基于深度学习的中药饮片分类算法的研究
这是一篇关于YOLOv5算法,注意力机制,中药饮片,分类检测的论文, 主要内容为随着我国对中医药事业发展的重视、医疗大数据和互联网技术的发展,人工智能领域逐渐的深入到传统的中医药领域。中药饮片是药材分类中的一个特殊分类,其种类繁多,某些中药饮片外形相似,但其使用目的并不相同,因此需要对其正确分类。传统的人工分类方式受制于人的主观判断,需要人脑记忆很多种类的中药饮片及其药效功能,因此存在工作量大、工作效率低等问题,有一定的局限性。因此,本文针对这一问题,将YOLOv5s检测算法应用到中药饮片识别方面,并在此基础上设计实现了基于YOLOv5s识别中药饮片的识别系统。本文主要工作如下:第一,基于图像分类算法对中药饮片的分类进行研究。通过分析六种分类算法(Le Net、Alex Net、Vgg Net、Goog Le Net、Mobile Net和Shuffle Net)的原理结构,构建Pytorch结构的网络,对中药饮片进行分类,并分析每一种分类算法的优缺点。第二,基于YOLO算法对中药饮片进行分析研究。重点针对YOLOv5s算法进行改进,改进的措施有:在算法中加入CA注意力机制,来提高在中药饮片的检测能力;在算法的主干网络中,改为轻量级的Ghost Net网络,减少算法的计算量和参数量,同时不会降低网络的精度;将concat拼接方式改为Bi FPN这种更高效的双向跨尺度连接和加权特征融合,可以提高目标检测任务的精度;利用K-means算法重新计算出一组适合中药饮片数据集的先验框大小。第三,构建中药饮片数据集。通过实地获取中药饮片样本,并对样本进行数据扩充,对数据进行手动标注等一系列操作,制作成符合本文实验的数据集。最终,构建的数据集种类为124种,共计15258张图片,其中训练集有10985张图片,验证集有2747张图片,测试集有1526张图片。第四,基于改进的YOLOv5s算法在自制的中药饮片数据集上进行模型测试,算法对比包括YOLOv3、YOLOv4、YOLOv5s和改进的YOLOv5s算法。此外,还进行了多种不同改进方式的对比实验。最终,实验结果表明,改进后算法的平均精度可以达到98.9%,相比于原算法的97.6%提高了1.3%,计算量由原来的16.9GFLOPs降低为9.9GFLOPs。第五,设计中药饮片的识别系统。经过改进算法后,对中药饮片的分类识别效果有了很大的提升,在基于改进后算法的基础上进一步拓展,尝试了三种设计中药饮片识别系统的方案,分别有基于Py Qt5来设计界面,基于Streamlit设计Web界面,基于HTML技术设计中药饮片界面。在这三种不同的方案中,都包含了关于中药饮片相关的功能模块,方便用户进行查询。
基于深度学习的中药饮片分类算法的研究
这是一篇关于YOLOv5算法,注意力机制,中药饮片,分类检测的论文, 主要内容为随着我国对中医药事业发展的重视、医疗大数据和互联网技术的发展,人工智能领域逐渐的深入到传统的中医药领域。中药饮片是药材分类中的一个特殊分类,其种类繁多,某些中药饮片外形相似,但其使用目的并不相同,因此需要对其正确分类。传统的人工分类方式受制于人的主观判断,需要人脑记忆很多种类的中药饮片及其药效功能,因此存在工作量大、工作效率低等问题,有一定的局限性。因此,本文针对这一问题,将YOLOv5s检测算法应用到中药饮片识别方面,并在此基础上设计实现了基于YOLOv5s识别中药饮片的识别系统。本文主要工作如下:第一,基于图像分类算法对中药饮片的分类进行研究。通过分析六种分类算法(Le Net、Alex Net、Vgg Net、Goog Le Net、Mobile Net和Shuffle Net)的原理结构,构建Pytorch结构的网络,对中药饮片进行分类,并分析每一种分类算法的优缺点。第二,基于YOLO算法对中药饮片进行分析研究。重点针对YOLOv5s算法进行改进,改进的措施有:在算法中加入CA注意力机制,来提高在中药饮片的检测能力;在算法的主干网络中,改为轻量级的Ghost Net网络,减少算法的计算量和参数量,同时不会降低网络的精度;将concat拼接方式改为Bi FPN这种更高效的双向跨尺度连接和加权特征融合,可以提高目标检测任务的精度;利用K-means算法重新计算出一组适合中药饮片数据集的先验框大小。第三,构建中药饮片数据集。通过实地获取中药饮片样本,并对样本进行数据扩充,对数据进行手动标注等一系列操作,制作成符合本文实验的数据集。最终,构建的数据集种类为124种,共计15258张图片,其中训练集有10985张图片,验证集有2747张图片,测试集有1526张图片。第四,基于改进的YOLOv5s算法在自制的中药饮片数据集上进行模型测试,算法对比包括YOLOv3、YOLOv4、YOLOv5s和改进的YOLOv5s算法。此外,还进行了多种不同改进方式的对比实验。最终,实验结果表明,改进后算法的平均精度可以达到98.9%,相比于原算法的97.6%提高了1.3%,计算量由原来的16.9GFLOPs降低为9.9GFLOPs。第五,设计中药饮片的识别系统。经过改进算法后,对中药饮片的分类识别效果有了很大的提升,在基于改进后算法的基础上进一步拓展,尝试了三种设计中药饮片识别系统的方案,分别有基于Py Qt5来设计界面,基于Streamlit设计Web界面,基于HTML技术设计中药饮片界面。在这三种不同的方案中,都包含了关于中药饮片相关的功能模块,方便用户进行查询。
基于深度学习的遥感图像目标检测算法研究
这是一篇关于遥感图像,目标检测,YOLOv5算法,上下文增强模块,Transformer模块的论文, 主要内容为深度学习目标检测算法已经广泛应用于遥感图像领域,但由于遥感图像背景复杂,目标像素占比少、目标数量多且排列密集,目标尺寸差异大等问题,其目标检测的准确率和可靠性的提升仍然是极具挑战的研究课题。本文以遥感图像目标检测为研究对象,重点围绕单阶段目标检测算法的关键技术展开研究,研究工作主要有:针对遥感图像数据集各类别数量极不平衡的问题,通过图像切割和增广等数据处理方法扩充了DOTA-v1.0遥感数据集;抽取DOTA-v1.0数据集和DIOR数据集的飞机目标分别构建了飞机数据集;转换了各数据集的标签文件格式用于YOLOv5网络的训练。针对经典单阶段目标检测算法YOLOv5在遥感图像目标检测任务中精度不足的问题,提出一种局部感知上下文增强网络(LCE-Net)。通过嵌入局部注意力模块加强算法在相似背景下的特征提取能力,添加上下文增强模块扩大感受野,通过多组实验来验证算法性能。实验采用DIOR、DOTA-v1.0、RSOD遥感数据集进行对比实验,精度分别超出基准1.8%,3.6%,0.2%,在消融实验中,当加入局部注意力模块,网络检测精度提升了1.6%,再加入上下文增强模块,网络检测精度提升了0.4%。为进一步提高检测精度,提出了注意力融合和上下文增强网络(AFCE-Net),分别提高大目标和小目标的检测精度。在大目标检测过程中将C3模块替换为Transformer Encoder结构捕获全局注意力,接着加入Sim AM模块重分配通道和空间的权重,再加入池化上下文增强模块增大感受野,抑制背景噪声;在小目标检测的特征融合阶段,加入池化上下文增强模块获取小目标的上下文信息,加入注意力融合模块获得二次筛选的通道净权重;定位损失替换为SIo U。实验采用DIOR,DOTA-v1.0遥感数据集进行对比实验,精度分别超出基准3.0%,5.2%。通过以上研究,提高了遥感图像目标检测算法的检测精度,为遥感图像目标检测的应用技术提供可行的参考方案。
基于深度学习的建筑裂缝识别方法研究
这是一篇关于深度学习,注意力机制,NDAM,裂缝识别,目标检测,YOLOv5算法的论文, 主要内容为近年来,基于深度学习的建筑物损伤检测算法被广泛应用在建筑裂缝识别和建筑裂缝目标检测这两个任务上。深度卷积神经网络和相应的目标检测算法不仅可以更加智能合理的提取图像特征,并且在经过大量数据训练后,模型具有优异的准确性和泛化能力。本文针对裂缝识别和裂缝目标检测两个重要问题展开了深入研究。主要研究内容和成果如下:(1)搭建无人机采样平台,通过无人机高空采集与互联网开源数据集相互结合的办法,构建了含有16700张照片的建筑裂缝分类数据集和4000张照片的建筑裂缝目标检测数据集。(2)研究了不同深度的Res Net残差网络(Res Net18、Res Net34和Res Net50)的网络结构和算法原理。深入探究了Se Net(Sequeeze and Excitation Networks)、BAM(Bottleneck Attention Module)和CBAM(Convolutional Block Attention Module)三种不同的注意力机制的算法原理。(3)在已有的注意力机制的基础上,克服其存在的推理速度与准确率无法兼顾的问题,提出了一种可以嵌入到任何网络结构中的并且适用于裂缝检测的新型注意力机制NDAM(Novel Dual Attention Mechanism,NDAM),NDAM模型结构相较于其它注意力机制准确率更高、运算复杂度更低。搭建了15种不同深度的Res Net网络和上述四种注意力机制相结合的模型进行实验,结果显示Res Net+NDAM注意力模块的性能,在裂缝分类数据集上显著超过了Res Net+Se Net、Res Net+BAM和Res Net+CBAM这三大类模型。其中Res Net18+NDAM模型的性能最强,在裂缝分类数据集上的准确率为99.5%。(4)采用梯度加权类激活热力图(Gradient-weighted Class Activation Mapping,Grad Cam)可视化算法,分析了Res Net18+NDAM中的4个卷积块的类激活热力图,结果显示Res Net18+NDAM网络的识别判断依据是十分准确的,可以准确地学习到裂缝和非裂缝的区别,这增强了所提算法的有效性和可解释性。(5)分析了YOLOv3、YOLOv4以及YOLOv5的算法原理、训练技巧和网络结构。采用迁移学习的方法在裂缝数据集上训练了YOLOv3和YOLOv5两个模型,并测试了其性能指标。结果显示,在裂缝目标检测数据集上,YOLOv5相较于YOLOv3,在推理速度和识别性能上都有了显著提升。
基于深度学习的网约车危险驾驶管控系统的设计与实现
这是一篇关于网约车危险驾驶管控系统,YOLOv5算法,深度学习算法,Dlib的论文, 主要内容为2013年以后,以外卖、网约车、房产销售为主的线上线下一体化平台,极大的改变了社会的运行模式。目前,网约车已经成为人们出行的重要交通方式,但是网约车驾驶员的素质参差不齐,乘客在乘坐网约车的过程中驾驶员可能会出现在疲劳驾驶或分心驾驶等行为,给乘客带来糟糕体验的同时还存在很大的安全隐患。目前网约车管理平台为监管驾驶员的服务情况,会将乘客投诉订单的车内行程视频流转到人工进行审核判责,但这样的审核方式产生了大量的人工成本。随着订单规模的增长,审核成本高成为了网约车公司亟待解决的问题。针对以上提到的问题,本项目主要通过深度学习算法识别驾驶员在驾驶过程中是否有服务及安全不合规的行为,用算法智能识别代替人工审核的方式实现网约车服务审核降本的目的。本系统主要包括三个模块,分别为危险驾驶检测算法模块、驾驶员信息管理模块和运营管理后台模块。驾驶员信息管理模块包含对疲劳/分心驾驶的检测功能,通过车载摄像装置获取到车内驾驶视频并将获取的视频进行驾驶员疲劳驾驶和分心驾驶行为的识别,危险驾驶检测算法部分使用深度学习算法进行人脸识别,使用MTCNN算法进行人脸检测,并使用Dlib进行人脸关键点检测来计算眼睛和嘴巴的开合程度,从而判断驾驶员是否存在闭眼或者打哈欠行为,再使用Perclos模型计算疲劳程度,分心行为检测主要使用YOLOv5算法检测驾驶员是否存在玩手机、抽烟、喝水这三种行为,如驾驶员存在危险驾驶行为则在驾驶员端进行语音提示,并在运营管理后台模块展示出检测到的驾驶员疲劳驾驶/分心驾驶结果及检测结果相关的判断数据,有助于实时检测驾驶员的驾驶状态并快速定位到异常驾驶状态的问题原因。该项目赋能出行行业的安全服务管控,有助于打造一套低成本的网约车安全服务管控系统,从而督促驾驶员提供好服务,提高驾驶员安全驾驶的意识,保证网约车行业稳定的安全服务治理生态。本人参与整个系统需求分析、系统设计与实现及系统测试的所有环节。该方案实施后,通过一家互联网公司内部平台对该系统进行了测试,该互联网公司日常使用本系统对200万驾驶员的安全驾驶及服务情况进行监控,识别准确度90%以上,节约人工成本超过30%。
桑树病虫害图像诊断系统设计与开发
这是一篇关于桑树病虫害,图像识别,YOLOv5算法,模型改进,设计开发的论文, 主要内容为目前桑树种植中,存在着病害防治滞后、防治不规范、智能化程度低等问题。为此,本文针对桑树病虫害防治,设计开发了一套桑树病虫害图像诊断系统。在桑树病虫害防治功能需求分析的基础上,提出了桑树病虫害图像诊断系统的总体架构和方案,并分析了开发过程中的关键技术与难点。通过对桑树病虫害特征属性的分析,选取了YOLOv5算法作为桑叶病虫害识别基本模型;根据桑树病虫害的具体应用场景,针对YOLOv5算法主干网络对桑树病虫害的适配特点,结合计算机视觉领域的Transformer,引入了Transformer网络Efficient Former,构建了一种CNN+Transformer的病虫害识别的主干网络;引入SIOU边界框损失函数,替代YOLOv5算法基本模型中的GIOU,以此来提升小目标病害特征的检测能力;数据集训练对比实验表明,改进后的算法模型,在准确率和召回率上各有5.23%和6.46%的提升,验证了改进算法模型在桑树病虫害识别的改进有效性。根据桑树病虫害防治功能需求和系统总体方案,及改进后的YOLOv5算法模型,开展了基于无人机为平台的图像信息采集模块;基于Windows中Pycharm开发平台,应用Python语言和QT designer UI界面设计等开发工具,进行了桑树病虫害数据集构建、专家防治分系统、病虫害诊断模块、PC端以及移动端等桑树病虫害图像诊断系统各模块的设计与开发。开展了桑树病虫害图像诊断系统PC端和移动端的诊断功能测试实验,野外实地测试实验结果表明:图像诊断系统的PC端和移动端均能实现预期的识别诊断功能,正确率分别为97.25%和96.50%,系统识别平均响应时间分别为0.51秒和0.55秒,达到了设计目标。本文开展的桑树病虫害智能识别算法的模型研究、开发的桑树病虫害图像诊断系统,将有力地帮助桑农及时准确地监测识别桑树的病害,提高桑树病虫害的防治水平。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码港湾 ，原文地址：https://m.bishedaima.com/lunwen/54328.html
