基于LeNet-5模型的太阳能电池板缺陷识别分类

太阳能电池板是光伏发电组件的核心部件,其质量的优劣直接关系安全发电和发电效率。因此,对太阳能电池板进行缺陷检测具有重要的实际价值。考虑到人工检测的低效性和高成本,本文提出利用在深度学习领域图像分类性能良好的卷积神经网络对太阳能电池板图像进行自动识别分类。利用Tensorflow平台Tensorboard的可视化性能,对经典卷积神经网络Le Net-5模型进行结构改善和超参数的调整,并将改进LeNet-5模型与经典LeNet-5模型和支持向量机的分类结果互相对比,结果表明改进LeNet-5模型的分类效果最优。

TensorFlow下基于CNN卷积神经网络的手写数字识别研究

本文采用Tensor Flow的高层封装接口Keras搭建识别手写数字的卷积神经网络。卷积神经网络的输入首先通过卷积层获取字符图像的局部特征,通过池化层筛选特征,然后将所有特征转换为一维特征向量,最终通过若干个全连接层完成分类。首先完成手写字体识别卷积神经网络理论框架的搭建,然后使用Keras搭建具有预测功能的卷积神经网络,最后对MNIST测试集中的手写数字进行预测。

卷积神经网络在卫星遥感海冰图像分类中的应用探究——以渤海海冰为例

本文以TensorFlow为框架搭建卷积神经网络,基于迁移学习的思想,以经典的手写数字识别作为引入,对不同代价函数和激活函数组合对卷积神经网络模型分类结果影响进行了评价分析。以HJ-1A/B渤海海冰图像为实验数据源,分析了不同函数组合对遥感海冰图像分类的影响,优选出交叉熵代价函数与ReLU激活函数为最佳的组合,证明了卷积神经网络在遥感海冰分类中的应用可行性。对渤海海冰图像分类结果进行验证,其中带标签样本验证精度为98.4%。使用该模型对无标签的测试样本进行识别,讨论了样本的窗口尺寸对海冰分类结果的影响,发现在400×400小范围分类实验中最佳窗口尺寸为2×2;最后对整个渤海海域进行识别验证,效果较好。

可视化支持下CNN在个性化推荐算法中的应用

传统的基于协同过滤的推荐方法可以挖掘出评分中隐含的特征,但推荐过程时间长,且评分矩阵具有稀疏性,导致样本真实值与预测值间误差较大.神经网络通过批量训练可以较快计算出对象特征,卷积神经网络的局部感知与参数共享性使参数个数明显缩减,利用普通神经网络及卷积神经网络共同实现推荐可使计算时间缩短;通过调整神经网络的参数,为卷积神经网络设计合理的特征向量和卷积核大小,可以提升推荐速度和推荐准确性.实验表明,使用神经网络结合卷积神经网络进行推荐的方法能使推荐的绝对误差均值下降至0.67以下,大幅提升推荐的准确性及有效性.

基于YOLOv5网络模型的人员口罩佩戴实时检测

近年来,随着硬件算力的提升和人工智能算法的创新发展,使得深度学习算法在目标检测方面有着广泛的应用。针对现有人工方式查看人员口罩佩戴情况的不足,提出了一种基于深度学习YOLOv5算法实现对口罩佩戴情况的实时检测。算法首先将数据集进行归一化处理,再将数据接入YOLOv5网络进行迭代训练,并将最优权重数据保存用作测试集测试,算法通过tensorboard可视化显示训练和测试结果。实验结果表明,所提算法检测的准确性高,实时性强,满足实际使用需求。