摘要：为了改善桥梁结构健康监测数据多模式异常检测难以全覆盖的问题,提出了基于迁移学习图像识别技术的数据异常检测方法。首先,绘制结构应变和温度数据时程图,统计分析数据日周期变化规律,并标记异常类型作为训练集;通过图像仿射变换实现数据增强,减少网络对不平衡数据集的过拟合。其次,以alexnet预训练网络为基础,选择迁移学习策略,建立多个对比模型用于分析不同优化算法、初始学习率、Dropout取值和结构轻量化对网络识别结果的影响;以模型分类准确率、训练速率和内存需求作为评价指标,获得性能优越的监测数据异常检测深度网络模型,模型对试验数据的异常分类准确率可达95.5%,体量可缩减94.7%。最后,基于优化模型编译数据异常检测模块,并以某斜拉桥一个月的监测数据为例进行验证,验证集准确率为98.0%。所提方法准确率高、计算速度快、内存需求小,方便应用于桥梁健康监测数据预处理平台。

摘要：【目的】基于处理后的木材端面细胞特征,寻找合适的机器学习方法提高木材识别准确率,以实现木材高效利用,为珍稀木材种类判别和保护提供依据。【方法】以5种木材(臭冷杉、长白落叶松、鱼鳞云杉、鹅掌楸和凹叶厚朴)端面细胞为研究对象,提取多种差异性图像作为数据集,通过图像处理提取特征信息,分别采用支持向量机(SVM)和alexnet神经网络进行分类识别。根据木材端面细胞区分的差异性,在alexnet神经网络架构中加入BN算法进行优化,设计一种更高效的板材识别方法提高木材识别准确率。【结果】将增强后的29680张图像按7∶3划分,分别保存在训练集和测试集文件夹中,测试样本确定标签后均放入同一文件夹,分别对3种分类算法进行整体批量测试,支持向量机分类器测试集的整体识别准确率为84.67%,alexnet神经网络测试集的整体识别准确率为88.76%,基于BN算法优化的alexnet神经网络测试集的整体识别准确率为91.15%,识别效果更好。【结论】当样本量充足时,alexnet神经网络对木材端面细胞图像的分类效果明显优于SVM分类器。基于BN算法优化的alexnet神经网络对图像线性特征更敏感,保留alexnet神经网络拟合优化性的同时加快寻优速率,可有效提高识别精度,实现木材高精度分类。

摘要：蝴蝶分类是保护蝴蝶物种多样性、观测大气变化的首要工作。为了提高蝴蝶种类识别的准确率,改善复杂网络算法运行时间长的缺陷,提出了一种基于迁移学习与改进型alexnet的蝴蝶分类算法。该算法将alexnet作为预训练模型,使其成为新模型的特征提取器,并在alexnet算法的基础上,通过调整卷积核数量、替换归一化LRN(local response normalization)层、减少全连接层个数、增加均值下采样层等,进行改进与优化。实验结果表明,改进算法对蝴蝶种类识别的准确率高于原alexnet算法,并具有更优的识别效率,提升了整体模型的性能。

摘要：针对传统的煤矸石检测方式成本较高、识别准确率较低、适用性较差等不足,经分析实际检测要求,设计了一种基于机器视觉和alexnet网络的煤矸石检测系统。该系统通过工业相机来采集传送带上煤矸石图像,利用直方图均衡化和二阶微分线性算子来加强图像对比度与锐化效果,并使用高斯滤波来抑制图像噪声,进而获取更具辨识度的图像,最终运用alexnet网络实现煤矸石的识别与定位。结果表明,该系统识别准确率达到了95.90%,准确率较高,且实现过程较为简单,适用性良好。

摘要：为了快速识别服装款式类型,针对现有的服装识别网络模型有所累赘以及速度响应仍然有待提升的问题,设计了一种改进的alexnet。采用小卷积核替换大卷积核的方式减少计算量并提升识别准确度,相比于原神经网络提升了2个百分点;然后通过对网络进行权重提取,最后在FPGA进行网络搭建,通过FPGA的高运算功能进行加速,在稍微减少改进的alexnet准确度的情况下大幅度地提升了识别速度,相比于ARM平台提升了3倍。

摘要：花生是我国重要的油料作物,不同品种的花生含油率是不同的,因此需要对不同品种的花生进行分选。传统模式识别的方法需要人工定义各类特征,存在主观判断、浪费人力等问题,实用性较差。针对上述问题,本实验基于卷积神经网络提出一种多品类花生荚果识别模型。该模型基于经典的alexnet网络模型,通过设置不同尺寸的卷积核提取更丰富的特征,去除局部响应归一化层,修改全连接层神经元连接个数等操作,设计了一种改进型alexnet,基于改进型alexnet对13种不同类型的花生荚果进行识别分类。原始alexnet对13类花生荚果识别的最高准确率为84.27%,平均准确率为83.66%。改进型alexnet最高准确率为88.76%,平均准确率为87.73%,分别提高了4.49和4.07个百分点。研究结果表明,改进型alexnet对不同品种花生荚果的识别结果优于原始alexnet。利用卷积神经网络对花生荚果品种识别具有一定可行性,基本可以推广到实际生产中使用。

摘要：视神经炎(optic neuritis)是一种眼部神经疾病,会造成儿童和成人的急性视神经损伤,严重时会有致盲的风险.因此,视神经炎早期发现和诊断,对患者的恢复有着巨大的帮助.基于视神经炎视网膜图像病变特征不明显,人工诊断分类困难且准确率不高等问题,本文设计了一种改进的混合注意力机制CS-CBAM模块,并将CS-CBAM模块融合到改进的alexnet网络,形成一个具有更深层次的alexnet2_att视神经炎分类模型,从而实现视神经炎图像的自动分类.首先,对数据集中的视网膜图像进行图像尺寸调整,去除图像冗余信息,直方图均衡化和数据增强等预处理操作;然后,在alexnet网络的基础上,引入批归一化层以提高训练速度,之后,在改进后的alexnet网络中融入我们所提出的混合注意力机制CS-CBAM,形成alexnet2_att模型;最后,使用来自大连市第三人民医院的临床数据对本文模型进行性能评估,实验结果表明,该模型的分类准确率可达99.19%.实验结果证明本文模型具有良好的实用性和鲁棒性,有很高的实用价值,可以辅助医生进行视神经炎分类与诊断.

摘要：一些文献中报道,即使深度网络的权重参数随机赋值,对应的深度网络仍有一定的分类能力.以alexnet为模式网络,从3个侧面分析探讨了随机深度网络是否具有图像物体分类能力.首先,将alexnet的权重随机赋值;然后,对多类不同的图像物体刺激下的神经元响应的表达不相似矩阵(RDM)与原alexnet的RDM进行了相关性分析,发现这2类RDM具有显著相关性;鉴于深度卷积网络每层的卷积操作为加权求和,且根据中心极限定理,大量随机变量的和近似服从正态分布,进一步分别拟合了在同一输入图像下原alexnet神经元响应的分布和随机alexnet神经元响应的分布与高斯分布的拟合优度,并对上述2种优度进行了相关性分析.大量模拟实验表明,对于来自真实世界的样本,对应高斯拟合优度呈现显著相关性.最后,直接利用赋以随机权重的alexnet输出的高层响应进行K近邻分类,发现其分类精度高于直接对原始彩色图像进行K近邻分类的精度.因此,与文献报道相似,实验结果再次表明随机深度网络的确具备一定的物体分类的能力.

摘要：针对传统卷积神经网络模型在静态环境下人脸识别的过拟合问题,alexnet网络的各隐层通过应用"Dropout"方法得以解决。但这个网络较复杂,计算量大,训练集通过验证集测试的准确率提升的太慢,人脸数据的损失值曲线和识别率曲线都存在振荡问题。因此本文结合Caffe深度学习框架中的alexnet网络结构进行改进,利用梯度下降法对批量的图像数据进行特征提取器和分类器的训练。在原网络的基础上,删除一个全连接层,同时放弃使用LRN层,根据VGG网络的结构,用7×7和5×5的两个小卷积核替代原来的11×11的大卷积核,来弥补去掉的全连接层和LRN层,这样网络参数减小从而加快计算速度,人脸数据的损失值和识别率的振荡程度减小,从而达到平稳。

摘要：非物质文化遗产的灵活与生动自然是承载当地文化的最好的载体,也越来越受到社会各方面的重视。对非物质文化遗产的传承与保护研究,多以人文、艺术等学科的角度加以研究,却很少利用信息技术。利用先进的信息技术,结合人文、艺术等学科,以新的角度及方法,创造性地开展、实现非物质文化遗产的传承与保护,是新技术在非物质文化遗产保护领域研究工作的一项重要研究方向。本文以我国非物质文化遗产之一----南通蓝印花布为对象,利用深度学习、神经网络等人工智能技术与艺术、人文等学科相结合,对其纹样进行分类,开展南通蓝印花布纹样数字化的分析、研究,不但为南通蓝印花布纹样的传承与创新研究提供了新思路,而且也为其它非物质文化遗产的传承与保护探索出一条新的道路。