基于VGG16卷积神经网络的5G高噪调制识别技术

随着第五代移动通信技术(5th Generation Mobile Communication Technology,5G)的快速发展,电磁信道环境趋向复杂。以采用人工智能技术提高5G通信调制识别率为目的,在低信噪比的高斯噪声背景下,模拟适用于神经网络算法模型输入的5G星座图数据集,基于Tensorflow2.0平台搭建16层几何视觉群网络(Visual Geometry Group Network-16 Layers,VGG16)卷积神经网络模型,通过算法设计与仿真试验,验证了高噪环境下5G调制识别技术的可行性。与业界现有的传统调制识别技术相比,采用VGG16卷积神经网络对5G的调制方式进行识别,可大幅提高识别的准确率,在实际的工程应用中取得了很好的效果。

基于VGG⁃19和MMD卷积神经网络模型的国画风格迁移

卷积神经网络因效果强大而被广泛应用于图像识别,在提取图像特征方面有极大的进步。由于风格迁移技术主要是针对西方油画,而国画是一种传统的中国艺术风格,其在风格迁移方向上缺乏广泛的应用。设计以国画代替西方油画作为风格图像,以自然景观照片作为内容图像,探究传统国画经过卷积神经网络后的提取效果。实验依据VGG算法模型并结合TensorFlow 2框架,对采集的数据集进行预处理,采集像素制成数据矩阵,输入VGG⁃19浅层模型进行训练,通过MMD最小化分布特征图差异,增强卷积层的目标效果。该方法取得比较满意的结果,可为风格迁移转换的研究提供更多参考。

基于迁移学习和VGG19卷积神经网络的苹果树叶片病虫害图像分类方法

[目的]传统的苹果树叶片病虫害识别方法存在识别准确率低、效率低等问题,亟需探索一种更有效的叶片病虫害图像分类方法。[方法]文章基于VGG19卷积神经网络,采用迁移学习策略,提出了一种创新的苹果树叶片病虫害图像分类方法。该方法借助ImageNet预训练的VGG19网络,通过参数迁移和模型微调,构建了专门的病虫害图像分类流程。并对该模型进行应用与测试,利用训练集调整参数、验证集优化模型、测试集评估分类精度。[结果]通过迁移学习,将经过ImageNet训练的VGG19模型成功微调至苹果树叶片病虫害数据集并生成了新的分类模型。新模型对各叶片病虫害的分类准确率均在99%及以上,对健康叶片的分类准确率达到了100%。[结论]在训练过程中,未见过拟合或欠拟合,表明迁移学习有效解决了数据稀缺问题,分类精度较高,具有强大的应用潜力。

基于卷积神经网络的学习疲劳检测研究

学习疲劳检测有助于教师获取学生的不良学习状态,从而进行针对性的干预,提高教学质量,促进学生身心健康发展。本文提出一种基于卷积神经网络的学习疲劳检测方法,该方法基于改进的SSD目标检测算法实现学生面部的实时精准检测,然后将面部图像输入改进的VGG16深度卷积神经网络进行学习疲劳特征的全面有效提取,实现学习疲劳的高效识别。实验结果表明,该方法既实现了人脸的精准定位,又显著提升了人脸检测速度,并明显地提高了疲劳识别的准确度。

螨虫图像特征可视化卷积神经网络研究

螨虫是古老的微型寄生害虫,它与人们的健康息息相关。文章借助基于数据驱动的深度学习技术对大规模螨虫影像进行特征学习分析,通过引入人工建模、AlexNet和VGG16经典的卷积神经网络等算法,并结合特征图可视化阐释了卷积的深层工作机理,对于螨虫相关的生物学领域及先进计算机视觉方法都具有一定的研究价值。经实验证明,文章采用数据特征提取结构不仅适用于螨虫图像的可视化研究,而且可以将此方法推广至其他研究领域,具有一定的鲁棒性,同时也为其他学科的可视化实验、研究提供了普适的方法。

基于改进卷积神经网络的苹果叶片病害识别

为了提高真实条件下苹果叶片病害识别准确度和识别速度,提出了一种基于改进的卷积神经网络苹果叶部病害识别方法,该方法是在卷积神经网络VGG16的基础上进行改进完成的。首先针对5类常见苹果叶片病害图片样本集合,采用数字图像处理算法(如旋转照片角度、增强降低图像亮度和锐度、添加高斯噪声等)进行数据集增强完成原有数据集的扩充,扩充后获得26377张苹果叶片病害图像,以增加样本多样性,提高模型的泛化能力。通过对叶片病斑特征的差异进行研究,比较了多种高效的卷积神经网络模型架构,最终选出VGG16网络模型作为基础模型,并对其进行改进,通过添加SK模块以及将全连接层改为全局平均池化,提升了模型的识别准确率以及网络稳定性,同时也加快了模型的收敛速度,提升了苹果叶片病害识别速度。试验表明,改进后的VGG16模型识别准确率高达96.17%,相对于VGG16模型提升了3.55百分点。试验结果表明,本研究为苹果叶片病害识别提供了一种可行的高性能解决方案,可有效提升苹果叶片病害的识别准确度和速度,也为深度学习和人工智能技术在农业信息化领域的应用探索了新的途径。

基于卷积神经网络的陕北传统窗棂纹样分类研究

基于卷积神经网络的陕北传统窗棂纹样分类研究通过对陕北传统建筑窗棂纹样进行数字化提取保护,解决人工对窗棂纹样的分类准确率不高及工作效率低下问题。通过陕北窗棂纹样特征和数据进行解析,提出一种基于卷积神经网络中VGG16模型方法,实验过程中各卷积层后采用ReLU激活函数,可以有效抑制过拟合现象,并提高模型的泛化能力。采用了数据增强方法,通过扩充窗棂图像的数量来增加模型的多样性,从而降低对数据的依赖程度,实验结果表明在基于VGG16网络模型中进行迁移学习的方式对陕北窗棂纹样的分类准确率达到94.62%。建立纹样分类数据库,通过输入纹样种类特征实时输出相关纹样图像,深入挖掘传统窗棂文化遗产的价值,充分展现纹样独特的视觉效果和艺术表达方式。

基于卷积神经网络的犬类识别技术研究

运用卷积神经网络方法对犬类识别问题提供一种有效的解决方案。首先数据集来源于斯坦福大学的120种犬类标准数据集,其次搭建了Alexnet与VGG16两种卷积神经网络的模型,经训练测试后两种卷积神经网络模型均可识别数据集中的犬类,最后通过验证集实验对比得出,搭建的VGG16卷积神经网络模型识别效果优于Alexnet卷积神经网络模型,其验证集的识别率达到了89.17%。

基于卷积神经网络的沥青路面裂缝损伤识别研究

裂缝病害对道路等基础设施的影响会随时间的推移逐渐增大,对路面裂缝进行检测是必要的。针对沥青路面裂缝病害存在的灰度值相似、检测精度较低等问题提出一种基于卷积神经网络VGG16的沥青路面裂缝识别方法,构建沥青路面裂缝数据集并划分为训练集、验证集和测试集,通过裁剪、旋转等几何变换进行预处理和数据增强,采用VGG16模型进行训练,对沥青路面是否存在裂缝进行预测。结果表明,在沥青路面裂缝数据集数量较少且环境复杂的情况下得到了较好的检测精度,其对沥青路面裂缝检测具有一定的工程应用价值。

基于卷积神经网络的天然地震和非天然地震识别

为实现天然地震和非天然地震分类识别,利用云南省及周边地区范围内测震台站所记录的302次天然地震和308次非天然地震事件(爆破、塌陷、强夯土等)为神经网络模型测试集、训练集数据,设计了VGG19卷积神经网络模型对天然地震和非天然地震进行分类识别。结果表明:VGG19对训练集与测试集数据的识别准确率达92%以上;天然地震的识别准确率为96%以上,非天然地震的识别准确率约为98%。通过实验说明,VGG19神经网络模型对天然地震和非天然地震识别具有实用意义。

基于VGG-16卷积神经网络的水稻疾病识别小程序

微信小程序用户群体多、范围广、操作灵活便捷等优点得到广泛使用,其“用完即走”的特点非常适合于解决农民对常见水稻虫害识别不熟悉的而导致农药滥用错用问题。为了实现自然场景下害虫实时精准被识别,构建基于VGG-16卷积神经网络的水稻害虫智能识别模型。根据水稻的叶片特征和发病自然场景,对VGG-16网络的卷积层局部调整,优化主要模型参数,实现针对水稻疾病的智能识别,在测试集上的平均准确率是91.3%,该小程序通过微信开发者工具进行编译,应用WXML、WXSS和Java Script技术,VGG卷积神经网络模型导入常见水稻虫害的数据集训练针对水稻的虫害识别模型,通过Https请求来调用远程服务器运行的模型应用,从而实现小程序识别多种常见水稻疾病的功能。该小程序平台能够帮助用户方便快捷地查询到水稻虫害类别,代替以往传统的农学专家人工辨认的过程,能够快速地进行根据农作物疾病类型进行对应的处理,有效提高水稻病害的防治率,实现精准防治的目标。

基于VGG卷积神经网络的动物特性识别与优化路径

使用卷积神经网络进行图像识别,可以大大降低图像辨识的成本,在二分类问题中尤其如此。VGG模型是一种相当流行的卷积神经网络,其特性在于以小卷积核和“网络块”替代传统神经网络中的大卷积核与神经网络层,这意味着其深度有所增加,同时具有较强的迁移性与改进潜力。通过测试发现,增加VGG块数的同时,搭配图像增强是可靠的改进手段;而增加epoch有利有弊,对网络进行dropout的成效不太理想。针对于此,实验构建了一个准确度为83.3%的轻量化VGG模型,该模型相较VGG-16而言要轻量化许多,表明根据合理的方向构建轻量化VGG模型用于动物识别是可行的。

基于VGG-16卷积神经网络的海水养殖病害诊断

海水养殖生物在养殖过程中会受到各种病害的影响,病斑特征的差异性非常适合利用图像识别技术做诊断.基于以上需求,本文设计了一种基于VGG-16卷积神经网络的海水养殖病害诊断模型,并采用随机梯度下降算法、防止过拟合技术来改进模型.实验结果显示,本研究模型相比其他传统网络模型效果更好,具有很高的识别精度、鲁棒性和泛化能力,可以准确快速地进行病害诊断,具有一定的扩展性和推广价值.

基于VGG-16神经网络图像风格迁移模型

图像风格迁移是人工智能进行艺术创造的一个重要方向。传统风格迁移技术通过逐像素迭代得到风格图片,训练耗时且迁移效果一般,无法广泛地应用于微端设备上。针对此问题,本文提出了一款轻量的图像风格迁移模型,该模型能够充分利用VGG-16卷积网络强大的图像特征提取功能。通过优化兼顾了图像内容和风格信息的损失函数,该模型能够在短时间内完成图像的风格学习,并迁移运用到目标图片上,所得到的迁移图片效果优于传统风格迁移技术。

基于轻量级神经网络的人脸表情识别研究

表情是人与人进行情绪交流的主要媒介,人脸表情识别是计算机视觉领域的一个研究热点,在众多领域中应用广泛。目前,主流的人脸表情识别技术主要基于传统的卷积神经网络,但其网络结构复杂,参数量和计算量庞大。轻量级神经网络通过引入深度可分离卷积技术,在不影响或轻微降低识别准确率的前提下,能够大幅度缩减模型的参数量和计算复杂度。在轻量级神经网络的人脸表情识别研究中,通过构建MobileNet和mini_Xception两种轻量级神经网络模型,以传统的卷积神经网络VGG16为比较基准,分别在FER2013和CK+两个数据集上展开人脸表情识别实验。在FER2013数据集上,两个轻量级模型准确率下降了1.39个百分点和6.10个百分点,参数量却仅为VGG16的8.11%和0.15%。同样,在CK+数据集上,模型准确率分别下降了2.53个百分点和2.02个百分点,参数量分别是VGG16的9.6%和0.17%。实验结果证明了轻量级神经网络模型MobileNet和mini_Xception在人脸表情识别任务中的优越性。

基于卷积神经网络的磁异常反演

针对传统反演方法存在的初始模型依赖、计算时间较长等问题,提出一种基于卷积神经网络的磁异常反演方法。该方法首先设计大量磁异常体模型,进行正演模拟产生样本数据集;接着借鉴经典的卷积神经网络VGG-13设计了一种全新的VGG磁异常反演网络(VGGINV);然后使用样本数据集训练该网络,并优化网络参数;最后对理论模型和实测数据进行反演实验。实验结果表明,该方法可以准确地反演出磁异常体的位置和磁化强度,具有较强的学习能力和一定的泛化能力,能有效解决磁异常数据反演问题。

基于卷积神经网络的结构化非平衡数据分类算法

卷积神经网络具有高效的特征提取能力和较少的参数量,被广泛应用于图像处理、目标跟踪、自然语言等领域。针对传统分类模型对于结构化非平衡数据分类效果较差的问题,提出一种基于卷积神经网络的二分类结构化非平衡数据分类算法。设计结构化数据处理算法Data-Shuffle,将原始非平衡一维结构化数据转换为三维数组形式的多通道非平衡数据,为卷积神经网络提供更多的特征值,通过改进的VGG网络构建适合非平衡数据的网络结构卷积组,以提取不同的特征。在此基础上,提出更新权重加权采样算法UWSCNN,在每个迭代次数之后,根据模型的训练结果对易错样本进行重新加权,以优化训练结果。在adult、shoppers和diabetes数据集上的实验结果表明,相比逻辑回归、随机森林等传统机器学习模型,所提的Data-Shuffle算法的F1值提升了1%~19%,G-mean提升了2%~24%,相比SMOTECNN、BSMOTECNN、SMOTECNN+CS等采样算法,所提的UWSCNN算法对非平衡数据的分类效果提升了1%~13%,有效提高模型对非平衡数据的分类性能。

基于改进的VGG-16卷积神经网络的肺结节检测

针对肺结节特征复杂、人工提取特征困难的问题,提出基于改进的VGG-16卷积神经网络的肺结节检测模型。首先采用阈值分割与处理最大连通区域后的图像进行掩模运算,得到肺实质部分。然后通过Regionprops标记每个连通区域序号分割出所有疑似结节;采用核函数极限学习机而不是Softmax函数作为VGG-16结构中的分类器。最后利用改进后的VGG-16模型去除假阳性结节,完成对肺结节检测。在LIDC-IDRI数据集上进行的实验表明改进后的模型能达到92.56%的准确率和94.44%的高敏感度。该模型可用于辅助医生进行肺结节诊断,具有一定的临床应用价值。

改进的VGG-16卷积神经网络算法在丁腈橡胶片材识别中的应用

针对VGG-16卷积神经网络识别丁腈橡胶片材时,出现了过拟合、参数量大、准确率较低的问题,提出在缩减原网络深度基础上改进的VGG-16卷积神经网络识别算法。通过嵌入多分辨率分组卷积、混合池化取代最大池化、增加自适配归一化(switchable normalization,SN)的方法,优化了网络结构。实验结果表明:该方法训练时未出现过拟合,参数量约下降至VGG-16的0.098%,相对仅缩减深度的VGG-16网络,识别准确率提高了7.17%,算法可应用于某些固体火箭发动机内绝热层材料的识别。

融合Focal Loss与典型卷积神经网络结构的水稻病害图像分类

快速高效地识别水稻病害的种类并及时采取有效的防治措施对避免水稻减产具有重要意义,为解决人工识别水稻病害效率低、识别精度不高、深度学习样本不平衡导致识别准确率不高等问题,融合Focal Loss与4种典型卷积神经网络结构对7种水稻病害进行分类识别。利用TensorFlow的Keras深度学习框架搭建卷积神经网络的图像识别分类系统,使用Focal Loss损失函数解决数据集不平衡导致识别准确率低的问题,采用ResNet50、ResNet101、MobileNetV2、VGG16作为特征提取骨干,对7种水稻病害进行识别。通过imgaug库增强数据,将13543张水稻病害图像按照9∶1的比例划分为训练集和验证集并参与训练模型,将1404张水稻病害图像作为测试集来验证模型的准确性。结果表明,所搭建的数据集中ResNet50、ResNet101、MobileNetV2、VGG16的识别准确率分别为98.06%、94.26%、92.47%、97.83%。可见,在融合Focal Loss损失函数的情况下,ResNet50作为特征提取骨干训练出的模型在水稻病害图像分类中拥有最高的准确率,该成果可在实际生产中实现水稻病害的自动分类识别,有助于水稻病害的防治工作。