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：针对肉类食品行业生产效率低,以及采用人工称重分拣的问题,设计了一种基于resnet50的模糊称重装置双目识别系统,旨在实现称重设备的文字实时识别,提高后期分拣率。首先,设计一款模糊称重装置,用于对食品进行有效的定量称重;其次,选用双目相机作为称重装置的识别硬件,并进行标定;再次,设定称重食盒采集实验,并对食盒图像进行预处理;然后,以resnet50前5层的残差网络为核心,利用CTPN算法对食盒图像进行模型训练,用LSTM神经网络、NMS算法对待测试图像数据特征序列进行预测;最后,利用LabVIEW软件设计文字实时监测界面,进行系统监测。经测试,系统网络的Precision、Recall、F-measure值分别达到98.64%、97.60%、98.12%,系统文字识别率得到有效提高,且能够进行实时监测。

摘要：为了帮助养猪场实现猪只精准管理,应用深度学习技术设计了一款猪脸识别APP。利用resnet50神经网络模型对照片进行训练与预测,并以MUI框架和Django框架为依托开发APP。实验结果表明,在resnet50模型基础上优化后的网络,对猪的面部照片有着较高的识别率。

摘要：针对现今的智能垃圾桶使用方法大都无法应用在列车的问题,提出了一种基于迁移学习方法的智能垃圾分类方法.首先建立了12种列车常见垃圾数据集,并应用迁移学习resnet50模型进行模型设计与参数设计,给出了模型的准确率与模型收敛速度曲线,并与Inception-V3模型进行了对比实验,实验结果表明resnet50模型有更好的识别效果.最后通过PyQt5编写GUI仿真系统,实现了基本的拍照与分类识别功能.

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：本文提出了一种采用IMX219 CMOS高分辨率摄像头为图像获取设备,MIPI CSI-2高带宽图像接口作为数据传输设备,同时采用小型高性能开发平台进行图像采集、缓存与数据传输,而后采用改进的resnet50模型进行训练,具有检测速度快、计算量小等特点。

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.

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：垃圾分类对于我们日常生活来说意义重大,它不仅体现的是环境问题,更是资源的节约和绿色的生活方式,更加代表和体现了社会的文明水平,我国各地近些年也相继推行了垃圾分类的政策。2020年,新冠疫情席卷全球,对我们的日常生活造成了非常大的冲击,病毒与细菌的感染不只是通过呼吸,而且可以通过间接的接触来传染,这就要求了我们在生活中应该尽量避免去接触公共的设施和物品,而垃圾回收点恰恰是人员来往较多,很容易造成接触感染。对此,设计了一种疫情之下的垃圾智能分类与识别系统。设计的总体思想是采用Arm公司的EAIDK-310开发板,同时配备罗技C270摄像头采集装置对实际生活中的常见垃圾进行识别与分类,然后通过摄像头采集装置采集到垃圾的图像,结合深度学习模型自动检测、识别垃圾的类别,从而可以根据类别直接进行垃圾的分类丢弃。模型是基于YOLOv3在复杂环境下垃圾检测的基础上完成,构建resnet50网络,对垃圾的类别进行训练并识别。通过该智能垃圾分类系统,可以提高投放垃圾效率,大大减少人员在垃圾站附近的聚集并做到无接触的垃圾丢弃,从而能够有效避免因为接触而造成的交叉感染的风险,符合当下疫情期间的社会需求。

摘要：黑色素瘤的早期诊断对提高患者的五年生存率至关重要。针对临床上使用皮肤镜检查黑色素瘤费时、费力的问题,提出一种基于迁移学习和改进的resnet50模型的黑色素瘤分类模型MC-Net(Melanoma Classification-Net)。首先,为了降低数据集样本分布不均匀以及毛发遮挡信息带来的影响,进行数据增强;对resnet50的输入主干重新进行了设计,用常规卷积和深度可分离卷积的组合代替原来的7×7大卷积核;对残差块进行了优化,使用GELU函数替代ReLU函数,并将特征相加后的激活层移到残差块内部,同时去除了部分BN层和激活层;向网络中添加CA注意力机制,使得网络更加关注目标的关键信息,从而抑制其他无用信息;结合迁移学习,利用在ImageNet上预训练权重初始化网络并在数据集上进行微调训练,得到最终黑色素瘤分类模型。实验结果表明,所改进的结构对模型性能提升具有显著效果,MC-Net模型在准确率和F1指标上达到94.87%和95.01%,经过迁移学习得到的最终分类模型在数据集上进行测试,获得了95.4%的准确率和95.6%的F1值,均优于其他网络。