基于改进DenseNet网络的肺炎X光图像识别算法

肺炎是一种由微生物感染引起的疾病,严重时可危及生命.目前,世界上最常用的肺炎检测方法是胸部X光图像.利用深度学习图像处理算法对肺炎X光图像特征学习,可以为放射科医生临床诊断提供客观辅助.为提升深度学习DenseNet模型应用于X光图像中检测肺炎的效果,在DenseNet深度模型的基础上,在全连接层加入中心损失(Center loss),在最后输出部分将交叉熵损失函数替换为Focal-loss,提出一种改进的DenseNet模型算法.实验验证了其最高检测分类精度达到94.52％,测试精度达到90.46％.提出的算法模型有效提高了肺炎X光图像检测分类精度.     

改进的卷积神经网络行人检测方法

提出基于YOLOV3和DenseNet相结合的轻量化行人检测算法。加入HSV图像处理模块强化行人特征,利用卷积神经网络提取行人特征,通过k均值聚类算法筛选预测框,借鉴特征金字塔的思想做高低层特征融合和预测,利用Dense Block结构对网络轻量化进行完善,在国际广泛使用的行人数据集上进行一系列实验。实验结果表明,检测速度比现有的优秀目标检测模型YOLOV3提升了8倍,模型大小为YOLOV3的1/107,所提方法在测试集上的实时性和准确率都有所提高。     

基于改进型SSD的视频烟火检测算法

针对现有烟火检测算法对小尺寸烟火目标检测效果差,容易产生漏检和误检的问题,提出一种基于改进型SSD的视频烟火检测算法.利用DenseNet网络作为SSD的基础网络,提高其对小目标的检测能力.为了改进SSD中的正负样本不平衡的问题,在损失函数中引入Focal loss函数,通过提高难分样本在损失函数中的权重,提高算法的鲁棒性.在仿真实验中,通过构建烟火数据集对改进的SSD模型进行训练.实验结果表明,相比现阶段主流的几种目标检测算法,该算法在兼顾检测速度的同时提高了对小尺寸烟火目标的检测效果.     

DenseNet和SeNet融合残差结构的DR分类方法

糖尿病性视网膜病变(diabetic retinopathy, DR)是糖尿病在发病过程中影响视网膜的症状。针对模型下采样过程中特征提取DR图像微动脉瘤等病灶区域信息丢失问题,提出了一种DenseNet融合残差结构的模块。该模块首先连接两个连续的dense block,然后利用残差结构对特征信息求和,并行融合处理特征图像信息,以防止有效特征信息的丢失,最后残差连接两个含有dropout的卷积块,抑制过拟合现象。针对以往卷积操作中未对病变区域的特征图通道加权的问题,提出了一种SeNet融合残差结构的模块。该模块首先连接SeNet,把全局平均池化和全局最大池化的特征信息相加,以提高有效通道信息的利用率,然后通过Conv1×1的残差方式来保证特征图信息的完整性。基于以上两个模块的设计,提出了一种DenseNet和SeNet融合残差结构的DR分类方法。该模型在APTOS2019数据集上的精确度达到89.8%,特异性达到97.0%,在Messidor-2数据集上的精确度达到78.8%,特异性达到91.9%,能够有效地提高视网膜图像病变程度的分类能力。     

基于改进DenseNet和迁移学习的变负载滚动轴承故障诊断

由于在实际工作环境下滚动轴承故障样本不足，而且受到环境噪声以及负载变化的影响，故障样本分布存在差异性导致诊断泛化性差，对此课题组提出一种基于改进DenseNet与迁移学习结合的滚动轴承故障诊断方法。对原DenseNet中的ReLU激活函数，使用LeakyReLU函数替代，并在全连接层后添加Softmax层进行分类，使提取故障特征更为丰富；为了使轴承信号接近工厂采集的数据，对凯斯西储大学轴承数据集中添加了信噪比为-2 dB的高斯白噪声并进行模拟，经Z-Score归一化处理后转化为二维灰度图作为样本数据。实验结果表明该方法在小样本变负载下的跨域诊断准确率都达到了90%以上，与其他模型对比具有更好的泛化性。     

基于SENet和DenseNet的充填管道磨损声音识别

针对矿山充填管道磨损缺陷检测存在的人工检测困难和检测成本高等问题，提出了一种融合SENet的密集连接卷积神经网络模型(SE_DenseNet)，可实现充填管道不同磨损程度的远程快速识别。该方法首先通过完全集合经验模态分解(CEEMDAN)，对与原信号相关性较高的分量进行重构；之后，使用短时傅里叶变换，形成声谱图；将声信号识别问题转化为图像识别问题；并将声谱图输入到DenseNet网络模型，通过特征重用，融合通道注意力机制SENet，增强特征信息，实现对充填管道磨损声信号的准确声音识别。结果表明:SE_DenseNet的识别准确率可达到97.368%。相比同类深层基线网络模型ResNet101和基线DenseNet121而言，该网络模型泛化能力及识别准确率有所提升，在模型参数数量上有所下降，实现更快收敛。SE_DenseNet的上述优势可被应用于类似的固液两相流输送管道无损检测领域。     

基于DenseNet的西瓜叶片病虫害识别模型

叶片病虫害对众多植物的影响巨大，快速、准确地识别植物叶部病害，采取正确的措施进行防治具有十分重要的意义。文章提出了基于Dense Net的西瓜叶片病虫害识别模型，分析了模型的结构和设计思想，在经过数据扩充后的西瓜叶片病虫害图片数据集上进行了训练。实验结果显示，该模型在对真实环境下的西瓜叶片病虫害图片的分类准确率在86%左右，超过了AlexNet、Vgg和GoogleNet三种常见的卷积神经网络模型，可以基本满足病虫害识别需求。     

基于DC-DenseNet的乳腺癌病理图像分类

乳腺癌病理图像的自动分类具有重要的临床应用价值。设计一种新颖的卷积神经网络模型(DC-DenseNet),该模型在DenseNet基础上将扩张卷积集成到密集块来实现多尺度的特征提取。此外，还提出一种新的学习率优化器，它不需要复杂的微调学习率就可以表现出优异的性能。对BACH数据集划分为良性、恶性、原位癌和浸润性癌四个类进行分类预测研究，并将所提的方法与AlexNet、VGG-19、DenseNet161模型进行综合对比。实验结果表明所提方法有效提高了乳腺癌的分类预测精度，在四个类上的平均识别率达到了94.10%。     

一种基于神经网络的太阳能电池板缺陷检测方法

研究一种基于神经网络的太阳能电池板缺陷检测方法，利用DenseNet网络模型对缺陷进行检测，在该模型中加入转换器保证相邻模块间的大小，融入L2正则化可以在一定程度上避免过拟合现象，调整Batch Normalization层在避免梯度消失的同时加快收敛速度，使用SELU激活函数可以提高模型的鲁棒性。