48、基于卷积神经网络和区块链的 COVID - 19 检测与应对方案

基于卷积神经网络和区块链的 COVID - 19 检测与应对方案

1. 数据处理与模型构建

在进行 COVID - 19 检测时，数据处理是关键的第一步。首先，对图像数据进行一系列操作，将数据集转换为包含有意义信息的最佳形式。之后就可以应用不同的卷积算法，并使用训练数据集对其进行训练。训练完成后，使用测试数据集来测试模型的效率。

1.1 训练和测试数据分割

数据预处理完成后，需要将数据源分割为训练数据集和测试数据集。输入图像有四个类别，分别是健康人、COVID - 19 阳性患者、细菌性肺炎患者和病毒性肺炎患者。具体的分割情况如下表所示：
| 类别 | 训练图像数量 | 测试图像数量 |
| — | — | — |
| 健康人 | 70 | 9 |
| COVID - 19 阳性 | 60 | 9 |
| 细菌性肺炎 | 70 | 9 |
| 病毒性肺炎 | 70 | 9 |

1.2 CNN 架构

CNN 是神经网络的一种变体，有多种架构模型，如 VGG16、ResNet - 50、DarkNet、ImageNet 等。这里使用 VGG16 架构模型，并通过回调函数实现模型构建的完全自动化。

VGG16 架构模型分为两个块：
- 第一块（AlexNet） ：这是算法整个架构的核心，负责从输入图像及其修改版本中提取特征。卷积操作将提取的输入特征与模板的相同特征进行匹配，并进行必要的过滤。特征图与卷积图进行比较，从而实现模型的学习。为了加快处理速度，将某些归一化和激活函数与内核进行线性组合应用。这个过程会多次调