中国安全科学学报

作者：王瑶涵, 宋泽阳, 张利冬

单位：西安科技大学 安全科学与工程学院, 陕西 西安 710054

关键词：卷积神经网络(CNN),安全标识,计算机视觉,图像识别,数据增强

基金：国家自然科学基金资助(51804168)

为解决安全标识数据集、安全标识特殊图形及复杂背景缺乏等问题,采用卷积神经网络(CNN)提取安全标识的特征,在VGG-16网络结构和CNN的基础上构建能够识别17种安全标识的VGG16-17模型。原始数据有816张,通过数据增强扩展数据集,得到4 708张图片,按照4∶1的比例将数据集划分为训练集和验证集。通过调节模型中部分参数,分析迭代次数和批量大小对模型识别分类效果的影响。结果表明:当迭代次数为20次、批量大小为32时,模型结果最理想,识别准确率为97.92%,相较于基于未经过数据增强数据集的改进模型的准确率提高19.39%,同时,改进模型相较于传统VGG16模型,识别准确率提高4.3%,证明模型改进和数据增强对图像识别能力的提高有一定帮助。

来源：2023年第S1期

《中国安全科学学报》期刊编辑部

查看中国安全科学学报杂志2023年第S1期