基于改进MobileNet V2的多视图三维人脸重建

针对多视图三维人脸重建时,由于图像特征提取能力有限而导致三维人脸模型重建效果不佳的问题,本文提出了一种基于改进MobileNet V2网络的三维人脸重建方法。首先在MobileNet V2网络中引入多路径结构,使不同子路径的特征能够进行交互,从而增强网络的表达能力;然后在通道维度上加入压缩激励(Squeeze and Excitation,SE)模块,在空间维度上加入空间分组增强(Spatial Group-wise Enhance,SGE)模块,从而有效提取人脸形状参数和表情参数;最后使用三维可形变模型(3D Morphable Model,3DMM),并根据形状参数和表情参数完成三维人脸重建。在300W-LP数据集上,与基于卷积神经网络(Convolutional Neural Network,CNN)的重建方法以及基于Visual Geometry Group Batch Normalization(VGG-BN)改进网络的重建方法进行对比实验,实验结果表明平均重建精度分别提升约0.46%和0.31%。

基于MobileNet V2模型迁移学习的垃圾图像分类算法

垃圾分类结合人工智能图形识别技术,是对传统垃圾处理方式的改革,旨在实现垃圾的有效分类处置,是一种科学管理方法[1]。本文基于MobileNet V2网络结构,使用迁移学习提高模型特征表达的能力,改进并选择合适的损失函数和优化方案,使得模型能够区分不同种类的垃圾,训练完毕的模型导出后可以部署在嵌入式系统或者APP中。

基于改进ShuffleNet V2的柑橘病害识别研究

大型卷积神经网络因模型复杂难以部署于实际应用,而轻量级网络因优化模型结构而导致精度往往不如前者理想。针对上述问题,对ShuffleNet V2进行改进,提出一种轻量化MAM-ShuffleNet柑橘病害识别模型。首先,在ShuffleNet V2中引入混合注意力模块(Mixed attention module,MAM),提升模型对病害特征提取能力。其次,利用Ghost模块优化网络中卷积层,有效降低网络模型参数量和计算成本。最后,调整网络结构中ShuffleNet V2单元堆叠次数,进一步简化网络参数。结果表明,在自建柑橘叶片数据集中,MAM-ShuffleNet模型平均识别准确率达到97.7%;与原始ShuffleNet V2相比,其参数量降低了45.7%,识别准确率提升了1.2百分点;综合性能明显优于ResNet50、DenseNet121等模型。

基于改进MobileNet v2的服装图像分类算法

针对现有服装图像分类算法参数量较多、识别精度低的问题,提出了一种基于注意力机制和迁移学习的改进型MobileNet v2算法。首先,选取MobileNet v2作为特征提取网络,确保服装分类算法的整体轻量性。其次,将通道与空间注意力机制嵌入特征提取单元,自适应地选择和强化有用的特征信息,从而提高服装图像分类算法的识别精度。最后,通过迁移学习方法对模型进行参数初始化,使得模型能够从源域中获得先验知识。在Fashion MNIST数据集上的实验结果表明:所提算法的分类精度为93.28%,相较于ResNet50、EfficientNet v2_l、ShuffleNet v2和MobileNet v2模型,分别提高了1.85%、1.34%、3.86%和3.17%;在DeepFashion数据集上的准确率为88.24%。此外,该算法参数量低至2.35M,单张图像推理速度仅为7.5 ms,在参数量基本不变的的情况下提升了分类精度与推理速度。

基于DCNv2和Transformer Decoder的隧道衬砌裂缝高效检测模型研究

为解决因衬砌裂缝性状随机、分布密集、标注框分辨率低所导致的现有模型识别精度低、检测速度慢及参数量庞大等问题,以第2版可变形卷积网络(DCNv2)和端到端变换器解码器(Transformer Decoder)为基础对YOLOv8网络框架进行改进,提出了面向衬砌裂缝的检测模型DTD-YOLOv8。首先,通过引入DCNv2对YOLOv8主干卷积网络C2f进行融合以实现模型对裂缝形变特征的准确快速感知,同时采用Transformer Decoder对YOLOv8检测头进行替换以实现端到端框架内完整目标检测流程,从而消除因Anchor-free处理模式所带来的计算消耗。采用自建裂缝数据集对SSD,Faster-RCNN,RT-DETR,YOLOv3,YOLOv5,YOLOv8和DTD-YOLOv8的7种检测模型进行对比验证。结果表明:改进模型F1分数和mAP@50值分别为87.05%和89.58%;其中F1分数相较其他6种模型分别提高了14.16%,7.68%,1.55%,41.36%,8.20%和7.40%;mAP@50分别提高了28.84%,15.47%,1.33%,47.65%,10.14%和10.84%。改进模型参数量仅为RT-DETR的三分之一,检测单张图片的速度为16.01 ms,FPS为65.46帧每秒,对比其他模型检测速度得到提升。该模型在面向运营隧道裂缝检测任务需求时能够表现出高效的性能。

基于多角度Kinect v2的羊只三维模型重构方法研究

羊只的体尺参数是衡量其生长发育状况、生产性能和遗传特性的关键指标。重建羊只的三维模型可以为自动化获取多种羊只体尺参数提供数据基础,因此提出一种基于多角度Kinect v2的羊只三维模型重构方法。该方法通过放置在羊只顶部和左右两个侧面的Kinect v2设备,获取羊只的三维点云数据;利用这些数据中的点云之间的相对位置关系,进行点云坐标的转换和初始配准;采用ICP算法进行精确配准建立三维模型。结果表明:当Kinect v2深度相机高度为120 cm、俯视角为30°时,获取的点云质量较高,自动配准的平均误差为0.233 cm,平均耗时为12.89 s。根据模型计算出的羊只体高、体斜长、十字部高和腰脚宽等体尺参数与实际测量平均误差均在5%以内。

基于Point Transformer v2的点云枝叶分离方法研究

准确高效的点云枝叶分离对精确计算森林树木的垂直参数至关重要。然而,当前的研究方法计算成本高,且依赖先验知识导致泛化能力不足。针对以上问题,文章提出利用基于点特征的Transformer网络进行自动化的森林场景三维点云的枝叶分离研究。该方法使用Point Transformer v2网络,首先利用网格编码模块提取可学习的局部结构关系,保留点云的几何拓扑结构;其次使用分组注意力实现多通道联合学习,降低特征的冗余度,提高计算的效率;最后构建了基于点的Transformer网络实现高精度森林树木三维点云语义分割,降低了对于先验知识的需求。使用地基激光扫描仪获取的加拿大和芬兰7个不同树种样地的三维点云数据,进行枝叶分离实验和精度评价。实验结果表明,网络整体精度(OA)为94.42%,mIoU为78.89%,能够适应不同树种、不同点云密度的森林场景的枝叶分离。

基于改进轻量化EfficientNet-V2模型的小麦种子分类

小麦种子常混有燕麦、大麦等其他种子,如何分类足够纯度的种子是一个重要问题。为解决种子纯度问题,提出一种基于改进的EfficientNet-V2模型的种子分类方法,将其命名为CA-EfficientNet-V2_xs。首先,通过购买常用小麦种子(含有常见的燕麦、大麦等杂种),自制数据集;其次,为加快训练以及针对自制数据集数量不足的问题,采用迁移学习的方法;再次,为更好地帮助模型更加精准地定位和识别感兴趣的目标,将采用Coordinate Attention(CA)注意力机制来替换SE注意力机制;最后,通过精简网络结构使模型更小、训练速度更快。试验表明,改进后模型的分类准确率达到99.7%,比未改进之前的网络分类准确率提升1.3%;与EfficientNet-V2_s模型的78 MB相比,改进后模型大小降至3.8 MB,模型大小降低;改进后的模型速度比主流网络更快。

基于Kinect V2和Unity3D的机械臂人机交互系统

针对人机交互方式存在不直观、操作复杂等问题,论文利用手部追踪技术开发出一种基于Kinect V2和Unity3D的人机交互系统,用户可以直接挥动手部就可以控制机械臂运动,交互方式更加简单、直观和灵活。该系统是通过Kinect V2来获得手部移动轨迹来实现手部追踪,并在Unity3D平台上进行交互系统的开发。利用FABRIK算法和贝塞尔曲线分别实现了逆运动学求解和运动路径的记录,通过C#编写所需的脚本功能并开发出了两种交互模式,分别为实时控制模式和示教模式,两种模式均可通过UI面板进行选择。最后对两种模式分别进行实验,实验结果证明了该系统的可行性。

一种改进的基于Inception-ResNet v2的眼疾病识别算法

该文旨在解决传统方法在眼疾病识别中分类准确率低的问题,提出了一种改进的眼疾病识别算法,基于Inception-ResNet v2架构,并引入SENet注意力机制、Ghost模块和空洞空间金字塔池化等技术。通过学习通道相关性和加强对重要特征的关注,显著提高了眼疾病分类的准确率,有效区分常见四种眼疾病数据集。为了进一步提高模型的泛化能力,还引入数据增强技术以减少过拟合。相比Efficient-Net、ResNet和Inception-ResNet等经典深度学习模型,该算法表现更优,为眼疾病早期诊断提供了更准确、高效的方法。

基于MobileNet-V2迁移学习的异常流量检测方法

针对越来越多的不同种类恶意流量给网络安全带来的巨大隐患,构建大规模机器学习系统复杂、昂贵和现今国内特定场景下快速搭建模型的研究较少的问题,论文提出了一种基于MobileNet-V2模型,采用迁移学习技术快速搭建异常流量检测模型的方法。首先,利用迁移学习的方式,基于MobileNet-V2模型,采用三通道变换与零填充等方式构建异常流量模型,使其符合实际流量异常检测分类的应用场景。其次,数据集采用USTC-TFC2016公开流量数据集,通过预处理将其转换为类似二维图片的数据格式,输入构建的模型中进行训练与测试。实验结果表明,该模型具有良好的检测性能,在精确度、查准率、查全率、F1分数等主要性能指标上均有很好的表现,可为防火墙等其他嵌入式设备提供一个高效的流量检测方案。

利用改进MobileNet V2网络识别水稻叶片病虫害的方法

针对传统水稻叶片病虫害分类效率不高、精度低和模型占用空间过大等问题,改进MobileNet V2网络,并结合迁移学习策略对水稻叶片病虫害进行识别。实验以4种常见水稻叶片病虫害作为研究对象,利用注意力机制对MobileNet V2进行改进,通过修改模型残差结构引入通道注意力机制,并采用迁移学习策略对改进模型进行训练。实验表明,相比于原始模型,引入注意力机制并采用迁移学习的改进模型CAM_qianyi的准确率提升了0.82个百分点,达到了84.32%,其准确率也高于轻量化卷积神经网络ResNet18(82.54%)和未采用迁移学习的改进模型CAM(73.65%)。改进模型能准确提取水稻叶片病虫害特征,有效提高了识别效率和精度。

PI-RADS v2评分联合表观扩散系数在前列腺癌中的诊断价值分析

目的探究前列腺影像报告和数据系统第二版(PI-RADS v2)评分联合表观扩散系数(ADC)对前列腺癌的诊断价值。方法选取2017年7月—2021年7月治疗的80例前列腺疾病患者为研究对象,根据前列腺穿刺活检结果分为前列腺癌组51例和非前列腺癌组29例。所有患者在病情稳定状况下进行MRI平扫,测量ADC值,进行PI-RADS v2评分。比较2组PI-RADS v2评分及ADC值,采用受试者工作特征曲线评估PI-RADS v2评分联合ADC值对前列腺癌的诊断效能。结果前列腺癌组PI-RADS v2评分明显高于非前列腺癌组,ADC值明显低于非前列腺癌组(P<0.01)。PI-RADS v2评分(阈值为4分)诊断前列腺癌的敏感度为82.35%,特异度为75.86%,准确度为80.00%,曲线下面积(AUC)为0.829;ADC值(阈值为850×10^(-6)mm^(2)/s)诊断前列腺癌的敏感度为78.43%,特异度为79.31%,准确度为78.75%,AUC为0.816;二者联合诊断前列腺癌的敏感度为92.16%,特异度为89.66%,准确度为91.23%,AUC为0.868。二者联合诊断前列腺癌的AUC明显大于PI-RADS v2评分和ADC值单独诊断(P<0.05)。结论PI-RADS v2评分联合ADC值对前列腺癌有较好的诊断价值,且较单一检测的准确度更高。

基于改进DeepLabv3+的轻量化作物杂草识别方法

为在存储资源与计算能力有限的设备上实现田间作物和杂草的识别,本文提出一种基于改进DeepLabv3+的轻量化语义分割网络。首先,以MobileNet v2作为DeepLabv3+的特征提取骨干网络,提出双分支残差模块替换倒残差模块,并删除后两层卷积以降低模型参数量。其次,在空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)模块中引入分组逐点卷积,使用深度扩张卷积替换标准卷积,并将卷积后的特征图进行多尺度特征融合增强对作物和杂草深层特征的提取能力。最后,将原有的非线性激活函数替换为Leaky ReLU激活函数来提升分割精度。实验结果表明:改进后网络的mIOU达到86.75%,参数量仅为0.69M,FPS达到了98,与原始DeepLabv3+以及3个典型轻量化语义分割网络的相比,参数量最小,在对比的轻量化网络中具有最高的分割精度。

木尔坦棉花曲叶病毒V2蛋白N端保守脯氨酸对病毒致病性的影响

木尔坦棉花曲叶病毒(CLCuMuV)是棉花曲叶病的主要病原之一,其V2蛋白在病毒致病过程中起重要作用。本研究对V2蛋白N端第4位脯氨酸在病毒致病过程中的作用进行了分析。通过构建马铃薯X病毒(PVX)异源表达载体(PVX-V2、PVX-V2^(P4A)),利用农杆菌介导的方法接种于本氏烟发现,PVX-V2能够增强PVX异源病毒的致病性,致使PVX在植物体内复制量增加,而PVX-V2^(P4A)对PVX异源病毒致病性的影响相对较小。通过构建V2基因突变体(ΔV2、V2^(P4A))侵染性克隆,利用农杆菌介导的方法接种于本氏烟发现,ΔV2、V2^(P4A)侵染性克隆引起的症状较野生型更弱。结果表明,CLCuMuV V2蛋白N端第4位脯氨酸在病毒侵染过程中起重要作用。

基于改进ShuffleNetV2的荔枝叶片病虫害图像识别

【目的】探索及时、准确识别危害荔枝叶片病虫害的方法,做好防护和治理工作。【方法】以常见荔枝叶片病虫害图像为研究对象,针对荔枝病虫害图像的病斑分布区域广、面积大小不一等特点,对ShuffleNet V2模型进行相应改进。首先,采集荔枝5类叶片病虫害制作数据集,采用数据增强操作构建更加丰富的数据集;其次,在网络特征提取模块采用混合空洞卷积,避免传统卷积在下采样过程中造成图像分辨率降低及信息丢失;然后,通过嵌入轻量型通道注意力模块ECA(efficient channel attention),增进特征图之间相互依赖关系。此外,删减模型中不必要的层数和通道数,降低模型的参数量及运算量。【结果】研究所改进模型在5类荔枝病虫害图像(毛毡病、炭疽病、煤烟病、叶瘿蚊、藻斑病)中达到了99.04%的识别准确率,比原网络ShuffleNet V2高出2.55%。相较于经典网络AlexNet、ResNet-18、DenseNet和MobileNet V2等,改进模型不仅有着更高的识别准确率,并且改进后模型参数量仅为0.059×10^(6),为原模型的4.92%,浮点运算量仅为0.183×10^(9)。【结论】研究结果适合部署在移动终端等嵌入式资源受限设备上,有助于实现对作物病虫害实时、准确地识别。

基于改进ShuffleNet V2网络的核桃破壳物料壳仁分类识别方法

核桃破壳后壳仁物料的高效无损分类检测是云南深纹核桃加工的关键技术缺口。本研究首先使用单独的下采样模块、网络浅层不使用深度卷积及网络深层使用H-Swish激活函数替代ReLu激活函数等优化策略,将ShuffleNet V2-0.5网络模型改进为C-ShuffleNet网络模型,实现轻量化的核桃破壳物料壳仁分类检测;然后,用核桃破壳物料壳仁数据集对改进前后的模型进行训练,进而对改进后的模型进行评估与检验;最后,将改进后的模型C-ShuffleNet与AlexNet、ResNet、EfficientNet、MobileNet等经典分类网络模型进行综合性能比较。结果表明,改进后的C-ShuffleNet模型大小比改进前的ShuffleNet V2-0.5压缩了8.9%,测试集准确率达到98.34%,比改进前提高了1.28个百分点,模型推理速度两者相差不大;与AlexNet、ResNet、EfficientNet、MobileNet等模型相比,C-ShuffleNet模型不但能保证较高的识别准确率,同时所占内存空间较小,识别时间更短,更加适合在嵌入式平台上开发应用。本研究结果为深纹核桃破壳物料壳仁自动化分类检测平台的开发提供了算法支持。

基于Kinect v2低成本动作捕捉系统在步态分析中的开发及应用

近年诸多证据表明基于深度传感器的微软Kinect v2可以进行精准数字化步态分析,从而提高神经系统和运动系统疾病的临床实践水平。本文从基于Kinect v2步态分析研究的步态录制条件、步态参数提取方法、步态分析准确性等方面综述Kinect v2的可靠性及可行性。文献综述提示,虽然受制于硬件及现有算法,Kinect v2在运动学步态参数测量上尚存在较大误差,但依靠其所提取的时-空间步态参数与金标准相比均具有极好的一致性,可以作为简易、低成本的步态记录及数字化分析的工具。因各研究所使用配套软件及终端算法不尽相同,未来研究方向应该聚焦于优化算法并建立标准化系统,且需要更大样本量的受试者数据验证该系统作为临床步态分析工具的真正效能。

基于改进ShuffleNet V2的轻量级防风药材道地性智能识别

[目的/意义]目前,对于防风药材产地和品质的鉴别方法主要是根据其物理或化学特征,其方法需对中药材进行分离提取,存在耗时长,费用高,专业性强,技术难度大等问题,不利于推广应用。随着深度学习的不断发展,其无需人工提取特征、分类精度高等优点被广泛应用在中药材的识别之中。[方法]针对大多数卷积神经网络模型在识别防风药材时计算量大、精度低的问题,本研究提出了一种改进的ShuffieNet V2的轻量级防风道地性识别模型。在不降低网络性能的情况下调整模型架构,减少模型参数量和计算量,用沙漏残差网络(Hourglass Residual Network)代替传统残差网络,同时引入SE(Squeeze-and-Excitation)注意力机制,把具有附加信道注意力的沙漏残差网络嵌入到ShuffleNet V2中,使用SiLU激活函数替换ReLU激活函数,丰富局部特征学习,从而提出轻量化的中药防风道地性识别模型Shuffle-Hourglass SE。为了验证本文所提出模型的有效性,选用VGG16、MobileNet V2、ShuffleNet V2和SqueezeNet V2四种经典网络模型进行对比实验。[结果和讨论]结果表明,本研究提出的模型Shuffle-Hourglass SE获得了最佳性能。在测试集上取得95.32%的准确率、95.28%的召回率,F_(1)分数达到95.27%,测试时间、模型大小为246.34 ms和3.23 M,不仅在传统CNN网络中是最优的,在轻量级网络中也具有较大优势。[结论]本研究所提出的模型在保持较高识别精度的同时占用较少的储存空间,有助于在未来的低性能终端上实现防风道地性的实时诊断。

基于优化MobileNet-V2的桥梁病害多标签分类识别

为将桥梁表观病害图像进行多标签分类,部署在嵌入式设备和移动终端中以实现智能化桥梁病害检测,采用优化的轻量化卷积神经网络MobileNet-V2构建桥梁表观病害图像识别模型。将收集到的8000张桥梁表观病害图像按8∶1∶1建立训练集、验证集和测试集,为解决数据集样本过少的情况,对训练集进行数据增强处理。通过将MobileNet-V2模型与迁移学习相结合,设计了递进式分类器和跨局部连接的网络骨干对模型进行优化,并对比不同学习率下其与原始的MobileNet-V2模型对分类结果准确率,选出最优学习率及最佳模型。通过与3种传统卷积神经网络模型进行对比分析,优化的MobileNet-V2模型和ResNet50模型均有较高的准确率,并且优化的MobileNet-V2模型相比ResNet50模型,参数量和计算量分别降低了92.39%、97.44%,训练时间降低了60.56%,该模型在拥有较低参数量和模型计算量的同时可以得到较高的准确率及训练速度。将该模型用于某桥梁进行表观病害图像的分类,其准确率为95%,与ResNet50模型相比识别耗时降低了82.6%。实例研究表明:与传统的神经网络模型相比,优化的MobileNet-V2模型能够准确识别桥梁表观病害。