排序方式: 共有56条查询结果,搜索用时 15 毫秒
1.
为了减少变电站运维人员由于人为记录而导致硬压板状态误投退操作,本文提出了对传统SSD目标检测法进行改进,运用所改进的SSD网络模型对变电站中的硬压板图像进行识别,通过收集来的硬压板图片进行数据扩充、网络训练,得到能够识别硬压板状态的改进型SSD目标识别网络,最后通过验证集进行网路验证,结果证明了所提出的改进型SSD目标检测算法能够很好的识别硬压板状态,提高了变电站智能化水平. 相似文献
2.
《软件》2019,(10):46-49
针对传统卷积神经网络(如Lenet5)在图像的多分类任务中识别率不高、较新的卷积神经网络(如VGG16)在图像的多分类任务中待优化的参数达到千万级别的问题。采用将SqueezeNet神经网络与FractalNet神经网络相结合的方法。本文使用SqueezeNet神经网络中的FireModule来减少模型的参数、FractalNet神经网络的基本架构来保证神经网络模型的准确度。结果显示:在其它超参数基本相同的前提下,迭代40代时,DenseNet模型的测试集准确度为79.92%,而混合模型的测试集准确度为84.56%,其待优化的参数降至二百万个左右,故混合模型对数据的拟合能力更强,模型参数保持较低水平。 相似文献
3.
基于DenseNet的低分辨CT影像肺腺癌组织学亚型分类 总被引:1,自引:0,他引:1
为了实现在低剂量、低分辨率CT扫描影像中对肺腺癌组织学亚型的分类鉴别,提出一种基于DenseNet的深度学习方法,从混合性磨玻璃结节(mGGNs)5 mm层厚的低分辨率CT影像中预测IAC和MIA病理分类. 从丽水市中心医院105例患者的105个5 mm层厚低分辨率CT图像中选取样本,划分训练集和测试集后,对训练集进行数据扩展,构建深度学习2D和3D DenseNet模型,分类鉴别IAC和MIA. 2D DenseNet模型的分类准确度为76.67%,敏感性为63.33%,特异性为90.00%,受试者工作特征曲线下的区域面积为0.888 9,显著优于3D DenseNet模型和其他几种深度学习网络模型. 深度学习技术,尤其是2D DenseNet模型,可辅助并指导医生在肺癌CT筛查中对患者的肺腺癌组织学亚型进行预判,特别是在图像分辨率较低的情况下,仍能够快速提供较为准确的诊断. 相似文献
4.
针对电力负荷较为复杂的变化特性,以及现有预测算法未能充分利用数据中的特征、存在精度不足的问题,提出一种基于VMD-DenseNet的组合预测模型。通过VMD将原始负荷序列分解为趋势分量、细节分量和随机分量,并采用最大信息系数为各分量选取相关性较大的特征变量。引入一维DenseNet神经网络模型预测各分量负荷,通过密集连接实现特征重用,加强对各分量特征的提取。以欧洲某电网的负荷数据集为算例,分别在提前1 h和提前6 h两种不同的预测时间尺度下进行实验,结果表明提出的模型都能够更好地提取数据中的潜在特征,相较于其他模型具有更高的预测精度。 相似文献
5.
针对目前糖尿病视网膜病变识别主要依赖于医生的临床经验,病变特征难以用肉眼区分且识别率较低等问题,提出一种基于注意力神经网络的糖尿病视网膜病变分类方法。首先,对原始数据集中的视网膜图像进行归一化、直方图均衡化和数据增强等预处理;其次,调整经典的DenseNet,在避免梯度消失和保证分类精度的前提下,有针对性地减少连接数,提出了2-DenseNet,同时将注意力模块嵌入到2-DenseNet中,指导网络关注视网膜图像中的渗出物、厚血管和微动脉瘤等特征,使用改进后的网络对预处理后的图像进行训练并测试;最后,在公开的Kaggle数据集上对多个网络进行对比,实验结果表明,该网络对糖尿病视网膜病变的分类性能高于其他对比网络。 相似文献
6.
针对传统电力巡检过程中必须依靠有经验的人工来完成对电力设备相关数据信息安全进行识别的方法,本文提出一种基于生成对抗网络和密集连接网络的数据信息安全识别方法。在解决安全隐患的同时还可以推动人工智能技术的落地实现。首先,利用生成对抗网络强大的表征能力,通过网络训练对训练样本数据库进行扩充,实现提升生成能力的目的;然后,采用稠密连接网络对数据信息的安全性进行识别;最后,通过比较本文方法在不同类型数据集上的识别度,验证了本方法的可学习与有效性。 相似文献
7.
基于双线性CNN与DenseBlock的导光板标记线缺陷检测 总被引:1,自引:0,他引:1
导光板标记线检测是导光板制造品控中的一个重要步骤, 但在使用传统图像算法进行检测的过程中, 有大量的气泡、严重污染和无标记线的情况存在. 因有大量气泡, 严重污染和无标记线的情况造成人工特征难以设计, 因此, 使用基于卷积网络的方法来代替人工特征设计进行缺陷检测. DenseNet 卷积神经网络较其他分类神经网络具有参数较少, 梯度收敛稳定等特点. 因DenseNet 卷积神经网络中使用特征融合的思想, 保证了图片分类准确率. 通过迁移学习的方法, 将训练得到的DenseNet 网络权重迁移到Bilinear-CNN算法进行训练, 提升卷积神经网络局部注意力, 提高图像分类准确率. 通过实现结果表明, 所提方法具有可行性, 相比于V2-ResNet-101网络结构, 准确率提升至95.53%, 参数减少了97.2%, 平均单张图像检测时间减少25%. 相似文献
8.
针对传统YOLOv3的网络结构存在曝光过度或光线较暗等异常图片在提取特征时鲁棒性较差,导致车型识别率低下的问题,提出了一种用于交通车辆检测的Dense-YOLOv3模型.该模型集成了密集卷积神经网络DenseNet和YOLOv3网络的特点,加强了卷积层之间的车型特征传播和重复利用,提高了网络的抗过拟合性能;同时,对目标车辆进行了不同尺度的检测,构建了交叉损失函数,实现了车型的多目标检测.经过在BIT-Vehicle标准数据集上对模型进行训练和测试,实验结果表明,基于Dense-YOLOv3车型检测模型平均精度达到了96.57%,召回率为93.30%,表明了该模型对车辆检测的有效性和实用性. 相似文献
9.
针对隧道裂缝人工识别低效、检修不便以及隧道环境复杂多变、检测易受噪声干扰等问题,文中提出一种基于深度学习的裂缝检测算法。通过神经网络对原始图像进行非裂缝区域过滤,减少无关背景信息的干扰,同时在分割算法基础上通过多维分类器将误识别的裂缝区域剔除。实验结果表明,密集连接卷积网络(DenseNet)在裂缝分类中最高可达99.95%的准确率,有效提升了隧道裂缝自动检测精度。 相似文献