基于改进Xception实现涡旋光束轨道角动量识别

当光束在海洋中传输时,湍流的存在会严重影响光束的质量,导致接收端光场产生扭曲和退化现象。为解决该问题,提出一种基于改进深度可分离网络(IXception)的方法,用于实现通过海洋湍流传输的涡旋光束轨道角动量模态识别。采用分步相位屏的思想,基于功率谱反演法仿真涡旋光束在海洋中的传输过程,并建立入射光场发生的退化、扭曲的散斑场数据集,用数据集来训练IXception识别散斑场中涡旋光束的轨道角动量。IXception延用Xception架构思想,结合了残差结构和倒置残差结构,能够提取高度空间深度特征,减少网络结构参数的冗余,增强泛化能力。研究结果表明,IXception在20 m和80 m湍流中对扭曲光场轨道角动量的识别率达到了99.20%与97.9%。随着传输距离的增加,IXception的识别率会略有降低,但与Xception模型相比,IXception识别性能更好。

基于注意力机制轻量化模型的植物病害识别方法

针对现有植物病害识别模型存在响应速度慢、参数量多、计算机内存资源消耗大等问题,本研究提出了一种轻量化神经网络模型,该模型由特征提取层、特征增强层和分类器组成。为了减小模型大小并提高网络响应速度,在特征提取层中使用深度可分离卷积进行特征提取。为了防止网络传播过程中的梯度消失并增强病害像素特征融合,在特征提取层中引入了大卷积核倒置残差结构(IRBCKS)模块。此外,在特征增强层集成了轻量级卷积块注意力模块(CBAM)注意力机制,以捕捉植物病害相关图像中像素之间的关系,增强关键信息的提取。最后,采用剪枝技术剔除模型中冗余特征信息,从而再次减少模型参数量,形成最终的轻量级网络模型Cut-MobileNet。为验证该模型的先进性,将其与轻量化模型(MobileNet V2、SqueezeNet、GoogLeNet)和非轻量化模型(Vision Transformer、AlexNet)进行性能对比,研究结果表明,Cut-MobileNet在浮点运算量、准确率、单张图片推理时间、参数量、F1值和模型大小等性能指标上都取得了较优的效果。

基于改进DenseNet网络的手机屏幕缺陷检测研究

目的:手机屏幕表面缺陷的传统检测方式主要由人工辨别,这严重影响生产质量把控和效率提升;所以寻求一种高效率、高准确性、高稳定性的检测方法是十分迫切的。方法:提出一种改进DenseNet网络的缺陷检测方法。选取DenseNet网络为基础网络,在模型中添加MobileNet v2网络中的倒置残差结构,以减少推理期间所需的内存占用,提高特征检测效率。同时,使用linear bottleneck可以防止非线性破坏太多信息,保证信息的完整性。结果:本文提出的算法对手机屏幕缺陷检测相较于ResNet网络和传统DenseNet有着显著的效果,准确率到达91.42%,平均精度均值到达93.48%,检测的平均时间为29.8 ms。结论:本文提出的检测方法能够很好地完成对手机屏幕缺陷的检测任务,并为工业检测提供出新的检测思路和方法。

基于嵌入式系统的智能售货柜目标检测算法

针对普通商品识别算法在智能售货柜嵌入式系统平台上检测速度慢、识别率低的问题,提出了一种在YOLOv3基础上的改进型商品识别算法DS_YOLOv3。利用k-means++聚类算法得到适应于售货柜中售卖饮料图像数据的先验框;采用深度可分离卷积替换标准卷积,并加入倒置残差模块重构YOLOv3算法,减少了计算复杂度使其能在嵌入式平台实时检测;同时引入CIoU作为边界框回归损失函数,提高目标图像定位精度,实现了对传统YOLOv3算法的改进。在计算机工作站和Jeston Xavier NX嵌入式平台上进行了典型场景下的商品检测实验。实验结果表明,DS_YOLOv3算法mAP达到了96.73%,在Jeston Xavier NX平台上实际检测的速率为20.34 fps,满足了基于嵌入式系统平台的智能售货柜对实时性和商品识别精度的要求。

一种在轨卫星光学遥感舰船检测算法

为了解决资源有限的在轨处理环境对光学遥感舰船检测网络速度和精度的影响,提出了应用倒置残差结构的舰船检测算法。采用端到端网络作为基础模型,裁剪网络的层数和3/4通道数,构建2层卷积倒置残差模块,使用可分离卷积和1×1卷积对普通卷积层进行替换,只保留1个检测分支,使用金字塔检测方式实现多尺度目标检测网络。基于高分一号卫星数据集的试验结果表明:相较于当前的主流网络,算法模型在平均精度(AP)相差不大的情况下检测速度有很大提升。和YOLOv3相比,检测速度提升了72%,参数量减少了99.5%;和YOLOv2相比,检测速度和AP分别提升了58%和0.9。文章提出的算法可为计算资源极其有限的卫星在轨舰船检测实现提供有效的理论技术支撑。