结构,使其具备一定的小世界特性,以提升网络的收敛速度及识别度。然后,利用优化后模型在cifar10和cifar100数据集上的训练集损失和测试集准确率来判断该模型的性能,其相较于未优化模型在两项指标上均有一定的提升。

基于复剪切波变换与VGG19模型的医学图像融合方法

针对传统医学图像融合方法存在的细节信息不够清晰、边缘信息易丢失和图像失真等缺点,以及深度学习网络缺乏足够的训练数据集等问题,提出了一种基于复剪切波变换和预训练网络模型VGG19的多模态医学图像融合方法。首先,利用复剪切波变换提取医学图像边缘和纹理信息,并得到多尺度、多方向的子带系数。然后,使用加权局部能量和修正的拉普拉斯算子对低频子带系数进行融合;引入预训练的VGG19提取多层特征图,结合加权评估规则来获取高频子带的融合结果。最后,对融合的高频和低频子带,施加复剪切波逆变换重构融合图像。实验表明,该方法得到的融合图像,不仅可以清晰地显示图像的细节信息和边缘信息,而且能够有效抑制伪影和失真现象的产生,在主观视觉比较和6种客观评价指标下能够达到更佳融合效果。

基于简化VGG模型的肺炎图像识别方法的研究

肺炎是一种广泛存在于全球的呼吸传染病,它会严重影响人们的生命和健康。因此,及时、准确地诊断肺炎对于预防和治疗疾病具有重要意义。目前,基于深度学习的肺炎图像识别方法已被广泛研究,并取得了较好的效果。本文提出了一种基于简化VGG模型的肺炎图像识别方法。该方法通过对VGG模型的简化,使得模型训练更快、耗费更少的资源,并且在准确率上并未大幅降低。实验结果表明,所设计的模型在训练时,每个epoch的训练时间大约为原VGG模型的1/3,同时,在测试数据集上的准确率也高达90%以上,表明该方法在肺炎图像识别方面具有很大的应用潜力。

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.

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。

基于轻量化VGG16和BCBAM的电力设备故障红外图像诊断识别

由于电力设备的各种缺陷会影响电网的正常运转,严重的缺陷甚至会给生产和生活带来重大损失,因此快速准确地识别电力设备故障具有重要意义.红外图像特征对具有发热特征的电力设备缺陷具有较好的表达能力.使用基于深度学习算法的缺陷目标识别时,借助CNN网络可以提高缺陷故障特征的学习和提取能力,从而具有更好的泛化性能.据此,研究提出了基于改进VGG模型的故障诊断识别算法,算法通过优化全连接层,减少网络的计算量,同时将BCBAM注意力机制嵌套到网络模型中,从而提高算法故障诊断识别准确率.实验数据表明,该模型具有准确的故障识别能力,在准确率评价指标上优于Faster-RCNN、Resnet50以及传统VGG16等模型,从而验证了算法诊断识别故障的准确度.

改进型VGG算法对小样本路面破损的分类识别

为解决小样本沥青路面破损图片在分类识别中存在的识别精度差的问题,选择常见的5种路面破损类型,提出了一种基于VGG的浅层深度卷积神经网络模型的路面破损图像分类方法.首先,将采集到的图像集进行预处理并自制成数据集.其次,设置三种不同的批处理量尺寸和两种不同的网络层数作训练,选择最适合该网络模型的尺寸,得到浅层VGG模型.将处理后的路面图片直接作为模型的输入,作模型的训练、验证及测试.最后,将模型试验结果与支持向量机及目前主流的深度卷积神经网络模型的试验结果进行对比.结果表明:浅层VGG模型在训练集、验证集及测试集的分类准确率接近,对路面破损图像的分类识别准确率都达到98%以上,表现出模型良好的识别能力;与支持向量机及目前主流的网络模型试验结果相比,浅层VGG网络模型训练耗时少且泛化能力更强,模型提取到的特征更丰富,可获得更加全局的信息.可见,浅层VGG模型在对小规模图像的分类识别中具有显著优势,同时相比其他方法更具鲁棒性,结果更精确.

基于CBAM-VMFC模型的化纤丝饼质量缺陷识别

针对当前化纤产品的质量检验主要依靠检验员人眼识别,具有极强的不稳定性,而传统的图像识别技术需要依照特定缺陷设置特定模型检测,通用性较弱的问题,提出一种基于混合注意力机制和改进全连接层的VGG网络(Convolutional Block Attention Module-VGG with Modified Fully Connected Layer,CBAM-VMFC)模型,用于化纤丝饼缺陷的图像识别。对大面积的绊丝、纸管破损和小面积的毛丝图像进行分类识别。首先以过采样的方式缓解样本不平衡问题,然后将原始的3个全连接层调整为大小为256和1的2个全连接层,并运用Dropout方法防止过拟合,最后在卷积层与全连接层之间加入混合注意力机制CBAM模块,获得基于空间域和通道域的感兴趣特征。结果表明,该方法能有效减少440 MB的内存计算量,加快模型收敛速度,有效识别丝饼外观瑕疵的准确率达97.5%,可满足工业运用的需求。

基于改进的VGG16模型的副热带高压相似识别及应用评估

台风预报除常规方法外,查找历史相似作为预报和决策的参考依据是常用手段,但从海量历史台风中检索相似费时费力。提出了一种基于改进的视觉几何组模型VGG16的副热带高压(以下简称副高)相似检索方法,进行基于副高相似的历史相似台风查询。通过对1979—2020年台风季19736个对应时次的副高图像提取、数据增强、模型学习和优化,并以学习感知图像块相似度(learned perceptual image patch similarity,LPIPS)作为副高相似的度量指标,最终建立了改进的VGG16模型。试验结果表明,使用该模型可以找出较为相似的历史台风,模型检索得到的排名第一的历史相似台风与目标台风相似度高达92.55%,该方法可为台风预报业务人员提供了积极参考。同时,该模型相较于传统的人工识别,识别时间较短、检索效率高,可在业务及科研中推广应用。

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。

纤维混凝土桥梁外表裂缝检测技术的仿真模型实验

为提高桥梁表面路面纤维混凝土裂缝检测的准确率,提出一种基于机器学习的纤维混凝土裂缝检测方法。方法以VGG16模型为基础分类识别模型,并在卷积层和全连接层后添加relu函数,同时在全连接层引入dropout,提高了模型的运行速率和识别精度,实现了对不同环境下桥梁裂缝图像的高速率高精度检测。仿真结果表明,相较于标准VGG16模型以及常规检测识别模型Canny模型和Sobel模型,所提改进VGG16模型可实现桥梁纤维混凝土裂缝图像的检测识别,且具有更好的识别准确率,训练准确率和测试准确率分别达到98.65%和97.89%,具有一定的实际应用价值。

基于VGG的SPECT骨扫描图像关节炎分类

核医学SPECT是主要的功能成像模态,在骨转移、关节退行性改变等疾病的诊治中发挥着重要作用.关节炎是常见且多发性生理疾病,临床上容易在骨转移特别是溶骨性转移之间产生误判.为了从SPECT图像中可靠识别关节炎病变,借助于深度学习的特征自动提取功能,研究并构建了面向关节炎自动诊断的SPECT图像分类器.首先,对SPECT骨显像数据进行归一化及扩展处理,适度扩充数据量并转化到模型要求的数据格式;其次,基于标准的VGG模型构建具有不同深度的关节炎分类器;最后,使用一组真实SPECT全身骨显像数据,对构建的分类模型进行测试.实验结果表明,构建的分类器可有效检测关节病变,获得的准确率、AUC值、精度、召回率分别为0.926、0.986、0.921、0.934.

基于VGG16迁移学习的轴承故障诊断方法

针对轴承故障诊断问题,提出基于VGG16卷积神经网络与迁移学习的故障诊断方法。首先将轴承原始振动信号数据利用信号转图像方法进行预处理,生成相应的目标数据集;然后将已经预训练过的VGG16模型在生成的目标数据集上训练并微调;最后将微调后的VGG16模型应用于故障诊断。将该方法分别在凯斯西储大学和辛辛那提大学的轴承数据集上进行验证,结果表明该方法能够取得接近100%的轴承故障诊断准确率,具有较好的应用前景。

基于SVGG16的乳腺肿块图像识别

针对基于深度学习的乳腺X线摄片肿块识别过程中的特征冗余问题,对VGG16进行了改进,减少模型中卷积层和卷积核的个数,提出一种精简的卷积神经网络模型SVGG16,用于感兴趣区域中肿块的识别.同时,为避免网络模型受小样本量限制出现过拟合现象,通过旋转与翻转操作对感兴趣区域进行数据增强.通过实验对网络模型的性能进行评估,结果表明:SVGG16模型的准确率、精确度、敏感度以及F1_score等评价指标分别达到了90.34%、89.87%、88.75%和0.89,明显优于其他已有的卷积神经网络模型,同时其计算效率也明显高于原始VGG16模型.

基于VGG网络的古籍版面图像差异性比较方法

针对传统特征提取方法在对古籍文字图像进行匹配时准确率较低,从而影响古籍版面图像差异性比较准确性的问题,提出基于VGG(Visual Geometry Group)网络的古籍版面图像差异性比较方法。该方法首先由VGG网络模型利用构建的差异性文字图像库进行训练得到卷积神经网络分类器;其次,对版面图像进行文字切分得到单字图像,将其输入到分类器中获取有效的字符级比对结果;最后,利用该结果,并对滑动窗口比较算法加以改进,利用键值对形式的数据结构来存储比较位置和比对结果,通过对比较位置进行映射的方式,避免比较过程中重复位置文字的二次比对问题,最终得到待比对的2幅古籍版面图像的文字差异位置并予以标记,以便于文献版本学研究。在对不同阁本《四库全书》版面图像的实验中,其标记准确率为89.7%,表明该方法有效提高了版面图像差异性比较的准确性。

基于改进注意力机制的认知障碍病程分类

阿尔茨海默病(AD)是一种发病进程缓慢、随着时间不断恶化的神经退化性疾病,在老龄化的趋势下,AD患者数量日渐增加。因此,如何对其予以早期精准诊断并进行正向干预是急需解决的问题。为提高计算机辅助诊断的效率,同时促进疾病的病理生理机制研究,提出了改进的基于SE模块二维双路径融合网络的分类方法,在网络中加入缩减系数模块,增加图片有用信息占比;对通道注意模块的权重函数重新设计,增大特征图间差异,联合二维双路径网络,增大网络倚重点,达到更好分类性能的同时,防止模型过拟合。使用ADNI数据集对AD、EMCI、NC进行二分类,实验表明所提出模型准确度相比于VGG和二维双路径融合模型分别提高了5.59%和8.11%,与其它先进方法进行比较验证了所提方法的可行性。

基于VGG13的水果图像识别

运用人工智能领域的图像识别技术能有效对水果进行分类检测,大大降低人工成本。而在图像识别领域,最流行的就是卷积神经网络了,VGG网络是当前流行的经典卷积网络之一,使用包含多个33的小卷积核的卷积层来代替拥有更大的卷积核的卷积层,使深度增加,能学习更复杂的模式,但参数却减少了,学习的更快。构建了VGG13这种经典的卷积神经网络,在此基础上训练了一种水果图像多分类算法模型,对水果图像的分类有较高的准确率。

基于神经网络的面包销售系统

随着人们生活节奏加快,面包等烘焙类食品逐渐成为大众早餐甚至正餐的选择,烘焙行业的兴起也成为必然。而随着买面包的人越来越多,如何避免排队付款的“长龙”便成为亟需解决的难题。使用VGG神经网络模型对面包的纹理进行特征提取,构建了一整套智能面包销售系统,包含面包生产商和门店店员管理产品信息的后台管理端、支持拍照查询面包产品信息的客户小程序端以及和系统数据库相连的门店自助结算平台。这套系统不仅能让上游生产商更有效率地对面包批量定价,避免下游实体店篡改产品信息,还能加快顾客在实体店挑选产品和结账的速度,使交易更加便捷。

基于深度迁移学习的齿轮故障诊断方法

针对齿轮故障样本欠缺问题,提出一种基于Hilbert-Huang谱和预训练VGG16模型的迁移学习故障诊断方法。对振动信号进行经验模态分解(Empirical Mode Decomposition,EMD)得到本征模态函数(Intrinsic Mode Function,IMF),同时取相关系数最大的IMF做Hilbert变换,获取时频谱;利用预训练VGG16提取变负载下和各健康状态下齿轮的Hilbert-Huang谱图像特征;采用全局均值池化层取代VGG16模型部分全连接层,进行分类输出。实验结果表明,在少量的样本数据下,该方法的齿轮故障诊断准确率达到98.86%,优于TLCNN和Tran VGG-19等迁移学习方法,证明了该方法在齿轮故障诊断中具有一定研究价值。

基于深度学习的高分辨率食管测压图谱鉴别

高分辨率食管测压技术(High-Resolution Manometry,HRM)被广泛应用于食管运动诊断,而芝加哥分类的方法难度大、耗时长、效率低,且随着HRM图像数据量的爆炸式增长,误诊率也随之增加。为了提高临床诊断的准确率与效率,本文将搭建一个更加高效的计算机辅助诊断系统帮助医生对HRM图像进行自动判别分析,提出了改进的深度学习模型(Improved-VGG)来完成对HRM图像食管收缩活力的正常收缩、全段增压、弱收缩、无效收缩分类的任务,该模型中增加了Batch Normalization层和Dropout层,显著提升了HRM图像分类的训练速度,并修改了卷积核大小,用更大的卷积核提取特征。实验使用了2520幅专家标记的HRM图像,用于训练、验证和测试的图像分别占比为70%,10%和20%。实验结果表明,在测试集上,食管收缩活力分类器的分类准确率和精度分别为97.20%和93.97%,特异度和召回率分别为98.05%和93.97%。本文的正常收缩、全段增压、弱收缩、无效收缩分类(NFWIC)模型能较好地适应HRM图像数据的特性,其临床实践应用将提高医生的诊断效率。