电子元器件与信息技术|93人工智能与智能制造·基于卷积神经网络的图像分类研究与应用侯星晨，杨玉郑州财经学院，河南郑州450000摘要：现阶段在开展目标检测工作时，当需要更换检测目标时就需要完成卷积神经网络的重新训练，导致在更换检测目标时投入更多的训练成本，花费更多的时间，降低了目标检测的准确率和效率。针对这种问题，提出了准确划分检测目标各个检测状态的种类，对输入的图像实时使用卷积神经网络图像分类模型完成图像分类，借助图像分类类别来完成检测目标状态判定。测试表明，这种方法能够满足检测目标快速更换的要求，能够极大提高检测目标的准确性，同时也在很大程度上降低了训练成本。关键词：图像分类；卷积神经网络；图像检测中图分类号:TN919.81文献标志码:ADOI:10.19772/j.cnki.2096-4455.2022.11.0220引言在日常生活中人的眼睛可以快速判别所看到的物体，然而，对于机器而言这是非常困难的一项任务，借助计算机有效地处理图像是计算机视觉中的重要研究内容。随着手机、移动互联网、便携摄影等与人们生活的联系越来越密切，为计算机终端完成大量数据的获取提供了方面。而随着深度学习、机器学习、信息技术等技术越来越成熟，计算机图形学也进入了快速发展的阶段。特别是在卷积神经网络的应用越来越广泛后，在很大程度上提升了计算机识别图形的精度[1]。但是现在使用的图像检测大多是以特定的目标作为识别对象，出于提升识别精度的目的，会针对特定目标处于各种状态的图像开展次数较多的深度学习模型训练。然而这种模型无法满足通用性较高的要求，一旦使用这种模型检测其他目标，必须再经历一次繁琐的模型训练工作，检测效率比较低。在本次研究中将在图像检测过程中简化深度学习，只需要完成目标状态的简单记录就能够将模型转变为该目标的检测模型。1图像分类概念图像分类就是与图像所反映的实际特征相结合，有效的区分不同领域图像的过程，也就是将一张图片输入到计算机中，计算机需要在已有的类别、标签中判断图片属于哪个类别[2]。举例来说，在一堆有动物、风景、物体的图片中，计算机完成任意一张图片的接收，都需要将图片划分到具体的物体类别中。图片识别虽然看起来较为简单，但是其中拥有很多需要攻克的难题，例如计算机在开展图形识别工作时，其识别的精准度会受到背景、光线、旋转角度等因素的影响。早期的人工智能方法借助被识别物体的定义利用专家系统等方式来有效识别抽象的物体。随着统计机器学习越来越成熟，在...
