目前人工智能技术已经渗透到媒体日常生产的全部环节,研究面向内容安全的图像识别技术,对网络中的违法不良图像信息进行识别和监管,具有重要的现实意义。本设计利用深度可分离卷积神经网络和MobileNet模型,配合cuDNN的GPU并行计算架构,对构建的敏感图像数据集进行训练。保存训练完成的模型,对敏感图像实现较高准确度的识别选择所需识别的图片后，通过所保存的训练模型，即可准确度较高的识别黄色、争斗、暴力、血腥以及枪械的五类图像。2MobileNet模型GoogleMobileNet网络架构，是一系列在Tensor-Flow上高效、小尺寸的移动优先型视觉模型。其具有结构孝延迟低、功耗低的特性，依旧可以像大规模模型(如Inception)一样，用于图像的分类、检测、嵌入以及分割等任务，有效地最大化模型的准确性［7－11］。MobileNet模型采用的是深度可分离卷积神经网络，又名。图像识别系统设计-电动折弯机数控滚圆机滚弧机张家港电动液压滚圆机滚弧机折弯机它将传统的卷积分为了Depthwise卷积和Pointwise卷积，打破通道数量，卷积内核大小，通过滤波和组合方式形成卷积。其本质为冗余信息更少的稀疏化表达 本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name。在此基础上给出高效模型设计的两个选择:宽度因子(widthmultiplier)和分辨率因子(resolutionmultipli-er)，以通过权衡大小、延迟时间以及精度，构建更小规模、速度更快的网络模型［12］。1．1网络结构在图1中可以看出该网络与传统卷积神经网络的不同，3×3的Depthwise卷积以及1×1的卷积被当作两个独立模块计算，再通过BN(BatchNormali-zation，批标准化)和线性修正单元)激活函数来构建网络。图1MobileNet中的卷积网络与传统卷积网络的区别在表1中，具体展示了28层的MobileNet模型结构，通过Depthwise卷积和Pointwise卷积构建整个网络。将输入时的224×224×3的输入尺寸，通过卷积、池化、全连接和Softmax分类器分类，最终输出1001维尺寸，便于进行后续随便选用一个富含代码的图像，结果识别的色情度0．334，斗争度0．327，枪械度0．320，爆炸度0．008以及血腥度0．007。可见，保存模型识别出其不属于这五类的图像的子类。图5非子分类图识别通过本设计，1．0MobileNet－224模型训练敏感图像数据集，得出训练集准确度能基本接近95%，交叉熵不断降低并逐渐维持在0．11，验证集准确度接近89%，如图6所示。不足的是，虽然采用了梯度下降算法以及误差反向传播防止过拟合和梯度消失的风险，但是由于整体设计中的数据集有限，可能存在模型无法完全学习目标图像中的所有特征值，导致验证集和测试集的准确度较低。图6识别结果展示参考文图像识别系统设计-电动折弯机数控滚圆机滚弧机张家港电动液压滚圆机滚弧机折弯机 本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name