基于轻量化ConvLSTM的密集道路车辆检测算法

针对拥堵场景中目标遮挡引起的漏报、误报等问题,考虑到视频中同一车辆在不同时刻下重叠程度不同,利用未被遮挡时刻车辆所提供的特征有助于当前时刻目标车辆的检测,提出了一种适用于密集场景的车辆检测算法WB-YOLO v5。算法结合ConvLSTM模型的输入数据结构,设计了特征选择和特征稀疏模块,实现了特征的重标定;并将特征选择和特征稀疏模块输出的特征送入ConvLSTM的不同支线,实现了不同时刻特征的强化与衰减;再使用1×1卷积替换原始门控结构,构建轻量化的WBConvLSTM,以减少参数量和计算量,提升训练速度与小样本数据源目标的检测准确率;在YOLO v5的Neck端引入WBConvLSTM,实现网络特征提取能力的增强。实验结果表明,相比于YOLO v5,WB-YOLO v5的检测平均准确率有1.83个百分点的提高。相比于ConvLSTM,WBConvLSTM的参数量和计算量分别减少约2/3和6/13。

基于轻量化网络与增强多尺度特征融合的绝缘子缺陷检测

随着无人机搭载目标检测算法在输电杆塔绝缘子巡检领域的发展,针对绝缘子缺陷检测速度较低,网络复杂度高且缺陷小目标难以准确检测的问题,提出一种基于轻量化网络与增强多尺度特征融合的YOLOv5-3S-4PH模型进行绝缘子缺陷实时检测。首先将重构的ShuffleNetV2-Stem-SPP(3S)网络作为YOLOv5的主干网络,显著减小了网络的参数量和计算量;其次引入针对小目标的增强多尺度特征融合网络以及4个预测头,来增强网络对绝缘子缺陷的感知能力,并结合Mosaic-9数据增强、CIoU损失函数进一步补偿轻量化导致的检测精度损失;最后将其应用到自制绝缘子数据集进行验证。实验结果表明,该文所提出的模型相对于未改进的YOLOv5,全类平均精度提高了3%,检测速度提高了81.8%,参数量、计算量分别压缩了82.4%、67%。因此,所提出的模型更适合部署在无人机平台上进行绝缘子缺陷的实时监测。

CFRP在汽车轻量化与安全中的应用进展

碳纤维复合材料(Carbon Fiber Reinforced Polymer,CFRP)具有比强度高、吸能性好等优点,在汽车结构安全及轻量化中的应用优势明显,前景广阔。本文综述了CFRP在汽车轻量化及安全性中应用的研究进展,从汽车车身、底盘以及配件等方面阐述了CFRP在汽车轻量化的应用,从安全性的角度分析了CFRP在汽车安全部件的优势,指出了制约CFRP应用的结构设计理论及异质连接工艺等难点,并展望了未来CFRP在汽车领域的应用前景。旨在拓展CFRP在汽车轻量化与安全中的应用范围,为其在汽车工业发展及轻量化中的广泛应用提供参考。

基于安全、轻量化、可靠性多目标的新能源汽车电池包壳体开发

电池包作为新能源汽车的动力源,是新能源汽车最重要的部件之一,而电池包壳体对电池包乃至整车起重要保护作用,是新能源汽车的关键部件。电池包壳体质量占整车的2%~6%,电池包壳体对汽车轻量化同样起到重要作用。基于全球汽车产业的节能减排发展目标,从安全性、轻量化、可靠性3个角度出发,论述了新能源汽车电池包壳体开发的行业发展现状,展望其未来的发展趋势,同时针对这一领域存在的共性关键技术问题进行了讨论。

基于轻量化PointNet网络的林果园喷雾作业靶标实时识别方法

为了进一步提高喷雾机器人靶标检测的精准性、实时性和应用部署的实用性,该研究提出一种基于轻量化PointNet网络的林果园喷雾作业靶标实时识别方法。首先通过区域提取降采样、地面分割和改进DBSCAN聚类等点云预处理方法提取原始点云中的靶标;然后通过移动最小二乘上采样将靶标点云转化为满足点云识别网络输入要求的点云数据;最终通过在PointNet网络中引入残差模块和改进循环剪枝算法轻量化PointNet网络,完成林果树靶标的实时识别。试验结果表明,在ModelNet40数据集上,轻量化PointNet网络可达89.7%的准确率;在实际苗圃环境的试验中,该研究方法对靶标的识别准确率可达92.49%,同时误识率与拒识率分别为13.4%和6.47%,相较PointNet网络识别准确率提升了4.38个百分点,误识率和拒识率分别降低了7.2和4.07个百分点;轻量化PointNet网络识别准确率仅比PointNet++网络低1.14个百分点,误识率和拒识率分别高了0.9和1.12个百分点。但是轻量化PointNet网络的模型参数量较PointNet网络和PointNet++网络的模型参数量显著减少,仅为PointNet网络的11.5%,PointNet++网络的27.02%;运算量相较PointNet网络、PointNet++网络分别减少13.3和76.79个百分点。该研究提出的轻量化PointNet网络具有较高的实时性、精确性和鲁棒性,能够满足林果园喷雾作业的靶标识别需求,可为林果园喷雾作业靶标实时识别提供参考。

钢-铝混合驾驶室材料-结构轻量化设计

为了得到更为完善的商用车驾驶室轻量化设计,提出了钢-铝混合驾驶室材料-结构一体化轻量化方法。首先基于灵敏度分析、等刚度近似理论与等强度理论建立了性能驱动的材料选择方法,并针对钢制驾驶室初步设计了钢-铝混合材料方案。然后通过折衷规划法的拓扑优化识别了驾驶室关键传力路径,并加强了相关结构。其次考虑驾驶室零件厚度、截面尺寸设计参数,建立了驾驶室质量、刚度及模态性能的径向基函数的代理模型,并采用多目标粒子群优化方法对驾驶室进行多目标优化设计。优化结果表明,在满足驾驶室刚度、模态和碰撞性能的要求下,驾驶室质量减轻了12.8%。该方法对钢-铝混合驾驶室轻量化有实际的工程指导价值。

基于改进FasterNet的轻量化小麦生育期识别模型

针对现阶段小麦生育期信息获取需依靠人工观测,效率低、主观性强等问题,本文构建包含冬小麦越冬期、返青期、拔节期和抽穗期4个生育期共计4599幅小麦图像数据集,并提出一种基于FasterNet的轻量化网络模型FSST(Fast shuffle swin transformer),开展4个关键生育期的智能识别。在FasterNet部分卷积的基础上引入Channel Shuffle机制,以提升模型计算速度。引入Swin Transformer模块来实现特征融合和自注意力机制,用来提升小麦关键生育期识别准确率。调整整个模型结构,进一步降低网络复杂度,并在训练中引入Lion优化器,加快网络模型收敛速度。在自建的数据集上进行模型验证,结果表明,FSST模型参数量仅为1.22×10^(7),平均识别准确率、F1值和浮点运算量分别为97.22%、78.54%和3.9×10^(8),与FasterNet、GhostNet、ShuffleNetV2和MobileNetV34种模型相比,FSST模型识别精度更高,运算速度更快,并且识别时间分别减少84.04%、73.74%、72.22%和77.01%。提出的FSST模型能够较好地进行小麦关键生育期识别,并且具有识别快速精准和轻量化的特点,可以为大田作物生长实时监测提供信息技术支持。

基于改进ShuffleNet v2的轻量化番茄叶片病害识别

番茄大面积种植导致叶片部位被病虫害侵蚀面积不一、侵蚀种类多样化等问题,为了满足在资源有限的硬件设备上实现对番茄叶片病害准确识别,提出改进ShuffleNet v2模型。首先对基本单元进行改进,提出SA-stage模块,使模型密切关注叶片相关特征信息的同时减小了参数量和计算量;其次提出LFN轻量化特征融合模块,实现浅层和深层网络的上下文信息交互;接着引入RFB-s轻量化特征增强模块,增强小目标病害的特征提取;最后将SPD-Conv代替普通卷积和最大池化层,降低图像分辨率的同时保留了番茄叶片病害小目标的细粒度信息。试验结果表明,改进ShuffleNet v2模型在10种番茄叶片病害图像上进行测试,准确率和平均召回率分别达到了96.55%、96.40%,较原模型分别提高了4.44、3.70百分点;参数量和计算量分别为348154、38.75 MB,较原模型分别减少3888、3.88 MB。相比于其他分类模型AlexNet、ResNet50、MobileNet v3等,改进ShuffleNet v2模型不仅准确率最高、参数量和计算量最小,而且权重最小,仅为1.51 MB。该研究提出的改进ShuffleNet v2模型具备在资源有限的移动设备上部署的条件,满足实时、准确地识别番茄叶片病害。

基于对抗生成的轻量化红外图像增强网络

目前,红外成像技术在医学、安保、环境监测、军事探测等方面获得了广泛应用。然而,由于低成本红外成像设备的固有缺陷及大气环境对热辐射传导的影响,导致其采集的图像亮度较暗、细节模糊、对比度低,影响后续图像语义分析及目标检测识别等任务。传统基于模型的红外图像增强方法常需利用图像先验信息,模型参数与场景相关,模型泛化能力不强;基于深度学习的红外图像增强算法有助于增强红外图像质量,但结构冗余,不利于边缘端部署。生成对抗网络(GAN)可以通过判别器和生成器两个网络的轮流对抗训练显著提升红外图像增强效果,但网络训练参数量大,边缘端部署占用资源多,运算复杂度高。本文设计了一种基于对抗生成的轻量化红外图像增强网络,通过在GAN模型的基础上增加多层次特征融合结构并设计多尺度损失函数,提升了特征提取效率并减少了网络层数,在提升图像质量的同时提高了增强效率,利于算法的边缘端部署。实验表明,本文方法在同等参数量下,通过添加多层次特征融合结构和多尺度损失函数,兼顾了图像的全局和局部特征,保证了细节信息不丢失,在提高网络性能的前提下未明显增加计算复杂度;在红外图像增强效果相当的情况下,模型参数量降低75.0%,边缘端设备推断时间降低32.07%。

基于改进YOLOv8的地铁列车焊缝缺陷轻量化检测方法

针对现有的地铁列车车体焊接质量检测技术存在检测模型较大、检测精度和效率较低的问题,提出一种基于改进YOLOv8的焊缝缺陷轻量化检测方法。首先,利用相控阵超声波检测仪采集对接焊缝内部缺陷图像,通过图像预处理制作成焊缝缺陷数据集。然后,在YOLOv8模型基础上,利用Inner-SIoU优化原有损失函数、采用C2f-PConv替换C2f模块、引入大型可分离核注意力(LSKA)模块和挤压激励(SE)注意力机制,建立了基于改进YOLOv8的地铁列车车体焊缝缺陷质量检测模型,以提高焊缝缺陷特征提取和多尺度特征融合的能力。最后,利用改进的YOLOv8模型对焊缝缺陷数据集进行训练和测试。结果表明,改进的YOLOv8模型大小为7.91 M,对于焊缝缺陷的检测精度达到98.30%,检测速度达到138.9帧/s,与YOLOv8原始模型相比,模型更小,检测精度更高。

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。

基于YOLO v5的农田杂草识别轻量化方法研究

针对已有杂草识别模型对复杂农田环境下多种目标杂草的识别率低、模型内存占用量大、参数多、识别速度慢等问题,提出了基于YOLO v5的轻量化杂草识别方法。利用带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration, MSRCR)增强算法对部分图像数据进行预处理,提高边缘细节模糊的图像清晰度,降低图像中的阴影干扰。使用轻量级网络PP-LCNet重置了识别模型中的特征提取网络,减少模型参数量。采用Ghost卷积模块轻量化特征融合网络,进一步降低计算量。为了弥补轻量化造成的模型性能损耗,在特征融合网络末端添加基于标准化的注意力模块(Normalization-based attention module, NAM),增强模型对杂草和玉米幼苗的特征提取能力。此外,通过优化主干网络注意力机制的激活函数来提高模型的非线性拟合能力。在自建数据集上进行实验,实验结果显示,与当前主流目标检测算法YOLO v5s以及成熟的轻量化目标检测算法MobileNet v3-YOLO v5s、ShuffleNet v2-YOLO v5s比较,轻量化后杂草识别模型内存占用量为6.23 MB,分别缩小54.5%、12%和18%;平均精度均值(Mean average precision, mAP)为97.8%,分别提高1.3、5.1、4.4个百分点。单幅图像检测时间为118.1 ms,达到了轻量化要求。在保持较高模型识别精度的同时大幅降低了模型复杂度,可为采用资源有限的移动端设备进行农田杂草识别提供技术支持。

融合GhostNet的YOLOv4轻量化网络设计与实现

由于存储资源和功耗等限制,在嵌入式设备上部署基于深度学习的目标检测算法存在困难,且效果不佳.基于YOLOv4算法,提出了一种改进的YOLOv4-Light轻量化网络模型,采用GhostNet网络结构替换CSPDarknet53作为主干提取网络,引入CBAM注意力机制关注通道和空间两个维度的特征信息,并利用感知量化方法对权重进行INT8量化处理,在保证精度的情况下降低网络模型规模和参数量.在PC端和NVIDIA Jetson Xavier NX上选用VisDrone无人机数据集分别对网络模型进行测试,结果表明YOLOv4-GhostNet-CBAM模型的尺寸是160M,比YOLOv4降低了34.43%;检测速率最高可达到34.6FPS,比YOLOv4提高了56.6%.YOLO-Light模型的尺寸是40.2M,比YOLOv4降低了83.5%;检测速率最高可达到78.6FPS,为YOLOv4的3.6倍,且交并比为0.5时的平均精度均值(mAP50)与YOLOv4相比仅下降了3%.YOLO-Light模型相较于原模型优势明显,能够在低功耗的嵌入式设备上完成实时目标检测.

IDD-YOLOv7:一种用于输电线路绝缘子多缺陷的轻量化检测方法

YOLO目标检测算法是当前基于图像的输电线路绝缘子缺陷检测的主流方法,然而现有模型复杂度较大,亟需合理有效的参数压缩方法作为前提条件,来为解决无人机边缘设备部署的困境问题奠定基础;同时,无人机航拍的绝缘子缺陷图像背景复杂、缺陷尺寸较小,容易出现误检、漏检等问题。为此,提出了一种用于输电线路绝缘子多缺陷检测的Insulator Defect Detection-YOLOv7(IDD-YOLOv7)模型,以降低模型复杂度,提高模型鲁棒性。首先,在多尺度特征融合的过程中加入坐标注意力(Coordinate Attention)机制,抑制复杂背景的干扰,提升模型对小目标的全局感知能力;之后,设计C3GhostNetV2模块,用于捕获不同空间像素之间的远程依赖性,在增强模型表达能力的同时降低模型的参数量和浮点运算量;最后,提出Focal-CIoU损失函数,提高模型高质量anchor的贡献,加快模型的收敛速度。实验结果表明,本文方法与基线模型相比mAP^(50)提升了3.8%,查准率和召回率分别提升了1.7%和7.6%,参数量和浮点运算量分别下降了18.3%和14.0%,绝缘子自爆、破损、闪络缺陷的AP^(50)分别提升了0.8%、4.5%、6.3%。

基于改进YOLOX-S的轻量化煤矸石检测方法研究

目的 为了探索基于现有机器视觉煤矸石检测方法的模型参数量、计算量对检测速度和嵌入式设备的影响,方法 提出一种基于改进的无锚框YOLOX-S轻量化煤矸石检测模型。为使模型能提取更真实的煤矸石特征信息,收集分选现场煤矸石样本,保证实际环境下的煤矸石检测效果,适应实际生产环境。结合CSPNet,将输入的特征图分割成两个分支,实现更丰富的梯度组合,同时减少模型计算量;之后在其中一条分支使用Ghost轻量化卷积,通过少量常规卷积生成一组特征图,达到初次减少计算量和参数量的效果,然后在此特征图基础上经过简单线性变化操作,生成一组新的特征图,将两组特征图进行融合,降低对计算资源需求的同时,也达到了常规卷积相同的特征提取效果;引入LeakyReLU激活函数减弱模型梯度消失的影响,提取更深更多的特征信息;最后融合两个分支特征,保证较高的检测精度,提升模型检测速度。采用CIOU Loss(complete IOU loss)优化目标边界框回归损失函数,使模型回归损失收敛更快,提高模型目标定位能力。结果 与原模型相比,本文改进模型在保证较高的平均精度均值90.51%情况下,模型参数减少47%,计算量减少49%,检测速度达到50帧/s。结论 轻量化煤矸石检测模型使智能化煤矸石检测在实际生产环境中具有一定的应用前景。

探测器机械结构静力学分析与轻量化设计

在产品设计过程中,机械结构的静力学分析与轻量化设计对产品的整体质量有着极为重要的影响。对产品的机械结构进行静力学分析可以保证产品有较好稳定性,对产品进行轻量化设计则是提高产品的综合性能,比如在不影响强度的情况下减小产品质量,从而提高产品综合品质。基于此,本文将结合3He管探测器的设计,对其主要部件进行静力学分析,并借助静力学分析结果对探测器的密闭腔体与盖板进行轻量化设计。

结合轻量化与多尺度融合的交通标志检测算法

交通标志检测在自动驾驶领域具有重要的应用价值,及时准确地检测交通目标对提高驾驶安全性和预防交通事故具有重要意义。针对交通标志尺寸小,易受遮挡,在复杂环境下容易出现漏检、错检等问题,在YOLOv8的结构基础上提出一种结合轻量化与多尺度融合的交通标志检测网络架构M-YOLO,构建M-YOLOs模型来应对高精度需求的检测任务,并调整网络深度得到更轻量化的M-YOLOn模型来解决不同环境下的检测需求。首先针对交通标志目标尺寸小、图像特征流失的问题,通过增加小目标检测层,保留更多的特征信息,提高网络对于小目标的特征学习能力。提出高效多尺度特征金字塔融合网络MPANet,将浅层特征图进行降维与跳跃连接,从而融合更多的图像特征信息。然后提出融合稀疏注意力和空间注意力的BRSA注意力模块,有效提取全局和局部的位置信息,减少复杂背景下对于关键信息的干扰。最后设计两种轻量高效的BBot模块和C2fGhost模块,以提高模型运算速度并减少参数量。实验结果表明,M-YOLO相较于YOLOv8,参数量降低约1/3。在TT100K数据集和GTSDB数据集上,M-YOLOs检测精度分别提升了9.7和2.1个百分点,M-YOLOn检测精度分别提升了14.5和2.6个百分点,在轻量化的同时具备更高的检测效果。M-YOLO架构解决了浅层特征图在特征提取过程中信息丢失的问题,并显著降低模型特征提取过程中冗余的计算开销,在实景采集的数据集上证实效果有效,表明在交通标志检测任务中具有应用价值。

基于轻量化YOLOv5的电气设备外部缺陷检测

为了提高变电站电气设备外部缺陷实时检测的精度,同时让检测模型更加轻量化,提出了一种基于轻量化YOLOv5的电气设备外部缺陷检测方法。首先,构建电气设备外部缺陷图像数据集并进行数据增强处理。其次,采用3种优化策略对原YOLOv5进行改进:通过引入EfficientViT网络改进算法主干网络,减少模型参数量,并在算法Neck部分中加入SimAM无参数注意力机制来提高变电站复杂背景下的识别精度,同时采用Soft-NMS模块来改进检测框筛选方式,避免出现缺陷漏检现象。最后,通过消融实验进行验证。结果表明:轻量化后的电气设备外部缺陷检测模型mAP值稳定在86.4%,与原模型相比提高了1.2百分点,模型参数量减少了20%,计算量减少了38%,模型大小为11 MB,比原模型减少了19.7%。改进后的模型能够满足设备外部缺陷实时检测的要求,可以实现模型的轻量化部署。

应力驱动的2.5D梯度各向异性维诺多孔零件轻量化建模方法

为了提高多孔零件的设计自由度、内部力学性能梯度与实际应力分布的匹配度,提出一种应力驱动的2.5D梯度各向异性维诺多孔零件轻量化设计方法。将零件有限元分析结果分解为应力标量场和应力方向场,通过加权随机采样算法将应力标量场映射为零件设计域内的维诺站点分布,实现零件内部力学性能的梯度分布;将应力方向场映射为二维黎曼流形,提出一种基于胞元择优方向生长策略的各向异性维诺图生成算法,生成胞元沿黎曼流形分布的各向异性维诺图。在此基础上,通过偏置算法、调和距离场和拉伸算法生成光滑的梯度各向异性维诺多孔零件。最后,采用有限元分析、三点弯曲实验等方法将所设计的多孔零件和其他多孔零件进行比较分析。实验结果表明,所提出的梯度各向异性维诺多孔零件建模方法能有效提升零件内部力学性能梯度与实际应力分布的匹配度,降低材料消耗,实现轻量化设计。

武器装备轻量化结构正向设计方法及应用

为满足武器装备轻量化的迫切需求,提升装备结构优化设计水平,提出了一种代理模型辅助多目标优化的结构正向设计方法。按照从概念设计到参数优化设计的流程,通过优化信息交互和代理模型重构来实现结构多目标优化设计。以轻型车载高炮弹箱架优化设计为例,首先,根据拓扑优化获得的最佳传力路径,建立几何模型和有限元分析模型。其次,通过灵敏度分析缩减设计变量,建立以一阶模态频率和结构强度为约束、最小化质量和最大化刚度为目标的优化模型。然后,使用差分进化算法求解基于Kriging模型的多目标优化问题;在优化过程中,通过比较中间优化结果调整优化模型,并采用基于期望改进的填充样本策略重构代理模型。最后,兼顾结构轻量化和安全,筛选44组优化解中的3组优势方案与初始设计进行比较,结果显示:在满足弹箱架结构性能的前提下,重量分别可减轻31.2%、24.7%和21.8%;所提结构正向设计方法能够明显提升轻量化效果,也可为相关结构优化设计提供参考。