20个算法毕设项目分享(七)

# 1 深度学习卷积神经网络垃圾分类系统
数据集是图片数据，分为训练集85%（Train）和测试集15%（Test）。其中O代表Organic（有机垃圾），R代表Recycle（可回收）

采用迁移学习的方式导入预训练模型，冻结特征提取层，进行微调训练，选取了SeNet154、Se_ResNet50、Se_ResNext101、ResNext101_32x16d_WSL四种模型进行对比实验，选取结果较好的模型进行调优。

目前模型训练集准确度83.8%，测试集准确度67.5%，仍有待提高。

2 基于深度学习的人体目标检测算法

传统的目标检测一般使用滑动窗口的框架，主要包括三个步骤：

1. 利用不同尺寸的滑动窗口框住图中的某一部分作为候选区域；

2. 提取候选区域相关的视觉特征。比如人脸检测常用的Harr特征；行人检测和普通目标检测常用的HOG特征等；

3. 利用分类器进行识别，比如常用的SVM模型。

3 基于深度学习的水果识别

传统的水果图像识别系统主要工作集中在图像预处理和特征提取阶段。 在大多数的识别任务中， 实验所用图像往往是在严格限定的环境中采集的， 消除了外界环境对图像的影响。 但是实际环境中图像易受到光照变化、 水果反光、 遮挡等因素的影响， 这在不同程度上影响着水果图像的识别准确率。 在传统的水果图像识别系统中， 通常是对水果的纹理、 颜色、 形状等特征进行提取和识别。

数据库分为训练集(train)和测试集(test)两部分，训练集包含四类apple、orange、banana、mixed(多种水果混合)四类237张图片；测试集包含每类图片各两张。图片类别可由图片名称中提取。

4 深度学习行人口罩佩戴检测

本项目中使用的是SSD架构的人脸检测算法，相比于普通的人脸检测模型只有人脸一个类别，而人脸口罩检测，只不过是增加了一个类别，变成戴口罩人脸和不戴口罩的人脸两个类别而已。

下载人脸口罩数据集的目的是利用OpenCV进行模型训练，这里采用口罩数据集的正负比列为1:3，即500张戴口罩的人脸图片和1500张不戴口罩的人脸图片。

5 基于大数据的b站数据分析

分析方向：首先从总体情况进行分析，之后分析综合排名top100的视频类别。

总体情况部分包括：

1. 各分区播放量情况。
2. 各区三连（硬币、收藏、点赞）情况。
3. 弹幕、评论、转发情况。
4. 绘制综合词云图，查看关键词汇。

综合排名top100部分包括：

5. top100类别占比。
6. top100播放量情况。
7. 硬币、收藏、点赞平均人数分布。
8. 各分区平均评论、弹幕、转发量情况。