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。

基于视觉注意VGGNet的中厚板低碳钢多层多道熔池分类模型

重大装备制造中厚板机器人多层多道焊(multi-layer and multi-pass welding,MLMPW)一直是热点和难点,而实现机器人MLMPW的核心是对其熔池的获取、监控并分类.为了提高MLMPW的自动化和智能化,有必要开发一个熔池图像在线分类系统.针对焊接过程中的熔池图像提出了一种新的MLMPW熔池分类方法——基于视觉注意的(SENet)VGGNet熔池分类方法.为了提高效率和精度,引入迁移学习中的预训练模型到网络训练过程中.因为针对中厚板多层多道熔池研究较少,导致熔池公开数据集较少,为了应对这一问题,需要对数据集进行增广.结果表明,提出的模型可快速有效的对七类MLMPW熔池进行准确分类,预测精度可达到98.39%.

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BiLSTM-VGG16的多模态信息特征分类研究

信息传播正逐渐从文本、图像、音频、视频等单模态形式过渡到相互融合的多模态形式,且数据量飞速扩张。大规模数据需要庞大的存储空间,如何对海量的文本、图像等多模态数据进行有效分类变得至关重要。文章提出一种基于深度学习的多模态语义特征分类模型,解决图像文本形式的多模态数据的分类问题。在该模型中,利用BiLSTM(双向长短期记忆模型)设计文本特征提取模型,利用VGG16卷积神经网络设计图像特征提取模型,将两类深度神经网络提取出的文本特征与图像特征进行特征融合,进而实现多模态信息的分类。在NUS-WIDE公开数据集上的实验结果证明了该方法的有效性。

基于VGG16-SVM-SSA的产品表面质量检测方法

针对传统视觉检测方法容易出现漏检、错检、识别效率低等问题,提出一种基于深度学习的产品表面质量检测方法,加速产线检测效率和提高质量控制智能化水平。首先,从产品表面质量检测基本流程出发,进行产品表面质量问题建模。在此基础上,构建改进的VGG16网络模型进行图像识别,该模型采用支持向量机(SVM)代替VGG16网络模型中的softmax分类器,并引用麻雀搜索算法(SSA)进一步优化SVM超参数,从而增强模型分类精度。同时搭建图像缺陷特征知识库,完善标准产品表面缺陷数据体系。最后,设计开发了基于深度学习的工业云平台质量检测系统,实现产线、设备、人员之间的高效交互联通,以及产品表面质量数据的实时采集、传输、智能检测和数据管理,采用铸造叶轮案例验证了所提模型和方法的可行性。

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。

基于迁移学习和逻辑回归模型的花卉分类研究

【目的】不同种花卉之间的相似性以及同种花卉内部的多变性加大了花卉图像分类难度,其难点是要人工设计出能充分体现花卉颜色、形状和花瓣形态等特征的特征提取方法。传统的花卉图像分类方法的精度不高且模型的泛化能力较差,这些问题亟待解决。【方法】课题组提出一种基于数据增强的VGG16迁移学习卷积神经网络提取花卉图像特征,再训练多类逻辑回归模型的花卉图像分类识别方法;并且通过在flowers17和flowers102花卉数据集上进行测试,来验证课题组所提出的花卉分类识别方法的有效性。【结果】课题组所提出的花卉分类识别方法在flowers17和flowers102数据集中分别达到了97.89%和92.10%的分类精度,高于现有其他花卉图像分类方法。【结论】通过预训练的深度人工神经网络提取的高区分度的花卉图像特征,优于人工设定的花卉图像特征,能训练出更高效精准的花卉识别分类器。基于本研究内容,下一步可对VGG16网络进行降维改进,让模型参数减少,从而实现快速实时应用。

基于SVM⁃FTVGG16的岩屑检测方法

岩屑图像的岩石位置检测一直都是地质勘探研究的重点之一。传统的岩屑检测方法采取人工提取特征的方式,难以获取更深层的和更抽象的语义特征,又由于岩屑图像采集的数量较少,往往不能满足深度学习所有大量训练数据集的要求,会降低其识别效果。为解决岩屑图像识别困难和准确率问题,提出一种基于SVM⁃FTVGG16的目标检测方法。该方法采用迁移学习的方法在VGG16网络的基础上,训练岩屑图像检测FTVGG16网络模型,并使用FTVGG16网络自动进行特征提取,采用SVM分类器进行分类。最后基于非极大值抑制的方法确定目标的最终位置。实验结果表明,基于SVM⁃FTVGG16的岩石目标检测算法在检测精度上有了很大提升。

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。

一种基于选择性卷积特征和最大后验高斯混合模型的细粒度图像分类算法

提出了一种新颖的细粒度图像分类算法。首先从神经网络VGG 16中提取出卷积特征后进行特征筛选,得到选择性卷积特征;然后利用最大后验高斯混合模型对特征进行分类,从而解决细粒度图像分类问题。造成细粒度图像分类困难的主要原因是类内差异和类间差异。利用卷积特征对图像具有更细致的描述能力,可以有效地减小类内差异;同时,对从VGG 16中得到的卷积特征进行筛选,能够较大程度地摆脱背景干扰,从而提高类间差异。最后,采用基于最大后验的高斯混合模型对这些选择性卷积特征进行分类。实验结果表明,本文算法不仅克服了两种差异带来的问题,还解决了传统高斯混合模型缺少大量实验数据的困难。在目前流行的5种细粒度图像数据集上,本文算法都有更好的分类效果。

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.

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。

自然环境下多类水果采摘目标识别的通用改进SSD模型

为解决当前自然环境下水果识别率不高、泛化性不强等问题,该文以苹果、荔枝、脐橙、皇帝柑4种水果为研究对象,提出了一种改进的SSD(single shot multi-boxdetector)深度学习水果检测模型:将经典SSD深度学习模型中的VGG16输入模型替换为Res Net-101模型,并运用迁移学习方法和随机梯度下降算法优化SSD深度学习模型。该文基于Caffe深度学习框架,对自然环境下采集的水果图像进行不同网络模型、不同数据集大小和不同遮挡比例等多组水果识别检测效果对比试验。试验表明:改进的SSD深度学习水果检测模型对4种水果在各种环境下的平均检测精度达到88.4%,高于经典SSD深度学习模型中的86.38%,经过数据增强后平均检测精度可提升至89.53%,在遮挡面积低于50%的情况下F1值能达到96.12%,有较好的泛化性和鲁棒性,可以很好地实现自然环境下多类水果的精准检测,可为农业自动化采摘中的水果识别检测问题提供新的方案。

一种多网络模型融合的烟雾检测方法

为降低云雾等类烟雾目标引起的烟雾检测虚警现象,提出一种多网络模型融合的烟雾检测方法。在采用VGG16网络提取烟雾细节特征的基础上,与ResNet50网络特征提取层进行融合,提取到更多细微特征,采用跳跃连接机制将图像信息传递到神经网络的更深层,避免烟雾图像重要特征的丢失,并解决因梯度消失导致的欠拟合问题。训练过程采用基于同构空间下的特征迁移学习方法,解决小样本训练难题,在新的目标检测领域进行重新训练,更有利于将网络模型融合,重新搭建全连接层输出检测结构,采用随机失活的方法,提高模型泛化能力。实验结果表明,与目前流行的深度卷积网络相比,该方法虚警率低,准确率和召回率高。

融合格拉姆角场的深度特征学习在痕量气体浓度识别中的应用研究

针对气体绝缘金属封闭式组合电器(gas insulated switchgear,GIS)设备中痕量气体紫外分析光谱信号易出现吸收峰重叠的问题,提出了一种结合格拉姆角场(Gram's angle field,GAF)和VGG16改进模型的多组分痕量气体的定量检测方法。首先利用GAF将一维紫外光谱信号转换为时序图像,将光谱信号映射为具有丰富特征信息的图像形式,从而提升原始光谱信号的特征表达能力。其次将GAF特征图输入到VGG16改进模型中,实现痕量气体浓度的特征识别。最后通过不同浓度下采集到的CS2、SO2和H2S的单组分气体和混合气体,与卷积神经网络(convolutional neural network,CNN)、VGG16和SDP_VGG16等模型进行对比实验,并结合受试者工作特征曲线下面积(area under the curve,AUC)进行验证。结果表明,该方法可以有效地检测出SF6分解所产生的CS2、SO2和H2S痕量气体,是一种行之有效的特征提取方法。

基于迁移学习对棉花受海水胁迫情况判断的模型研究

为探讨人工智能技术热点之一的迁移学习技术对棉花受海水胁迫程度情况判断进行端到端识别的可行性,以浓度为0(蒸馏水)、25%、50%和100%的海水分别对30个棉花种质资源进行苗期胁迫20 d,将迁移学习应用于VGG16卷积神经网络,对不同浓度海水胁迫下棉花的顶视图和侧视图进行分类研究。结果表明,网络对棉花侧视图的测试准确率为80.00%,对顶视图的测试准确率为77.14%。基于VGG16和迁移学习可构建识别棉花受海水胁迫情况的模型,侧视图更有利于网络识别。2种视图下,网络对0和100%浓度海水处理的识别能力更强。

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。

基于卷积神经网络的直肠癌淋巴结转移的智能判断模型研究

近年来,直肠癌的患病率普遍提高,准确判断直肠癌周围淋巴结的转移情况,能显著提高患者的治愈概率。通过建立数学模型,运用卷积神经网络模型进行智能判断直肠癌淋巴结转移情况。以直肠肿瘤患者动脉期的电子计算机断层扫描(computed tomography, CT)图像和肿瘤掩模图为样本,建立基于U-Net的CT图像识别分割模型,通过下、上采样分割出直肠肿瘤所在的区域,对肿瘤区域已转移淋巴结的普遍特征进行深度挖掘,利用尺度不变特征变换匹配(scale invarian feature transform, SIFT)算法自动找出肿瘤区域特征点,以及传统的特征纹理、面积、周长和体素强度,分别送入传统卷积神经网络模型和改进后的卷积神经网络模型VGG16网络模型,进行训练、预测、对比。结果表明:传统卷积神经网络模型的准确率在75.32%,而改进后的VGG16网络模型准确率在90.04%,可见,VGG16网络模型对直肠癌淋巴结转移情况的预测效果更好。

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。