基于改进MobileNetV2的铣削振动状态辨识

针对现有铣削振动状态辨识模型准确率不高,训练耗时较长的问题,提出基于改进MobileNetV2的铣削振动状态辨识方法。以MobileNetV2骨干结构为主干特征提取网络,联合多尺度注意力聚融层(MAFL)与层递式分类器(LC)对MobileNetV2顶层结构进行重建,从而达到模型改进目的;其次,以变分模态分解与希尔伯特变换为基础开展铣削振动状态数据预处理,并以迁移学习(TL)与Fine-tune相结合对改进模型进行训练;进而,以不同转速下变切深侧铣工艺为对象,利用改进MobileNetV2模型及多种经典分类模型对铣削振动状态进行辨识与对比分析。结果表明,改进MobileNetV2在准确率和耗时方面均具有优势,所提辨识方法更适应制造工程领域对切削状态实时认知与颤振预警的应用需求,具有较广阔的工程应用前景。

基于改进MobileNet的公路行车环境安全风险源识别

为了检测公路行车环境安全风险源,为公路风险源智能化管控和随机不确定场景下实时安全风险评估提供依据,研究了基于深度卷积神经网络模型的公路行车环境安全风险源识别算法。通过改进MobileNetV3的输出层激活函数和损失函数,将网络输出的风险源类别数量由一个变为多个,解决了同一图像中存在多种风险源的识别问题。利用空间注意力机制加强MobileNetV3网络的特征提取能力,解决了MobileNetV3通道注意力机制无法关注到通道内部风险源特征信息的问题,提升了模型识别准确率。通过通道剪枝方法去除冗余扩张通道,减少网络参数量,提升了模型预测速度。实验结果表明:该方法能够有效识别行车环境安全风险源,检测率达0.829,平均分类准确率达0.833,且具备实时检测效果。

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%。

基于改进MobileNet的轻量级外来入侵植物识别模型研究

外来入侵植物防治的首要任务是准确识别入侵植物种类,然而外来入侵植物种类繁多,存在类间同质和类内异质现象,给技术人员甄别与防治外来入侵植物带来了挑战。为了准确、实时和高效地识别外来入侵植物,本文提出基于改进MobileNet的轻量级外来入侵植物图像识别模型(MobileNet-LW)。以专业人员鉴定得到的113种11 628幅外来入侵植物图像作为研究对象,并按照6∶2∶2的比例划分训练集、验证集和测试集。通过Retinex、旋转和高斯噪声等方法对图像进行数据增强。为了减少类间同质现象对模型误检的影响,在模型MobileNet基础上添加了SE通道注意力机制和深度连接注意力网络,提高网络对关键特征的提取能力。为了降低模型计算消耗和内存消耗,采用通道剪枝方法对网络瘦身;为了弥补剪枝后造成模型准确率降低,采用教师网络-助教网络-学生网络的形式对剪枝后的网络进行知识蒸馏,学生网络通过软知识的学习来提高识别外来入侵植物的准确率。通过消融试验测试模型的性能,利用平均准确率、平均召回率和平均F1值3个评价指标,对现阶段经典模型与改进后模型MobileNet-LW所获得的识别结果进行评价。消融试验结果显示,在相同数据集条件下,所有改进点对模型的性能都有所提升,且改进后算法在外来入侵植物图像识别中准确率提高了5.4百分点,模型参数量减少了约53%;模型对比试验表明,EfficentNet、DBTNet、ResNet-101、ConvNext和MobileNet-LW 5个模型平均准确率分别为72.3%、74.9%、76.1%、79.7%和86.1%,表明改进后的网络提高了外来入侵植物的识别准确率。基于改进MobileNet的轻量级外来入侵植物识别模型对113种外来入侵植物识别具有较高的准确率,且模型具有轻量化特点。

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。

基于改进MobileNet V3网络的桃子成熟度分级方法

目前在我国桃业生产过程中主要采用基于主观经验的人工方式对桃子外观成熟度进行分级,该方式不仅效率较低,而且易受主观因素的影响,导致同一批次的桃子在成熟度等级上参差不齐,无法达到国际桃品销售中所要求的成熟度品级标准。针对上述问题,本研究提出一种基于改进卷积神经网络MobileNet V3的桃子外观成熟度分级模型CS-MobileNet-P-L:首先,为了提升模型的特征提取能力,将多方位协调注意力机制模块引入原有注意力机制中,以构成双重注意力机制;其次,为提高模型的分级准确度,对网络Bneck结构中的激活函数进行调整并对模型的Last Stage结构进行优化改进。结果表明,当使用相同训练策略及环境配置时,改进后的CS-MobileNet-P-L模型的准确度比MobileNet V3模型提高了2.71个百分点,能较好地实现桃子外观成熟度的自动化精准分级。

基于改进MobileNet网络的多类别垃圾分类算法

针对垃圾数量繁多及一张图片包含多个垃圾物体的情况,文中提出基于改进MobileNet网络的垃圾检测与分类算法。将MobileNet网络融合进YOLOv5(You Only Look Once v5)目标检测算法,同时在主干部分引入卷积注意力模块(Convolutional Block Attention Modul,CBAM)筛选有意义的信息,利用视觉Transformer聚合形成图像特征,并加入使用了加权双向特征金字塔网络区别不同特征的贡献度,引入高效通道注意力(Efficient Channel Attention,ECA)模块对图像特征进行组合并传递给预测层。最后,为了在垃圾目标之间有遮挡的情况下获得更好的性能,使用软性非极大值抑制(soft-Non Maximum Suppression,soft-NMS)方法,并利用Alpha-IoU(Alpha-Intersection over Union)损失函数对提取的特征进行预测。实验结果表明,所提方法能够实现多目标多类别垃圾的定位与识别,mAP(mean Average Percision)值达到了90.31%,相较于YOLOv5网络提升了4.95%,处理速度缩短了约2.4 s。相较于融合ResNet(Residual Network)网络的Faster R-CNN(Region-based Convolutional Neural Network)算法,所提算法在保证准确率的前提下提升了处理效率。

基于改进MobileNet v3的苹果叶片病害识别研究

为解决移动端和嵌入式设备中苹果叶片病害识别准确率不高、效率低下的问题,提出了一种新的基于MobileNet v3网络的分类模型,以实现更加高效和准确的苹果叶片病害识别。首先通过数据增广方法增强数据集,按照9∶1的比例划分训练集和验证集;然后在MobileNet v3网络核心倒残差结构的升维部分引入全维动态卷积,以加强对不同维度注意力权重的学习,从而增强网络的拟合能力;最后在降维部分引入修改后的ConvNext Block模块,减少信息损失并增加全局感受野。采用PyTorch作为分类网络的深度学习框架,使用交叉熵损失函数作为分类任务的损失函数,Adam作为优化器,通过多组对比试验可知,MobileNet v1、MobileNet v2、ResNet34、MobileNet v3以及改进后的MobileNet v3 ODConvNext网络的准确率分别为94.5%、95.7%、97.2%、96.9%及97.5%。可见,MobileNet v3 ODConvNet网络拥有最高的Top-1准确率,相较于MobileNet v3网络和结构更为复杂的ResNet34网络分别提升了0.6、0.3百分点;在运算频率方面,相对于MobileNet v3网络仅增加了1.00×10^(6)次/s,并且仅为ResNet34网络参数量的11.84%。因此,该试验结果证明了改进后的MobileNet v3 ODConvNext模型具有更加轻量级和更高准确率的优点,满足在移动端真实场景下进行苹果叶片病害识别的要求,有助于苹果叶片病害的防治工作。

基于改进MobileNet v3的苹果叶片病害识别方法及移动端应用

准确识别苹果叶片病害种类以进行及时防治对于苹果增量增产具有重要的意义,为实现在移动设备实时对苹果叶片进行病害识别,提高苹果的产量,减少种植者的损失。首先收集了黑星病、斑点落叶病、锈病、白粉病、混合病、褐斑病等6种苹果叶部病害和健康叶片的图像,并使用Retinex算法对图像进行数据增强,以提高数据集质量,然后将数据集按照8∶1∶1的比例划分为训练集、验证集和测试集;其次对MobileNet v3网络模型进行改进优化调整,在精简网络结构的同时减少冗余参数,并在非线性激活层后加入批归一化层,以提高网络的特征提取能力;同时,为了提升在低精度移动设备上的准确性和模型运行效率,将全连接层中的激活函数替换为ReLU6函数;最后,在模型训练时使用动量随机梯度下降优化器来进行模型权重系数的寻优,以减少训练时间和达到更高的分类准确率。试验结果表明,改进后的MobileNet v3-A3网络对苹果叶片病害图像的识别准确率为96.48%,模型权重为2.98 MB,识别速率为8.82 ms/幅图片,与其他同量级卷积神经网络相比识别精度更高、模型更小、识别速度更快。本研究使用Android Studio将权重模型封装到安卓软件中,实现了移动设备对苹果叶片病害的准确快速识别。

基于改进MobileNet v3-Small模型的草莓病害识别方法

为了对草莓病害进行及时的诊断与治疗而提升草莓产量,将深度学习与农业生产结合以快速高效地进行病害检测。传统神经网络进行病害识别时间较长,参数量较大,难以迁移到移动端设备上,基于此提出一种改进MobileNet v3-Small模型的识别方法。首先收集了7类常见草莓病害图像样本(如角斑病、叶斑病等),通过旋转、镜像等多种数据增强方式对图像进行处理以增加图片数量,提高模型泛化能力。接着以MobileNet v3-Small模型为基础,基于原始Inception_A提出部分卷积权值共享的多尺度卷积结构,以更高效地提取草莓病害不同尺度特征。随后,在网络深层引入了ULSAM轻量级子注意力机制,形成草莓病害更高层次的抽象表示。同时,将深度可分离卷积中的第2个PW卷积替换为CondConv卷积形成PDC结构,克服了PW卷积只拥有局部感受野的缺陷,同时也降低了模型参数量。试验结果表明,改进后的MobileNet v3-Small模型准确率达到98.62%,较原模型94.91%的准确率提高了3.71百分点,并且参数量减少了0.04 M,远优于同级轻量化模型,且以远低于ResNet18的参数量取得更好的特征提取效果。综上所述,本研究所提出的改进后的MobileNet v3_Small模型能更好地在真实场景下进行草莓病害识别,为草莓生产贡献了一份力量,助力智慧农业发展。

基于改进MobileNet的带式输送机煤量检测研究

为实现快速、准确、可靠的带式输送机煤量检测,提高带式输送机的可靠性和安全性,基于视觉的非接触式煤量检测技术得到广泛使用。针对带式输送机煤量检测任务,结合具体工业应用场景,设计基于视觉的煤量检测方法,采用图片抓取、图像处理、图片分类的流程预测煤量;针对图片分类问题,设计改进MobileNet分类算法,使用空间和通道注意力机制抑制无效信息的干扰,使用CSP(Cross Stage Partial)结构提高网络的表达能力;针对数据标签分布不均的问题,采用下采样方法维持训练时输入图片标签均衡。最后,在真实的煤量图片数据集上进行了对比实验。结果表明,提出的改进算法在准确度、浮点数运算量和推理时间都有较好的表现。

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。

基于改进Mobilenet-V3的纽扣电池注塑盖缺陷检测识别

工业纽扣电池在生产过程中,不可避免会出现不良品。为解决人工挑拣效率低、漏检率高、成本高的问题,提出一种基于改进Mobilenet-V3网络的纽扣电池注塑盖缺陷检测模型。首先以Mobilenet-V3作为注塑盖缺陷特征提取的主干网络,对主干网络进行轻量化修剪,并引入了CBAM注意力机制替代Mobilenet-V3网络原有的SE注意力机制模块,增强模型的表征能力。

基于红外图像和改进MobileNet-V3的光伏组件故障诊断方法

为了提高光伏系统的可靠性和性能,提出一种基于红外图像和改进MobileNet-V3的光伏组件故障诊断方法。首先,分析开源光伏组件缺陷图像及其存在的问题;然后,基于存在的问题,对光伏组件红外缺陷图像进行图像增强、数据增强处理,使红外图像满足图片可用性及样本数量丰富性的要求;最后,对基本MobileNet-V3网络进行改进,实现光伏组件故障分类。实验结果显示:与传统CNN、基础MobileNet-V3相比,所提故障分类方法不仅准确率高、诊断速度快,且对各种故障类别的识别率高,具有较好的实用性和应用价值。

改进MobileNet-SSD的电梯内电动车识别方法

由于电动车入户充电易造成火灾风险,传统的视频检测方法需要进行数据上传,易造成数据丢失和高延时。针对上述问题,这里提出一种可在嵌入式设备上运行的改进MobileNet-SSD方法,用于识别电梯内电动车目标。在数据预处理阶段,采用CycleGAN方法进行数据增强以提高模型的泛化能力,针对MobileNet网络计算量过大的问题,这里提出引入宽度乘数和分辨率乘数作为超参数以降低模型运算量,经BOHB(Hyperband-Bayesian Optimization)方法对超参数进行优化后获取最优超参数组合。同时为解决权重无法更新和信息丢失问题,用LReLU取代ReLU作为模型的激活函数。实验结果表明,这里的改进MobileNet-SSD算法能在嵌入式设备上快速、准确地识别电动车目标,改进后的MobileNet-SSD模型能将原SSD模型的map提高6%,响应延迟降低20%。

基于改进MobileNet轻量级网络的水稻病害识别

目的:针对传统MobileNet-v2模型水稻叶面病害识别过程中出现的准确率低、运行速度慢、特征提取难等问题,提出一种基于改进MobileNet-v2轻量级网络的水稻叶面病害识别模型。方法:该模型采用增加注意力机制模块的结构方法增强图像的特征提取,然后将预训练好的权重参数迁移到改进的模型中,进而对水稻4种叶面病害进行识别研究。结果:该模型在50个epoch的训练测试过程中,训练速度和过拟合问题得到了较大的改善,最终测试识别准确率较传统MobileNet-v2模型准确率提高了7.97%。结论:该模型在水稻叶面病害识别中准确率较高,识别速度较快,为水稻叶面病害的识别与研究提供了参考和借鉴意义。

基于改进MobileNet的指静脉识别算法

指静脉处于手指皮肤里层不易改变,利用指静脉进行身份识别与验证已经成为生物识别领域的一个研究热点。基于CNN的指静脉识别参数量大、计算量大、运行时间长。针对这些问题,论文提出一种基于改进轻量级网络(MobileNet)的指静脉识别算法。改进后的网络融入粒子群算法(PSO)对MobileNet参数进行优化。实验结果表明,该识别算法在保持高精度的前提下,减少了参数量和运算时间。

基于改进MobileNetV3的水稻病害识别模型

针对水稻病害识别方法准确度低、模型收敛速度缓慢的问题,本文提出了一种高性能的轻量级水稻病害识别模型,简称为CA(Coordinate attention)-MobileNetV3。通过微调的迁移学习策略完善了模型的训练,提升了模型收敛速度。首先创建10个种类的数据集,其中包含9种水稻病害和1种水稻健康叶片。其次使用CA模块,在通道注意力中嵌入空间坐标信息,提高模型的特征提取能力与泛化能力。最后,将改进后的MobileNetV3网络作为特征提取网络,并加入SVM多分类器,提高模型精度。实验结果表明,在本文构建的水稻病害数据集上,初始的MobileNetV3识别准确率仅为95.78%,F1值为95.36%;加入CA模块后识别准确率和F1值分别提高至96.73%和96.56%;再加入SVM多分类器,通过迁移学习后,改进模型的识别准确率和F1值分别达到97.12%和97.04%,参数量和耗时仅为2.99×106和0.91 s,明显优于其他模型。本文提出的CA-MobileNetV3水稻病害识别模型能够有效识别水稻叶部病害,实现了轻量级、高性能、易部署的水稻病害分类识别算法。

结合Y^(d)U^(a)V^(a)颜色模型和改进MobileNetV3的视频烟雾检测方法

为降低视频烟雾检测中的虚警率和提升检测效率,提出Y^(d)U^(a)V^(a)颜色模型,该模型可以表征烟雾的空间域分布特性和时间域变化特性。利用该颜色模型快速筛选出疑似烟雾图像块,降低虚警率和提升运算效率。提出改进的MobileNetV3网络结构,用于提取图像深度特征并对疑似烟雾图像块进行分类识别,检测视频中是否存在烟雾。视频烟雾检测仿真结果表明:该方法准确率和检测帧率高,虚警率低。

基于改进MobilenetV2网络的声光图像融合水下目标分类方法

针对小样本条件下水下目标分类准确率低、计算资源量大的问题,提出一种声光图像融合目标分类方法。首先,对MobilenetV2网络进行改进,去掉第9层之后的网络层,并将该层卷积通道数改为128,通过Flatten层进行数据降维,增加一个全连接层得到分类结果;其次,设计一种融合网络结构,将声光图像成对输入网络进行特征提取,在中间层利用通道拼接算法实现特征图融合,使用融合特征进行目标分类。在真实数据集上对网络进行训练,结果表明,改进的MobilenetV2网络对水下目标的分类性能更好,融合网络的分类准确率相比融合前有所提高,更加适用于水下目标分类任务。