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。

基于改进VGG16网络的小尺寸图像识别研究

在嵌入式系统和边缘计算中,为提高VGG16卷积神经网络对小尺寸图像识别的计算效率,通过调整模型全连接层数量、卷积核数量和使用全局平均池化替代全连接层等方式对VGG16网络进行改进,降低网络模型的可训练参数量。将改进的神经网络模型在图像增强的CIFAR-10数据集上进行训练,训练集达到99%以上的识别准确率,测试集可以达到90%以上的识别准确率,改进后的网络模型参数量较VGG16网络参数量减少了89.04%,验证了改进网络模型的有效性。

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VGG16网络的人脸情绪识别

近年来,如何通过人工智能对人的面部表情进行识别分析成为一个研究热点,利用人工智能可以快速地分析人的面部情绪,并以此为基础进行进一步研究。在深度学习中,传统的卷积神经网络存在对面部表情特征的提取不充分以及计算机参数量较大的问题,导致分类准确率较低。因此,提出了基于VGG16网络的人脸表情识别算法,通过与InceptionV3、InceptionResNetV2、ResNet50等模型实验对比,结果表明,VGG16神经网络在FER2013PLUS测试数据集上的识别准确率为79%,准确率比传统的卷积神经网络高。

基于VGG16的急性淋巴细胞白血病血液细胞显微图像人工智能辅助诊断分类研究

针对临床医学中急性淋巴细胞白血病(Acute Lymphoblastic Leukemia,ALL)血液细胞显微图像分类易错、费时等问题,本文提出了一种基于深度学习VGG16卷积神经网络模型的方法去获取医学图像中高纬度的病理信息。该方法首先将样本数据进行预处理,清洗出符合要求的训练集和验证集,其中还用到了超像素的方法用于训练样本的目标区域提取,然后再将预处理好的数据,输入到VGG16卷积神经网络模型中,对其进行训练,最后输入验证集进入模型中进行验证,实验结果表明,该分类方法能有效地完成ALL血液细胞显微图像是否患病的分类。

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。

基于改进VGG16网络的机载高光谱针叶树种分类研究

为解决针叶树种识别上存在的分类精度较低和训练时间较长的难点问题。本文提出一种基于卷积神经网络的机载高光谱影像针叶树种分类的网络模型。实验选定VGG16作为基础网络进行改进,精简了网络层的结构,重新组织了卷积核的排列,更好地适应高光谱分类任务,对实验选择的茶壶实验森林的机载高光谱影像数据带进行数据增强,使用Adam优化器进行训练优化,使用学习率反向时间衰减器和Early-stooping优化器加快网络拟合的速度、增加网络的泛化能力。研究结果表明,在类间差距小、类内差距大的情况下,与对比实验效果最好的未改进VGG16网络相比,针叶树种高光谱影像多标签分类的精度提高了8.17%,达到了94.47%的分类准确率,且训练时长缩减了6倍多。从而得到:将卷积核数量按照从大到小的方式排列有助于高光谱信息的提取和训练时间的缩短;网络层数的精简可以在保证模型达到拟合的前提下训练不会过度,减小训练时间;数据增强对针叶树种识别准确率的提升有着很大的帮助。

基于改进VGG16的猴子图像分类方法

为提高对细粒度图像分类的准确性和分类速度,提出基于改进VGG16和迁移学习的图像分类方法。首先从kaggle平台中获取十种不同猴子数据集,并对数据集进行标准化处理,包含图片去椒盐噪声、将数据集转换为TensorFlow中提供的统一TFRecord数据格式。然后迁移学习改进的VGG16卷积神经网络,模型的优化包括利用Swish作为激活函数、将softmax loss与center loss相结合作为损失函数以实现更好的聚类效果、采用性能完善的Adam优化器。用训练集训练模型以确定微调参数信息,再用测试集检验模型准确性。结果表明,该方法对猴子图像分类的准确度可达到98.875%,分类速度也得到了显著提升。与其他传统卷积神经网络模型相比,该方法具有更高的准确性和适用性。

基于迁移学习与VGG16深度神经网络的建筑物裂缝检测方法

针对传统的裂缝检测方法存在裂缝样本数量少、检测效率低下、准确率不高等问题,本文提出了一种迁移学习与VGG16深度神经网络相结合的新型裂缝检测方法。该检测方法主要包括三个步骤:首先将获取的裂缝图像进行缩放、裁剪、翻转等预处理来进行数据集的增强;其次在Image Net数据集上进行网络的预训练,并将VGG16深度神经网络作为基础网络,将预训练的权重迁移到建筑物裂缝数据集进行训练;最后对训练好的网络进行测试。实验结果表明,该方法在建筑物裂缝数据集上的准确率达到92.20%,相较于只使用VGG16深度网络,其准确率提高了2.06%。研究表明,采用基于VGG16深度神经网络与迁移学习相结合的裂缝检测方法能够解决样本数量较少,准确率不高的问题,可为建筑物裂缝检测提供新的解决途径。

基于改进VGG16网络的混合批量训练交通标志识别

针对现有交通标志识别方法存在的识别率低、识别时间长等缺点,文中在卷积神经网络的基础上提出了一种基于VGG16网络模型的改进卷积神经网络模型。对VGG16网络模型的卷积层数量、卷积核和池化层进行修改,增强网络模型的特征提取能力和精简性。通过随机旋转、伸缩、偏移和对比度调整等方法对实验数据集进行数据增强,并通过激活函数、混合批量训练和提前终止正则化方法提高网络模型的识别率。改进后的VGG16网络模型利用德国交通标志数据集中进行测试,结果显示采用该模型的识别率达到98.98%,单张交通标志识别时间只需要0.24 ms。与其他模型相比,该模型在识别率和识别时间方面均具有明显优势。

基于改进VGG16神经网络的异常检测模型研究

近年来,互联网在不断快速发展,对网络的管理显得愈加重要,从业人员愈加重视网络安全问题。异常检测模型可对网络攻击进行检测,对ImageNet VGG16模型进行改进,建立一种基于改进VGG16的异常检测模型,并在ISCX2012数据集上进行训练,通过计算F1值,取得不错的训练效果。

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。

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。

基于卷积神经网络VGG16模型的配电网动态无功优化研究

配电网无功优化时,大多数情况下对负荷数据的处理往往只针对某一运行状况下的具体数据,很难对某个运行阶段的多个工况数据进行分类处理。针对上述问题文章提出一种基于卷积神经网络VGG16(Visual Geometry Group Network)的优化方法。首先按台区变压器的容量占比来进行分类,得到轻、中、高三类场景,再利用粒子群算法对每类场景进行优化,得出对应的优化策略。通过仿真验证了本方法对解决台区动态无功电压问题的有效性。

融合VGG16和TextCNN的心电信号智能诊断模型

基于十二导联心电图分类任务,提出VGG16与TextCNN融合一维卷积神经网络。VGG16与TextCNN融合模型包括5个卷积层、5个池化层、2个全连接层和1个softmax层。由于十二导联心电图数据规模小,采用传统网络结构与复杂的网络结构得到的结果不佳,为减少模型参数,提高模型计算效率,避免由于模型过于复杂引起的过拟合问题,将十二导联心电信号的十二通道分为12个单通道数据送入VGG16与TextCNN融合模型,基于十二导联心电图进行心率异常二分类研究。在小样本学习的训练过程中,VGG16与TextCNN融台模型平均分类准确率达到了83.64%,能够在样本数量不足的情况下得到较好的准确率,有更为广泛的应用。

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。

考虑多状态特征的非侵入式负荷识别方法

针对传统负荷识别存在无法准确区分含有多种运行状态的负荷识别问题,该文提出一种考虑负荷多状态特征的非侵入式负荷识别方法(non-intrusive load monitoring,NILM)。首先,利用VGG16卷积神经网络(visual geometry group 16neural network,VGG16)对负荷的U-I轨迹进行初步分类。然后,采用最大相关最小冗余特征选择(max-relevance and min-redundancy,mRMR)算法,从未成功分类的负荷的各个工作状态中筛选出最优特征组合作为输入,通过支持向量机(support vector machines,SVM)算法进行二阶段识别,达到快速精细化识别多状态易混淆电器的分类效果。最后,利用Plaid数据集,对分别考虑单个状态和多个状态特征的识别效果进行对比分析。结果表明,文中所提方法可以有效区分易混淆的多状态电器,提高了识别准确性。

基于U-net和胶囊网络的图像语义分割结构研究

目的 针对苹果病害中比较常见的症状——花叶病,尤其在昼夜温差大的条件下发病迅速,落叶率提高,造成苹果大面积减产,产生巨大的经济损失;对于花叶病病斑数量太多,尺度不一的影响,从而造成病害识别准确率较低等问题,提出了一种引入迁移学习和胶囊网络的方法,以提高病害识别率。方法 首先对获得的花叶病数据集进行扩充、数据增强等处理,并利用Labelme工具对图像进行标注,分别标记出病斑区域和叶片区域;其次将训练好的VGG16模型权重通过迁移学习技术移至U-net中编码部分,并引入胶囊网络,使得整个网络具有更强的特征提取能力;然后对VGG16模型、胶囊网络部分进行训练,最后将训练好的网络模型进行语义分割并输出测试的结果。结果 实验结果表明,原始数据集的准确率为87.51%,引入迁移学习后的准确率提升至91.78%,提升了4.88%;引入胶囊网络的准确率提升至90.04%,提升了2.89%;而引入迁移学习和胶囊网络之后,准确率提升至93.42%,提升了6.75%。并且模型每一轮的训练时间也在引入了迁移学习后提升了2 s。结论 据实验结果可以证明模型方法引入迁移学习和胶囊网络后,相较于传统模型在识别准确率方面有了一定的提升,其次也减少了每一轮的模型训练时间,总体分割性能较好。