控制卷积量变化的电化学方法研究——伴有后续均相催化反应的电极过程(Ⅰ)

采用控制卷积量的电化学实验方法，对伴有后续均相催化反应的电极过程进行了处理，得到恒半积分法、半积分扫描法和半微分扫描法的理论曲线，并对亚铁氰化钾——抗坏血酸体系进行了实验验证，获得后续均相催化反应的动力学速率常数，与文献值吻合．

控制卷积量变化的电化学方法理论与应用——亚铁氰化钾-抗坏血酸体系催化性能的验证

采用电流与时间的卷积作为可控制量的电化学实验方法：恒半积分法、半积分扫描法和半微分扫描法对亚铁氰化钾－抗坏血酸体系进行了研究，获得了电极反应的扩散系数和标准电极电位值，并以循环伏安法和控制卷积量变化的电位～时间曲线证实了后续化学反应催化性能的存在，结论与文献值相符．

控制卷积量变化的电化学方法理论与应用——伴有后续均相催化反应的电极过程(Ⅱ)

采用电流与时间的卷积作为可控制量的电化学实验方法，对伴有后续均相催化反应的电极过程进行了理论处理，得到了恒半积分法、半积分扫描法和半微分扫描法的理论曲线，并对三氯化铁——双氧水体系进行了实验验证，获得了后续均相催化反应的动力学速率常数，结果与文献值吻合。

控制卷积量变化的电化学方法研究——FeCl_3-H_2O_2体系催化性能的验证

控制卷积量变化的电化学实验方法是指将电流与时间的卷积作为可控制量的电化学实验方法，采用恒半积分法、半积分扫描法和半微分扫描法对氯化铁－双氧水体系进行了研究，获得了电极反应的扩散系数和标准电位值，并以循环伏安图和控制卷积量变化的电势～时间曲线证实了后续化学反应催化性能的存在。

控制卷积量变化的电化学方法研究(Ⅰ)——简单电极反应

本文提出了一种控制卷积量变化的实验方法。对简单电极反应进行了理论处理,得到了恒半积分法、半积分扫描法、半微分扫描法的理论方程,并对3个体系进行了实验验证,结果与理论分析基本吻合。

改进轻量卷积网络在葡萄病害叶片的分类方法

针对传统人工检测葡萄叶片病害种类准确率不高、效率低的问题,提出了一种改进轻量卷积网络模型的葡萄叶片病害图像分类方法。选择对小规模数据分类效果好的Xception网络作为基础模型,对其进行创新性改进,首先,将原始网络中的ReLU激活函数替换为ELU激活函数;其次,设计全新的全连接层,使用全局最大池化层替换原来的全局平均池化层,并对输出层进行改进;再次,在网络中嵌入通道注意力机制。对数据进行预处理,将数据按4∶1的比例划分训练集和测试集。为模拟现实拍摄情况,在训练时采用数据增强方法,对数据进行扩容,然后将在ImageNet上预训练好的权重参数迁移到改进的模型中。实验结果表明,改进的葡萄叶片病害分类模型(Grape-Xception)的准确率相较于原始模型提高了2.95个百分点达到99.57%,研究模型的规模为81.38MB。与其他网络模型相比,准确率大幅提高,为葡萄叶片病害的快速诊断和及时防控提供了一种准确高效的方法。

基于轻量级全连接张量映射网络的高光谱图像分类方法

近年来,基于卷积神经网络的深度学习模型已经在高光谱图像分类领域取得优异表现.然而,模型性能的提升通常依赖于更深、更宽的网络结构,导致参数量和计算量增长,从而限制了模型在机载或星载载荷中的实际部署.为此,本文提出基于轻量级全连接张量映射网络的高光谱图像分类方法.根据全连接张量网络分解的映射思想以及高光谱图像“图谱合一”的结构特点,本文设计两种张量映射卷积单元,通过使用多个具有全连接结构的小尺寸卷积核代替原始卷积核,降低了卷积层的时间和空间复杂度.此外,基于新单元构建残差双分支张量模块.双分支结构共享同一组权重参数,并采用通道分割操作减少特征通道数,提升特征提取过程的实时性.本文所提模型通过使用新单元和新模块充分挖掘高光谱图像的局部空谱信息和全局光谱信息,有效提高了分类性能并减少硬件资源消耗.在三个常用高光谱图像数据集上的实验结果表明,所提模型相较于其他现有工作具有更高的分类性能以及更低的参数量和计算量.

基于轻量卷积神经网络的智能电子秤设计

为解决商品交易过程中存在的效率性和准确性问题,运用OpenMV单目视觉和压力传感器设计了一款智能电子秤,并分别运用商品识别和质量检测进行了实验验证。在OpenMV单目视觉中融入轻量卷积神经网络模型,模拟不同光照下的香蕉、樱桃、石榴、草莓等水果进行了实验,其商品识别的准确率约为94.16%。此外,利用压力传感器对50 g、100 g、200 g等标准砝码进行质量测量,相对误差位于[0.05%,1.27%]之间,且误差与质量之间存在负相关。商品识别和质量检测实验结果呈现两者误差相对较小的特点,满足商品交易的实际需求,也直接反映出利用轻量卷积神经网络实现智能电子秤具有合理性。

改进卷积神经网络的单词级语音活体检测方法

为提高智能家居语音验证系统中重放语音的检测精度,提出了一种新型的单词级语音活体检测方法,采用轻量型卷积全局门控循环神经网络(light convolutional global gate recurrent neural network, LC-GGRNN)作为深度特征提取器,由支持向量机(support vector machine, SVM)执行真实和重放语音的分类,即LC-GGRNN-SVM框架。LC-GGRNN是在轻量型卷积神经网络的基础上引入了全局注意力机制和门控循环单元,前者关注提取特征的通道信息、空间信息以及通道与空间相互作用的信息,后者学习深度特征的长期相关性。提取POCO(pop noise corpus)数据集中音频文件的3种声学特征分别用于模型训练、验证和测试。结果表明,提取的伽马通频率倒谱系数声学特征在所提方法上检测效果最好,准确率、等错误率分别为85.72%、14.28%,错误接受率和错误拒绝率之和为28.59%,所提方法在POCO上的语音活体检测还具有性别依赖性。此外,所提方法对句子级重放语音检测也具有较好的泛化性。

基于轻量卷积结合特征信息融合的玉米幼苗与杂草识别

针对自然环境下作物与杂草识别精度低、实时性和鲁棒性差等问题,以幼苗期玉米及其伴生杂草为研究对象,提出一种基于轻量卷积神经网络结合特征层信息融合机制的改进单步多框检测器(Single shot multibox detector,SSD)模型。首先,采用深度可分离卷积结合压缩与激励网络(Squeeze-and-excitation networks,SENet)模块构建轻量特征提取单元,在此基础上通过密集化连接构成轻量化前置基础网络,替代标准SSD模型中的VGG16网络,以提高图像特征提取速度;然后,基于不同分类特征层融合机制,将扩展网络中深层语义信息与浅层细节信息进行融合,融合后的特征图具有足够的分辨率和更强的语义信息,可以提高对小尺寸作物与杂草的检测准确率。试验结果表明,本文提出的深度学习检测模型对自然环境下玉米及其伴生杂草的平均精度均值为88.27%、检测速度为32.26 f/s、参数量为8.82×10^6,与标准SSD模型相比,精度提高了2.66个百分点,检测速度提高了33.86%,参数量降低了66.21%,同时对小尺寸目标以及作物与杂草叶片交叠情况的识别具有良好的鲁棒性与泛化能力。本文方法可为农业自动化精准除草提供技术支持。

基于轻量时空图卷积模型的路网交通流预测

交通流预测是智能交通系统的重要组成部分。针对路网交通流天然具有的时空依赖性,结合交通流时序因果卷积与路网空间拓扑结构图卷积,提出一种基于递增式丢边的轻量时空图卷积神经网络模型,实现时空特征的有效融合,建立路网交通流高精度预测模型,提高交通流预测精度的同时降低其计算资源消耗、缩短预测响应时间。模型以单“三明治”式时空卷积模块为核心组件,减少时间卷积与空间卷积间的高计算消耗交互,有效提取交通流时空特征的同时保持整体结构轻量,其中的“厚夹心”空间图卷积采用多层图卷积网络以捕获远程高阶邻居节点信息、扩大空间感受野,并引入递增式丢边策略分阶处理邻居节点边,消解其潜在的过平滑。在模型训练中引入动态初始学习率,随模型训练进程演进动态调适学习率,进一步提升优化器性能,保证模型整体上的优越性。以真实基准交通流数据开展实验,对比分析本文所构建模型与多种相关基线模型的训练时间、预测精度等指标,并分析讨论所建模型在路网各节点上预测结果的离散性及其精度,解析多层图卷积可能具有的过平滑现象以及递增式丢边策略的消解能力。研究结果表明,本文所构建模型能有效捕获路网交通流的时空特性,以更少的训练时间获得更高的预测精度。

KCPNet:张量分解的轻量卷积模块设计、部署与应用

为解决现有卷积模块在实际应用中内存消耗高、计算效率低的问题,在Kronecker CANDECOMP/PARAFAC(KCP)张量分解的基础上,提出一种轻量、高效、瓶颈结构的卷积模块(KCPNet)。对普通卷积作2阶KCP分解,生成的因子张量分别映射为两层负责输入输出通道变化的1×1卷积和两层负责特征提取的变通道可分离卷积,再将这4层卷积组成含有瓶颈结构的KCPNet卷积模块。基于OpenCL并行编程框架将KCPNet部署于嵌入式GPU,并围绕pico-flexx深度相机开发了动态手势识别应用。实验结果表明:在ImageNet大规模标准数据集上,相比ResNet、ResNeXt等已有的张量分解卷积模块,KCPNet在准确率相近的情况下能够兼顾空间和计算复杂度的效率;在中等规模标准数据集CIFAR-10上,KCPNet能够在无明显精度损失的前提下将传统的VGG模型压缩至原先的16.1%并节约75.5%的计算量;在面向嵌入式GPU时,并行部署的KCPNet可使CIFAR-10的识别速度达到100帧/s。以KCPNet为核心开发的手势识别应用程序可达到99.5%的准确率和100帧/s以上的运行速度,内存开销为22 MB。

基于轻量型卷积神经网络的交通标志识别方法

交通标志识别设备的功耗和硬件性能较低,而现有卷积神经网络模型内存占用高、训练速度慢、计算开销大,无法应用于识别设备.针对此问题,为降低模型存储,提升训练速度,引入深度可分离卷积和混洗分组卷积并与极限学习机相结合,提出两种轻量型卷积神经网络模型:DSC-ELM模型和SGC-ELM模型.模型使用轻量化卷积神经网络提取特征后,将特征送入极限学习机进行分类,解决了卷积神经网络全连接层参数训练慢的问题.新模型结合了轻量型卷积神经网络模型内存占用低、提取特征质量好以及ELM的泛化性好、训练速度快的优点.实验结果表明.与其他模型相比,该混合模型能够更加快速准确地完成交通标志识别任务.

结合Transformer的轻量化中文语音识别

近年来,深度神经网络模型在语音识别领域成为热门研究对象。然而,深层神经网络的构建依赖庞大的参数和计算开销,过大的模型体积也增加了其在边缘设备上部署的难度。针对上述问题,提出了基于Transformer的轻量化语音识别模型。首先使用深度可分离卷积获得音频特征信息;其次构建了双半步剩余权重前馈神经网络,即Macaron-Net结构,并引入低秩矩阵分解,实现了模型压缩;最后使用稀疏注意力机制,提升了模型的训练速度和解码速度。为了验证模型,在Aishell-1和aidatatang_200zh数据集上进行了测试。实验结果显示,与Open-Transformer相比,所提模型在字错误率上相对下降了19.8%,在实时率上相对下降了32.1%。

基于卷积神经网络的菊花花型和品种识别

菊花作为国内十大名花之一,具有极为重要的观赏价值和经济价值,表现为种类丰富、花样瓣形繁多的特点,这些特征对其智能识别和高效的管理带来很大挑战。目前菊花的识别和管理主要靠人工方式,效率不高。本文基于端到端的卷积神经网络技术,直接作用于菊花的原始图像数据,通过逐层进行特征学习,进而利用多层网络获取菊花的特征信息,从而避免了人工提取特征的困难和问题,在此基础上使用优化目标函数实现菊花花型的高效、智能识别。针对菊花花型之间差别细微的特点,在细粒度上实现区分相同花型和不同花型的目标函数,系统不仅能够识别菊花花型,还能给出菊花所属的概率值和该花型涵盖的菊花品种。系统的实现分为离线训练和在线识别2个阶段,训练处的模型可以离线托管在云端以便在移动环境下使用。为了训练网络模型,采集了大量的菊花图像样本,并手工标注了相关的花型和类别信息,在此数据集上,与现有的典型系统进行了对比试验,试验表明:系统平均识别率可以达到0.95左右,部分达到0.98,系统识别精度得到明显提升,除此之外系统还能提供更加详细的菊花种类信息,实现了的菊花花型和品种智能识别和高效管理,具有重要的理论和应用价值,为菊花的自动化管理提供了有力的手段。

基于轻量二阶段检测模型的自然环境多类蔬菜幼苗识别

为实现自然环境下蔬菜幼苗精准快速识别,本文以豆角、花菜、白菜、茄子、辣椒、黄瓜等形态差异大、具有代表性的蔬菜幼苗为研究对象,提出一种基于轻量化二阶段检测模型的多类蔬菜幼苗检测方法。模型采用混合深度分离卷积作为前置基础网络对输入图像进行运算,以提高图像特征提取速度与效率;在此基础上,引入特征金字塔网络(Feature pyramid networks,FPN)单元融合特征提取网络不同层级特征信息,用于增强深度学习检测模型对多尺度目标的检测精度;然后,通过压缩检测头网络通道维数和全连接层数量,降低模型参数规模与计算复杂度;最后,将距离交并比(DistanceIoU,DIoU)损失作为目标边框回归损失函数,使预测框位置回归更加准确。试验结果表明,本文提出的深度学习推理模型对多类蔬菜幼苗的平均精度均值为97.47%,识别速度为19.07 f/s,模型占用存储空间为60 MB,对小目标作物以及叶片遮挡作物的平均精度均值达到88.55%,相比于Faster RCNN、RFCN模型具有良好的泛化性能和鲁棒性,可以为蔬菜田间农业智能装备精准作业所涉及的蔬菜幼苗检测识别问题提供新方案。

改进孪生网络无人机跟踪算法在牛场中的应用

为了提高牛场无人机目标跟踪算法的实时性和鲁棒性,试验以无人机跟踪牛只图像为研究对象,提出了一种基于残差累积模板的轻型孪生网络(siamese tracker with residual accumulation template, SiamRAT)目标跟踪算法,即采用轻量级卷积网络MobileNetV2为特征提取网络及以锚框比率变化为契机的模板更新机制,提高了算法的实时性;采用高置信度残差累积模板和多峰欧式距离检测模块来解决因相似牛只干扰而产生的跟踪漂移问题;最后将SiamRAT算法与SiamRPN++、SiamDW、DaSiamRPN、SiamRPN、ECO-HC算法在由无人机采集牧场牛只视频制作的测试数据集和VOT2018数据集中相同属性视频构成的测试数据集上,以平均精确度、鲁棒性及帧率(frames per second, FPS)为指标进行性能比较,并分析改进模块(包括残差累积模板、高置信度更新和峰值距离检测3个模块的改进)对SiamRAT算法的贡献。结果表明:与SiamRPN++、SiamDW、DaSiamRPN、SiamRPN、ECO-HC算法相比,SiamRAT算法鲁棒性最优,平均精确度稍有下降,但仍处于所有算法的第二位;FPS较SiamRPN++算法有了较大提升,性能较优。改进模块的SiamRAT算法的鲁棒性和FPS有了较大提升,平均精确度达到了0.909。说明SiamRAT算法能够很好地适应于牛场无人机跟踪环境。

基于移动端轻量模型的杂草分类方法研究

杂草分类的研究大多集中在服务器端模型,而该类模型存在规模较大、占用较多计算资源、计算速度较慢、准确率不高等问题,以ResNet50和MobileNetV3;arge模型为基础,采用数据增强、迁移学习来进行快速训练,在训练中通过设置加权Softmax损失函数的权重,最后再利用精度高的服务器端模型指导和优化移动端模型,从而得到一个轻量模型。试验结果表明,本文轻量模型相比移动端模型MobileNetV3;arge,在模型大小变化不大的情况下,识别准确率提升1.2%;相比服务器端模型ResNet50,准确率提升0.78%,平均每张推理时间减少7.8%,模型大小减少80%,本研究可为杂草精准施药的实施应用提供理论基础和技术支持。

基于NSGA-Ⅱ的自适应多尺度特征通道分组优化算法

针对轻量型卷积神经网络(LCNN)的精确度和复杂度均衡优化问题,提出基于快速非支配排序遗传算法(NSGA-Ⅱ)的自适应多尺度特征通道分组优化算法对LCNN特征通道分组结构进行优化。首先,将LCNN中的特征融合层结构的复杂度最小化和精确度最大化作为两个优化目标,进行双目标函数建模及理论分析;然后,设计基于NSGA-Ⅱ的LCNN结构优化框架,并在原始LCNN结构的深度卷积层之上增加基于NSGA-Ⅱ的自适应分组层,构建基于NSGA-Ⅱ的自适应多尺度的特征融合网络NSGA2-AMFFNetwork。在图像分类数据集上的实验结果显示,与手工设计的网络结构M_blockNet_v1相比,NSGA2-AMFFNetwork的平均精确度提升了1.2202个百分点,运行时间降低了41.07%。这表明所提优化算法能较好平衡LCNN的复杂度和精确度,同时还可为领域知识不足的普通用户提供更多性能表现均衡的网络结构选择方案。

联合Gabor滤波器和核池化特征学习的单样本人脸识别与验证

针对深度网络模型的结构复杂问题,受构建Gabor滤波器无需任何学习过程且与训练数据无关,以及径向基(radial basis function, RBF)核池化能够提取非线性二阶特征的启发,提出一种联合Gabor滤波器和RBF核池化的轻量卷积网络方法。首先对人脸图像进行Gabor卷积得到特征图;然后采用双曲正切函数tanh激励特征图以提高特征的表达能力;最后利用多尺度金字塔策略将特征图划分为多个区域,在每个区域上做RBF核池化,所有区域的核池化特征串联得到人脸特征表示。探讨了多个参数对识别性能的影响,对比了协方差池化和核池化的区别和性能。在三个单样本人脸识别和一个视频人脸验证数据集上进行大量实验,结果表明本文方法学习的人脸特征具有优秀的判别能力,对光照、遮挡、年龄等因素具有强鲁棒性。