基于轻量级卷积神经网络的零件位姿识别算法

针对目前基于卷积神经网络(CNN)的识别检测算法存在参数量多、计算量大、内存占用大以及资源消耗过多的问题,基于YOLOv3网络结构的优势,提出了一种轻量级的识别检测网络EfficientNet-B0-YOLOv3。该网络不仅可以实现零件的位姿识别,而且可识别出零件的各个面,在具备高识别检测精度的同时,降低了网络的参数量和计算量,而且训练好的网络模型大小只有41.10 MB,可以降低资源消耗,在工业应用中,降低内存占用,更容易嵌入设备进行使用。

轻量级卷积神经网络的硬件加速方法

为提升轻量级卷积神经网络在硬件平台的资源利用效率和推理速度,基于软硬件协同优化的思想,提出一种面向FPGA平台的轻量级卷积神经网络加速器,并针对网络结构的特性设计专门的硬件架构。与多级并行策略结合,设计一种统一的卷积层计算单元。为降低模型存储成本、提高加速器的吞吐量,提出一种基于可微阈值的选择性移位量化方案,使计算单元能够以硬件友好的形式执行计算。实验结果表明,在Arria 10 FPGA平台上部署的MobileNetV2加速器能够达到311 fps的推理速度,相比CPU版本实现了约9.3倍的加速比、GPU版本约3倍的加速比。在吞吐量方面,加速器能够实现98.62 GOPS。

基于轻量级卷积神经网络的荧光指示标签用于冷鲜猪肉新鲜度判别

荧光新鲜度标签的颜色指示是实时监测肉制品品质的重要手段。以冷鲜猪肉为研究对象,提出一种由异硫氰酸荧光素(fluorescein isothiocyanate,FITC)、罗丹明B(rhodamine B,RhB)2种荧光素组成的比率型荧光新鲜度指示标签,其中发绿色荧光的FITC为反应信号,发红色荧光的RhB为参考信号。结果表明:当标签与腐败胺反应时,表现出双发射特性,FITC荧光增强,RhB荧光不受干扰,标签呈现红粉色到黄绿色的明显过渡,显著提高了标签的灵敏性和精确性;其次,利用卷积神经网络对荧光新鲜度标签的色泽变化进行智能化判别,以减少人为视觉误差,对比3种轻量级(MobileNetv2、EfficientNetb0、ShuffleNetv2)和2种非轻量级卷积神经网络(ResNet50、VGG16)的判别效果,其中轻量级神经网络EfficientNetb0的效果优于其他4种模型,识别准确率高达95.6%,且参数量和运算量仅为4.01 MB和0.398 GMACs,实现了最佳运算速度和精度的平衡。因此,利用该模型可满足快速、准确、无损判别冷鲜猪肉新鲜度的需求。研究结果可为荧光指示标签应用于冷链物流贮运过程中智能化判别冷鲜猪肉新鲜度提供理论参考。

基于多特征融合和轻量级卷积神经网络的枇杷病害识别模型

为进一步提高枇杷病害识别准确率,提出基于多特征融合和轻量级卷积神经网络的枇杷病害识别模型。先提取枇杷病害图像的灰度、LBP、HOG特征并进行特征合并,将合并后的特征矩阵输入MobileNetV3模型进行特征加强提取及融合;再利用全连接层作为分类器,对枇杷病害进行识别,得到基于多特征融合的枇杷病害识别模型。实验结果表明,利用所提模型对枇杷病害识别的准确率为99.63%,精准率为99.68%,召回率为99.76%。

改进轻量级卷积神经网络的复杂场景口罩佩戴检测方法

针对复杂光照和人脸倾斜条件下口罩佩戴检测准确率低的问题,提出一种利用轻量级卷积神经网络在复杂环境下的口罩佩戴检测方法.该方法利用难样本挖掘预训练学习更多的人脸特征,结合多任务级联卷积神经网络先判别是否有人脸信息,对其进行精准的人脸定位;在特征金字塔网络中添加注意力机制,增强了人脸关键点信息的权重,利用轻量级神经网络将口罩佩戴检测视为简单的二分类问题进行判断.在TensorFlow的环境下完成了数据训练、数据预处理、与AIZOO方法对比实验,收集建立了包含816张图片的数据集进行标注并训练;在对数据进行预处理操作时先将图片设定为固定大小以降低运算量,提高检测速度,再利用图像增强算法进行扭曲处理提高模型的鲁棒性.在此基础上,利用MTCNN检测图片中的人脸并对其进行修正和归一化操作,然后传入神经网络并利用已经训练好的模型进行检测.实验结果表明,在复杂光照和人脸倾斜等复杂条件下,文中方法的准确率分别达到83%和91%,可以有效地进行口罩佩戴检测.

基于轻量级卷积神经网络的注油孔检测算法

为解决当前注油机器人目标检测算法对现场适应性弱、识别率低等问题,通过改进YOLOv5算法,提出一种新的注油孔检测算法YOLOv5-S。将ShuffleNetv2用于图像的特征提取,通过调整输入图像的分辨率以及扩大部分基本单元中深度卷积核尺寸,确保算法既具有轻量级网络结构又具有高精度的检测水平;采集不同工况下注油孔的图像,将其分类并标注,采用YOLOv5-S,YOLOv5,YOLOv3-tiny算法对其进行训练实验,验证提出算法的有效性。结果表明:YOLOv5-S在注油孔数据集上的检测精度保持在99.4%,与原算法相比,其模型容量压缩了77%,检测速度提升了11.7 F/s。本文提出的检测算法在工控机算力和存储资源有限的条件下具备良好的识别准确率和检测速度。

轻量级卷积神经网络的机器人抓取检测研究

卷积神经网络在基于视觉的机器人抓取检测任务上取得了较好的检测效果,但是大多数方法都有太多的计算参数,不适合资源有限的系统。针对这个问题,基于SqueezeNet轻量级神经网络,结合DenseNet多旁路连接加强特征复用的思想,提出了轻量级抓取检测回归模型SqueezeNet-RM(SqueezeNet Regression Model),并使用SqueezeNet-RM从RGB-D图像中提取多模态特征,预测二指机器人夹持器的最佳抓取位姿。在标准的康奈尔抓取数据集上,提出的轻量级抓取检测网络与经典的抓取检测方法相比,在保证检测准确率不降低的情况下,模型占用更少的存储空间,表现出更快的检测速度和更高的泛化性能,所提出的模型占用的存储空间比AlexNet模型减少86.97%,平均检测速度快3倍,适用于FPGA(Field Programmable Gate Array)或者资源受限的移动机器人抓取检测系统。

基于轻量级卷积神经网络的人证比对

在证件审核场景中,常规的深度学习人脸识别方法人证比对精度低且在嵌入式设备运行效率差。为解决上述问题,本文提出了改进的轻量级卷积神经网络Lightnet,并采用了迁移学习方法。Lightnet是结合深度可分离卷积、线性瓶颈结构和注意力模块构成的轻量级卷积神经网络模块,引入附加角度裕量的损失函数AM-Softmax监督训练后,网络模型能够保持较高的验证精度,并有效解决标准卷积神经网络参数冗余、计算量大的问题。迁移学习通过冻结预训练模型的卷积层权重,并在自制的人证数据集微调,提高了网络模型的人证场景的识别性能。实验结果表明,所设计的轻量级人证比对算法在验证精度、参数量以及运行效率等方面取得了很好的效果,且对生活场景有较好的鲁棒性。

基于轻量级卷积神经网络的人脸识别方法

针对传统卷积神经网络在人脸识别中模型复杂程度高、处理数据较慢的问题,提出一种轻量级卷积神经网络算法。首先,通过对数据集采用剪裁、旋转等方式增强样本数据;然后,采用基于MobileNet的轻量级卷积神经网络对样本数据进行特征提取,并采用SSD目标检测器对样本数据中的人脸进行识别;最后,利用Python编程实现上述算法,并与传统的人脸识别算法进行比较。实验结果表明,采用的轻量级卷积神经网络算法在不失精度的前提下,处理速度更快,模型复杂程度更低。

基于可见光谱与轻量级卷积神经网络的冬小麦分蘖数估算

分蘖数是表征冬小麦生长的关键性参数,对于冬小麦苗情监测、产量预估具有重要意义。针对目前冬小麦分蘖数估算方法存在的数据获取繁复和估算模型体量大的问题,提出一种基于可见光图像和轻量级卷积神经网络的冬小麦分蘖数估算方法,以期实现冬小麦分蘖数无损快速估算,并且可嵌入移动终端设备。可见光图像具有获取便捷,处理简单的特点,利用数码相机连续采集2017年—2018年和2018年—2019年两个生长季的冬小麦冠层可见光图像。利用该数据图像,分别构建基于轻量级卷积神经网络MobileNetV2,SqueezeNett,ShuffleNet的冬小麦分蘖数估算模型进行比较试验,并与基于非轻量级卷积神经网络AlexNet和ResNet系列构建的估算模型进行对比试验。开展冬小麦分蘖数估算模型针对不同植株密度数据的鲁棒性以及针对不同生长季数据的泛化能力的验证试验。结果表明,基于MobileNetV2构建的冬小麦分蘖数估算模型的决定系数(R^(2))为0.7,归一化均方根误差(NRMSE)为0.2,在三个轻量级卷积神经网络中具有最优表现;基于非轻量级卷积神经网络构建的冬小麦分蘖数估算模型体积是基于MobileNetV2构建的冬小麦分蘖数估算模型的2.3~16.1倍。与非轻量级卷积神经网络相比较,基于MobileNetV2构建的估算模型在具有较好R^(2)的同时有较小的体量,适宜嵌入移动终端设备;针对120,270和420株·m^(-2)三个不同植株密度的可见光图像数据集,基于MobileNetV2构建的冬小麦分蘖数估算模型的R^(2)分别为0.8,0.8和0.7,表现鲁棒;针对两个生长季的可见光图像,基于MobileNetV2构建的冬小麦分蘖数估算模型通过迁移学习将R^(2)提升了2倍,NRMSE下降了7.6%,表现出对数据季节性差异较好的适应性,体现了模型的泛化能力。利用可见光图像,基于MobileNetV2构建的估算模型能够满足冬小麦分蘖数估算需求,为冬小麦生长观测以及田间农艺措施管理决策提供了一个准确、鲁棒、可嵌入移动终端设备的工具。

监控场景下基于轻量级卷积神经网络的行人属性识别

针对面向行人属性识别的传统卷积神经网络模型占用系统资源较多、运行效率较低等问题,通过采用若干个倒置残差模块来构建轻量级卷积神经网络MB-ResNet-Lite的主干网络,使用深度可分离卷积代替标准卷积,以减少模型的计算量;并通过倒置残差模块对特征的维度先扩增后缩减,实现更好地提取特征。为了解决多种行人属性识别的效率问题,所提方法是在共享主干网络之后,采用若干个分支网络进行各自特征的提取,以完成多种行人属性的分类与识别。最后,该算法在自建数据集、单核RK3399平台上进行比对实验。实验结果表明,所提算法MB-ResNet-Lite模型的大小为0.82 M,分别为ResNet-18和MobileNet的1.8%和6.3%,明显减小了模型的存储空间;在运行速度上,所提算法模型处理单张图片耗时为25 ms,分别为ResNet-18和MobileNet的18.4%和64.1%,较好地节省了图像处理时间;在内存使用方面,所提算法模型占用内存为21.56 MB,分别为ResNet-18和MobileNet的6.6%和60.0%,有效节省了系统的内存资源。在算法准确率方面,所提算法模型的平均准确率为89.24%,相比MobileNet提高了1.52%,相比ResNet-18略微下降0.86%。结果表明,所提方法有效地保证行人特征识别的精确度,减少模型的参数量和计算量,确保在低成本硬件平台的运行效率。

基于迁移学习和轻量级卷积神经网络农作物病害识别

我国的农作物病害识别主要依靠人工,借助计算机进行农作物病害识别存在病害样本数据量少,识别的精度低、实时性差等问题。针对上述问题,建立了水稻、小麦、玉米三种作物的15种常见病害作为实验样本集,利用迁移学习的方法,在ImageNet数据集取得Shufflenet v2 1×、MobileNet v3_arge、GhostNet的预训练模型,迁移网络的所有权重信息进行训练。实验结果表明:基于迁移学习的MobileNet v3_age模型在农作物病害识别上所达到的效果最好,准确率为99.27%,模型大小仅4.02 M。

基于轻量级卷积神经网络的GIS绝缘和机械故障诊断方法

绝缘和机械故障是气体绝缘金属封闭开关设备(gas insulated metal-enclosed switchgear,GIS)中占比最大的故障类型,准确的故障诊断和状态评价对保证电力系统安全稳定运行具有重要意义。深度学习方法已成为故障诊断领域的主流,但传统卷积神经网络需要强大的计算资源,在计算能力一般的智能终端设备中难以应用。为此,文中提出了基于轻量级卷积神经网络的GIS绝缘和机械故障诊断方法。首先,采用空间可分离卷积代替传统卷积构造EffNet轻量级卷积神经网络,大幅度降低了模型的计算量;其次,采用迁移学习策略进行模型训练,在提升网络识别准确率的同时加快了模型的收敛速度,解决了现场数据不足的问题;最后,通过t分布随机邻近嵌入对卷积神经网络特征进行可视化,进一步验证了模型的性能。研究结果表明,具有5个EffNet卷积块的轻量级卷积神经网络模型在绝缘和机械故障诊断中的准确率分别达到94.7%和98.7%,并显著降低了参数量、存储空间和计算开销等,适用于GIS智能组件和检测仪器,是电力物联网下嵌入式系统和移动终端的最佳选择。

基于轻量级卷积神经网络的种鸡发声识别方法

在种鸡养殖和管理过程中,借助非接触式、连续的声音检测手段和智能化设备,饲养员可以全面了解蛋鸡的健康状况以及个体需求,为提高生产效率并同时改善种鸡福利化养殖,提出了一种基于轻量级卷积神经网络的种鸡发声分类识别方法,以海兰褐种鸡为研究对象,收集种鸡舍内常见的5类声音,再将其声音一维信号转换为二维图像信号,利用卷积神经网络建立轻量级的深度学习模型,80%数据进行训练,20%数据进行测试,该模型实现了动物声音信号从输入端到识别结果输出端的高效检测。对比已有研究,本文方法对种鸡舍内常见的5类声音识别整体准确率提高3.7个百分点。试验结果表明,该方法平均准确率为95.7%,模型对饮水声、风机噪声、产蛋叫声识别召回率均达到100%,其中风机噪声和产蛋叫声精确率和F1值也均达到100%,而应激叫声召回率最低,为88.3%。本研究可为规模化无人值守鸡舍的智能装备研发提供一定理论参考。

轻量级卷积神经网络研究

现如今在视觉领域中卷积神经网络模型在确保识别率不大幅降低的前提下正朝着更低的计算量;更少的参数;更小的存储占用的轻量化趋势发展。文章列举了近年来经典的轻量级卷积神经网络,总结归纳了各个网络的特点和创新之处,为后继相关学者提供参考。

基于MSSST和强化轻量级卷积神经网络的有载分接开关运行工况识别

针对实际运行环境下变压器有载分接开关运行工况识别效果不佳的问题,提出一种基于MSSST(多重同步压缩S变换)和RLCNN(强化轻量级卷积神经网络)的工况识别方法。在该方法中,将MSSST理论引入电力设备状态监测领域,用于对有载分接开关振动信号进行分析处理,从而有效刻画信号的二维时频特征。此外,在MobileNetv2轻量级卷积神经网络中融合Adaboost自适应提升机制,提出一种新颖的RLCNN模型,以振动信号二维时频图作为样本对所构建的RLCNN模型进行训练,用于判定有载分接开关运行工况。实验结果表明,所提方法可实现有载分接开关不同运行工况的准确判定,与其他识别方法相比,该方法识别准确性更高、稳定性更好,具有实际工程应用价值。

采用经量级卷积神经网络的电力线路故障检测方法

针对目前基于深度学习的电力线路巡检中目标检测速度慢、准确率低的问题,提出了一种采用经量级卷积神经网络的电力线路故障检测方法,对销钉缺陷、绝缘子自爆以及鸟巢这三种常见故障进行检测。在YOLOv5(You Only Look Once v5)算法的基础上,首先使用Ghost模块设计轻量级网络,减小网络的参数量和计算时间,提高了线路巡检的实时性;其次,利用跨层级联的方式改进特征金字塔,更好地融合特征,提高了网络的精度;最后,使用CIoU Loss损失函数加快网络的收敛速度。经过实验验证,原来的YOLOv3模型和YOLOv5模型进行对比,巡检平均精度均值提高了3.49%和1.23%,巡检时间分别降低了10.752ms和5.577ms,验证了方法的有效性。

基于轻量级深度卷积神经网络的绝缘子检测

在无人机巡检图像中,检测出绝缘子是实现输电线路状态分析的关键.本研究采用轻量级卷积神经网络代替传统的人工特征提取器,获取输入图像的深层特征;利用深度学习目标检测网络对所提取特征进行处理和训练学习,实现多尺度、多种类的绝缘子目标检测.实验结果表明:该方法可以准确快速地识别出以山林背景为主的瓷质和复合两类绝缘子,其检测精度分别达到96.29%和90.85%,且整体检测速度高达43 F·s^(-1),有效满足电力巡线中的绝缘子实时检测要求.

共享型轻量级卷积神经网络实现车辆外观识别

提出一种共享型轻量级卷积神经网络(CNN),用于自动识别车辆颜色和型号。基础网络采用改进的SqueezeNet,在训练集上比较具有不同“瘦身”程度的SqueezeNet的分类性能。讨论完全共享型网络、部分共享型网络及无共享型网络的特征。实验结果表明,完全共享型轻量级CNN在减少参数量的同时实现了对车辆外观多属性的高精度识别。在开放数据集Opendata_VRID上进行实验,车辆颜色和车型识别的准确率分别达98.5%和99.1%。在一台无GPU配置的个人计算机上,单张图片的识别时间仅为4.42 ms。共享型轻量级CNN大大减少了时间和空间成本,更有利于在资源有限的环境中进行部署。

基于多任务学习的轻量级卷积神经网络在肺部危及器官自动分割中的应用研究

目的研究基于多任务学习轻量级卷积神经网络(MTLW-CNN)在肺部危及器官(OAR)自动分割中的应用。方法MTLW-CNN包含多个特征共享层和OAR的对应勾画分支。收集497例肺癌病例,以同时包含肺、心脏和脊髓的CT及医生勾画的轮廓为样本,随机划分300例用于训练与验证,197例用于测试。在测试集应用MTLW-CNN计算OAR的戴斯相似性系数(DSC),与Unet、DeepLabv3+的DSC、训练及测试时长、空间复杂度(S)进行对比。为研究多任务学习对模型泛化性能的影响,按照MTLW-CNN结构建立3个OAR的单任务学习模型(STLW-CNN),使用相同数据训练与测试,统计并对比两者DSC。结果MTLW-CNN的肺、心脏、脊髓DSC平均值分别为0.954、0.921、0.904。与Unet、DeepLabv3+的DSC差距<0.020,训练与测试时长是Unet、DeepLabv3+的1/3~1/30,S分别为Unet、DeepLabv3+的1/42、1/1220。STLW-CNN的肺、心脏DSC平均值、标准差与MTLW-CNN差距约为0.005、0.002,脊髓平均值相差0.001,但标准差却比MTLW-CNN高0.014。结论MTLW-CNN以更小的时间、空间代价实现肺部OAR的高精度自动勾画,不仅可以提高模型应用效率,还有利于提高模型的泛化性能。