摘要：针对女装袖型分类繁多、特征识别困难、检测效果不理想等问题,根据不同女装袖型的关联信息,结合注意力机制改进的YOLOv5目标检测网络和resnet50残差网络,提出了一种女装袖子造型的自动识别方法。首先,从电商平台收集服装样本图像,按照长短大类和形态小类标记对女装袖型进行归类,建立了包含3600张图像的袖型数据集;其次,结合注意力机制改进的YOLOv5目标检测网络和resnet50残差网络,设计了女装袖型识别方法;最后,在袖型数据集上开展模型训练,并通过实验验证袖型识别的效果。结果表明:改进YOLOv5和resnet50相结合的深度学习方法可以有效地对女装袖型进行识别,整体识别准确率约93.3%。该女装袖型识别方法准确、便捷,可以实现大量服装款式的分类快速检测,提高服装设计效率,促进人工智能技术在服装设计领域的应用,助力我国智能制造和电子商务的发展。

摘要：为提高样本在分布不均衡情况下的识别精度,提出一种改进的resnet50卷积神经网络光伏热斑识别算法。首先,为增加初期红外纹理信息流入、调整网络宽度,设计一种头部分组特征提取模块,并将其嵌入到残差网络中,提高网络在图像细微特征方面的提取能力;然后,将通道注意力机制与残差模块相结合,增加网络通道间的热斑特征信息权重,提高模型识别性能和网络收敛速度;最后,通过图像转换HSV颜色空间、平均H分量梯度直方图峰值等数据预处理方法,将负样本转为多分类数据集,并用于热斑识别网络模型,实现热斑识别结果的可视化。实验结果表明,对比其他算法,改进后的resnet50网络在识别精度上得到显著提高。

摘要：深度学习卷积神经网络算法广泛应用于岩石图像的岩性识别。结合卷积神经残差resnet50网络,构建了岩石图像岩性识别模型,并依据定义的损失函数进行了网络模型的参数调优与验证;通过构建的识别模型对岩石图像岩性进行了预测,并根据识别结果进行了误差原因分析。研究表明:以深度卷积神经resnet50残差网络为基础,按照训练集、测试集、验证集8∶1∶1的比例可以进行岩性预测模型的构建与参数调优,从而实现岩石图像的岩性预测;结合项目实例构建了黑云母花岗闪长岩、变质砂岩、石英岩、黑云母花岗岩等四种岩性的岩石图像岩性识别模型;模型的识别准确率,除构造节理发育的破碎岩体较低外,一般可达75%~90%;岩石图像识别结果的准确率受岩体构造裂隙发育及岩石图像质量影响较大,可以通过增加训练样本数量来提高识别结果准确率。

摘要：针对水稻病害图像在野外环境下存在的光照不均、明暗变化明显、因遮挡导致目标特征缺失和噪声重叠,以及野外环境的水稻数据集少且质量差等问题,提出一种基于改进resnet50算法的野外环境水稻病害识别方法,并设计识别系统.在传统resnet50算法的基础上采用迁移学习技术对学习知识跨领域迁移,缓解数据集样本不足和不均衡造成的过拟合现象;利用Cutout增强方法对特征信息随即筛选,模拟复杂的野外环境,加强算法的泛化能力;对学习率采用余弦退火优化策略,提高算法的稳定性.结果表明:改进的resnet50算法在小型水稻病害数据集上的识别准确率达97.24%,明显高于传统resnet50算法,且该改进方法亦能提升VGG16、GoogLeNet和MobileNetV3-large等其他卷积神经网络算法的模型识别性能.将该模型部署于系统,可为水稻病害识别在实际应用工程中的发展提供技术参考.

摘要：船舶徘徊行为是一种在局部空间中频繁转向的船舶运动,船舶徘徊形态与船舶运动意图相关,对船舶类型识别与异常行为检测有重要研究意义。针对现有船舶徘徊轨迹提取算法的提取效率与精确度、徘徊轨迹分类准确度有待提高等问题,设计基于Douglas Peucker算法的船舶徘徊轨迹提取方法,提出徘徊波点概念来定义船舶大幅度转向变化过渡点,将提取出的徘徊轨迹数据转化为徘徊轨迹图像数据集,并把徘徊轨迹划分为无序往返、两点往返、前进往返和杂乱线团等4种形态,构建resnet50深度学习模型对船舶徘徊轨迹数据集进行训练,采用Adam算法对模型进行优化,提高了模型的训练效率。试验结果表明:船舶徘徊轨迹提取算法可达到98.56%的精确率,徘徊轨迹提取效率提高超23%,在对4种徘徊轨迹形态数据集的识别分类中,模型获得91.03%的平均准确率,优于对比试验中的VGG16模型和支持向量机(SVM)模型。

摘要：针对昼夜地基云图在分割中细节信息丢失、分割精度低等问题,提出一种基于改进Res-UNet(Residual network-UNetwork)的昼夜地基云图分割网络CloudRes-UNet(Cloud resnet-UNetwork),整体采用编码器-解码器的网络结构。首先,编码器使用resnet50提取特征,增强特征提取能力;其次,设计多级特征提取(Multi-Stage)模块,该模块结合分组卷积、膨胀卷积和通道打乱这3种技巧,获取高强度语义信息;再次,加入高效通道注意力(ECA‑Net)模块,在通道维度上聚焦重要信息,加强对地基云图中云区域的关注,提高分割精度;最后,解码器使用双线性插值对特征进行上采样,提高分割图像的清晰度并减少目标和位置信息丢失。实验结果表明,与当前基于深度学习表现较好的地基云图分割网络(Cloud-UNet)相比,CloudRes-UNet在昼夜地基云图分割数据集上的分割准确率提升了1.5个百分点,平均交并比(MIoU)上升了1.4个百分点,更准确地获取了云量信息,对天气预报、气候研究和光伏发电等方面具有积极意义。

摘要：随着X射线影像在医疗诊断领域的快速发展,在大量胸腔X射线影像产出的情况下,医生根据经验进行人为判断分析的方式已不能满足诊断效率与准确率的需求,高效率、高准确率处理批量X射线影像分类的问题亟待解决;通过改进残差网络对胸腔X射线影像进行分类,并设计一种加密传输系统,可有效解决上述问题;利用对X射线影像进行基于马尔可夫随机场的图像增强,再采用深层信息挖掘能力较强的resnet50作为主干网络,增加自注意力机制并采用CELU激活函数优化;经Kaggle整合数据集实验测试结果表明,在保证分类准确性的前提下,分类的召回率从0.432提升到0.652;同时,系统采用基于Logistic混沌序列的图像加密算法,保证了远程医疗诊断的私密性,满足实际远程医疗场景的应用需求。

摘要：为了实现快速检测建筑物是否存在安全隐患,本文提出基于Faster R-CNN的建筑物裂缝智能探测技术。本文主要通过无人机以及手机等设备采集数据裂缝图像,并对裂缝图像进行筛选处理。分析计算裂纹的长度、面积、平均宽度,设定阈值,构建墙面裂纹目标检测数据。采用resnet50作为特征提取网络,训练完成后,通过对100幅没有参与识别的建筑物图像进行验证,显示图片裂纹等级的概率。验证结果表明,裂纹类型识别准确率达89.53%,同时判断出建筑物的损坏情况。该技术对于背景复杂的裂缝图像具有更高的探测效率、准确性和鲁棒度。

摘要：针对现有深度学习方法中掩模生成质量较低的问题,提出了一种改进的PSPNet掩模优化模型,能够生成较高质量的掩模。保留PSPNet中提取网络resnet50优秀的残差设计,在此基础上增加卷积注意力机制模块,使模型更加关注掩模边缘,将边缘信息充分的保留至下一层,便于最后上采样生成掩模。上采样过程中只使用双线性插值会导致冗余信息的增加,将双线性插值和像素重组融合,在提高上采样过程的分辨率的同时,保留更多特征,不增加冗余信息,提高掩模生成的质量。最后,加入DICE损失函数,与传统回归损失MSE结合,联合优化模型。结果表明:改进后网络较改进前掩模质量提升了7.1%,同时生成的掩模冗余更少,拐角更加顺滑,便于制造。

摘要：航空图像分类问题具有背景复杂多变,物体类别多样的特点,传统的多标签分类方法识别准确率低,泛化效果不佳.本文提出基于两阶段迁移学习的Multiscale SE-resnet50分类方法,构建以resnet50为核心的深度卷积特征提取网络.通过设计多尺度特征提取模块,增强模型对特征的细化能力;采取SENet与resnet残差模块进行级联的方式在模型中嵌入通道注意力机制,强化对特征图中关键通道信息的提取;利用两阶段迁移学习优化模型初始化参数,进一步提高模型精度和泛化能力.实验结果表明,算法在UCM多标签数据集上的macro-F1为98.4%,分别高于MobileNet v2,VGG16,Inception v3,DenseNet121,resnet50模型11.2%,69.6%,3.4%,69.6%,2.2%,该方法可以有效提高航空图像多标签分类任务的准确率.