基于轻量化PAM-M-YOLO模型的煤矸石图像检测

针对传统煤矸石检测算法中人为提取煤矸石图像特征过程复杂、检测精度低等问题,提出了一种轻量化的PAM-M-YOLO煤矸石检测模型。首先,使用MobileNetv3特征提取网络替换原模型主干网络,采用深度可分离卷积替换传统卷积进行煤矸石图像的特征提取;其次,设计PAM并联注意力模块提升目标检测网络层拼接后特征图通道和空间信息关注度;最后,基于CAM激活限制分支给模型添加先验信息,以降低模型在非关键特征上的局部坍塌。试验结果表明,轻量化PAM-M-YOLO煤矸石检测模型准确率、召回率、mAP值分别为98.7%、97.5%、98.8%,较原M-YOLO模型分别提升了3.6,2.3,2.0个百分点;参数量为3.8 MB,比YOLOv5模型降低了近1/2。热力图可视化效果表明,轻量化PAM-M-YOLO模型在检测过程中所关注的信息更集中于煤矸石区域,有效解决了模型在煤矸石区域的局部坍塌问题。

基于隐式参数化模型的地铁车体轻量化设计

为实现地铁新车型前期快速的概念设计和性能评估,引用“分析驱动设计”理念对重庆6号线地铁的MP车体进行了隐式参数化建模;并录入车体的17个主要钣金件进行设计分析。以板厚为设计变量,筛选出模态和刚度对质量相对灵敏度较大的7个车体钣金件,进行基于响应面法的多目标轻量化优化设计;车体的刚度、模态等多项性能指标达到了良好的轻量化效果。研究结果表明:所引入“分析驱动设计”理念的车体隐式参数化建模及基于响应面法的多目标优化方法能应用于车体结构的轻量化设计,具有较好的工程指导意义。

基于边塌陷减面的实景三维模型轻量化技术

实景三维模型由于其丰富的场景展现能力,广泛应用在数字孪生和地理测绘等领域。然而,丰富的三维场景和细节所包含的数据量十分庞大,给实景三维模型的存储、传输、渲染与展示带来了极大的挑战。针对上述问题,本文提出了一种面向实景三维模型的轻量化处理方法,首先引入模型预处理技术,去除模型噪音和非流行边;然后通过边塌陷减面的轻量化算法,精简模型拓扑结构;最后加入反转检测算法,防止边塌陷过程中出现面反转的情况。对张家界景区4个真实场景的测试结果表明,该技术可以在保留模型整体外观和场景细节的基础上,压缩至原始模型大小的3.7%~10.9%,使得复杂场景的实景三维模型能够在计算机中更加快速真实地反映或显示世界的地理地貌或城市建筑。

基于昇腾AI处理器的轻量化MNG-YOLO模型研究

随着目标检测神经网络算法精度不断提升,算法的参数量以及计算量都有着较高的增长,导致模型实际应用部署困难,因此对神经网络模型进行轻量化,减少模型的参数量和计算量对模型部署在边缘设备上是至关重要的。昇腾AI处理器是华为推出的一款专用于神经网络加速的芯片,为充分发挥昇腾AI处理器的优势并解决算法模型较为庞大的问题,基于此平台提出一种轻量化目标检测模型MNG-YOLO,对YOLO模型采用轻量级主干网络和Ghost卷积以减小模型大小,添加NAM注意力模块和Mish激活函数提升模型准确率。实验结果表明,MNG-YOLO模型相比于原始模型参数量以及计算量均减少约75%,参数量从7 015 519个减少至1 739 799个,计算量从15.8 GFLOPs减少至3.5 GFLOPs,模型精确度也由95.9%提升至97.5%。同时,在昇腾AI处理器上的推理速度达到205 FPS,远超实时性检测的速度要求。

基于轻量化YOLO v8s-GD的自然环境下百香果快速检测模型

为了提高百香果检测精度,并将深度学习模型部署在移动平台上,实现快速实时推理,本文提出一种基于改进YOLO v8s的轻量化百香果检测模型(YOLO v8s-GD)。使用聚集和分发机制(GD)替换颈部特征融合网络,提高模型对百香果图像特征信息跨层融合能力和模型泛化能力;通过基于层自适应幅度的剪枝(LAMP)修剪模型,损失一定精度换取减小模型体积,减少模型参数量,以实现在嵌入式设备上快速检测;运用知识蒸馏学习策略弥补因剪枝而损失的检测精度,提高模型检测性能。实验结果表明,对于自然环境下采集的百香果数据集,改进后模型参数量和内存占用量相比原YOLO v8s基线模型分别降低63.88%和62.10%,精确率(Precision)和平均精度(AP)相较于原模型分别提高0.9、2.3个百分点,优于其他对比模型。在Jetson Nano和Jetson Tx2嵌入式设备上实时检测帧率(FPS)分别为5.78、19.38 f/s,为原模型的1.93、1.24倍。因此,本文提出的改进后模型能够有效检测复杂环境下百香果目标,为实际场景中百香果自动采摘等移动端检测设备部署和应用提供理论和技术支持。

近似模型拟合下的排气系统轻量化设计优化

针对排气系统面临的轻量化问题,提出一种近似模型拟合下的排气系统轻量化设计优化方法。以某乘用车排气系统为例,建立有限元模型并通过模态分析方法验证该模型的可靠性;结合拉丁超立方抽样法建立关于排气系统重量和性能要求的二次多项式近似模型;以排气系统总质量为优化目标,以系统模态、消声器壳体模态和结构强度为约束,建立充分考虑设计变量不确定性的轻量化优化函数;运用萤火虫算法进行轻量化分析,得到近似模型的最优解并代入有限元模型,确认结果可靠性。运用该方法,在保证排气系统性能要求的前提下,乘用车排气系统降重率可达22.6%,对排气系统轻量化工作具有一定的参考意义。

防止纹理扭曲的倾斜摄影模型轻量化算法

针对倾斜摄影模型网格简化后出现纹理扭曲的问题,基于二次误差度量(quadric error metrics,QEM)算法,提出一种防止纹理扭曲的倾斜摄影模型轻量化算法。该算法依据模型中各顶点的拓扑连接关系对顶点进行分类,对不同类型的顶点制定相应的折叠策略,引入顶点起伏度因子、纹理形变因子和顶点一环领域内三角形平均面积对QEM算法中的边折叠代价进行改进。实验结果表明,改进算法可以在高简化率下避免出现纹理扭曲现象,有效保持了模型的几何特征和纹理特征,相较于传统QEM算法,改进算法处理的模型最大误差、平均误差和均方差均分别至少降低了43.55%、52.50%和21.61%;在90%简化率的情况下,相较于带纹理模型的简化算法,改进算法处理的模型最大误差、平均误差和均方差分别降低了34.90%、10.61%和12.31%。

保持细节特征的输电铁塔三维网格模型轻量化算法

针对输电铁塔三维网格模型简化后出现模型细节特征大量缺失的问题,以QEM算法为基础,提出了一种保持细节特征的输电铁塔三维网格模型轻量化算法。该算法首先确定了输电铁塔三维网格模型中的细节特征定义,然后提出了输电铁塔细节特征提取策略,并且引入细节特征显著因子和顶点近似曲率因子对QEM算法中的简化代价进行优化。实验结果表明,优化后的算法可以有效保留输电铁塔三维网格模型的重要几何特征和细节特征,避免了简化后模型出现大面积的特征缺失问题,并且相较于普通QEM算法,优化后的算法所简化的模型在最大误差、平均误差和均方差上分别至少下降了39.77%、10.64%和64.99%,实现了输电铁塔三维网格模型的高质量轻量化。

数字孪生系统的三维模型轻量化技术架构与质量评价方法研究

本文基于面向数字孪生应用场景需求的三维模型轻量化处理技术,结合对国内三维模型研发企业的调研成果,提出一种数字孪生应用特点的三维模型轻量化处理技术通用架构,对技术架构涉及的轻量化处理流程进行了具体论述。在分析数字孪生系统的轻量化三维模型质量问题的基础上,对影响轻量化三维模型质量的几个重要评价指标及其评价方法进行了研究,给出了这些重要指标的计算方法,为后续新国标的制定提供指引和参考。

神经网络模型轻量化方法综述

近年来,神经网络模型凭借着较强的特征提取能力在各行各业的应用越来越广泛,并取得了不错的效果。然而,随着数据量的不断增大以及人们对高准确率的不断追求,神经网络模型的参数规模急剧增大,网络复杂度不断提高,导致计算、存储等资源开销不断扩大,使其在资源受限场景下的部署面临极大挑战。因此,如何在不影响模型性能的前提下实现模型轻量化,进而降低模型训练和部署的成本成为当前的研究热点之一。为此,文中从复杂模型压缩以及轻量化模型设计两方面入手,对当前典型的模型轻量化方法进行总结和分析,以期厘清模型压缩技术的发展脉络。其中,复杂模型压缩技术从模型剪枝、模型量化、低秩分解、知识蒸馏及混合方式5方面进行归纳,而轻量化模型设计则从空间卷积设计、移位卷积设计和NAS架构搜索3方面进行梳理。

基于像素差异度注意力机制的轻量化YOLOv5行人检测算法

针对实时行人检测场景存在遮挡、形态姿势不同的行人目标,YOLOv5模型对于这些目标检测有明显的漏检问题,提出一种像素差异度注意力机制(pixel difference attention,PDA),不同于传统的通道注意力机制用全局均值池化(global average pooling,GAP)、全局最大值池化(global max pooling,GMP)来概括整张特征图的信息,全局池化将空间压缩成一个值来表征整个通道,造成了空间信息的流失,PDA将空间信息沿高和宽分别压缩,并将其分别与通道信息联系起来做注意力加权操作,同时提出一种新的通道描述指标表征通道信息,增强空间信息与通道信息的交互,使模型更容易关注到综合了空间和通道维度上的特征图的重要信息,在主干网络末端插入PDA后使模型平均精度(mean average precision,mAP)0.5提升了2.4个百分点,mAP0.5:0.95提升了4.4个百分点;针对实时检测场景的部署和检测速度要求模型拥有较少的参数量和计算量,因此提出了新的轻量化特征提取模块AC3代替原YOLOv5模型中的C3模块,该模块使插入PDA后的改进模型在精度仅仅损失0.2个百分点的情况下,参数量(parameters,Param.)减少了20%左右,浮点运算量(giga floating-point operations,GFLOPs)减少了30%左右。实验结果表明,最终的改进模型比YOLOv5s原模型在VOC行人数据集上mAP0.5提升了2.2个百分点,mAP0.5:0.95提升了3.1个百分点,且参数量减少了20%左右,浮点运算量减少了30%左右,在GTX1050上的检测速度(frames per second,FPS)提升了4。

基于改进YOLOv5s轻量化模型的红外场景目标检测方法研究

红外技术在防备夜间作战和隐蔽作战中发挥的作用是至关重要的,针对如何平衡红外图像检测精度与轻量化的问题,提出一种基于红外场景下的轻量化目标检测模型M-YOLOv5。该网络模型采用改进的ShuffleBlock模块替换原有的CSP骨干网络。此外,应用轻量级上采样算子CARAFE替换原有上采样模块,在C3模块中加入SE注意力机制,降低冗余信息,提高特征的区分性和表征能力,重新设计损失函数,E-IoU作为新的损失函数,加快模型收敛速度。在公开数据集FLIR上进行了实验,实验结果表明:改进之后网络模型的平均检测精度达到73.0%,仅降低2.9个百分点,而M-YOLOv5模型的网络参数数量、理论计算量分别减少40%、39%,模型的推理速度提高52%,满足部署于边缘设备的需求。

基于改进YOLOv8的小麦叶片病虫害检测轻量化模型

[目的/意义]针对小麦叶片病虫害在自然环境下形态和颜色特征较为复杂、区分度较低等特点,提出一种高质量高效的病虫害检测模型,即YOLOv8-SS (You Only Look Once Version 8-SS),为病虫害的预防与科学化治理提供准确的依据。[方法]基于YOLOv8算法,采用改进的轻量级卷积神经网络ShuffleNet V2作为主干网络提取图像特征即YOLOv8-S,在保持检测精度的同时,减少模型的参数数量和计算负载;在此基础上增加小目标检测层和注意力机制SEnet (Squeeze and Excitation Network),对YOLOv8-S进行改进,在不降低检测速度和不损失模型轻量化程度的情况下提高检测精度,提出YOLOv8-SS小麦叶片病虫害检测模型。[结果与讨论]YOLOv8-SS模型在实验数据集上的平均识别精度和检测准确率分别达89.41%和91.00%,对比原模型分别提高10.11%和7.42%。因此,本研究所提出的方法可显著提高农作物病虫害的检测鲁棒性,并增强模型对小目标图像特征的提取能力,从而高效准确地进行病虫害的检测和识别。[结论]本研究使用的方法具有广泛适用性,可应用于大规模农作物病虫害检测的实际场景中。

基于轻量化MobileViT深度学习模型的烤烟自动分组方法

针对烟叶自动识别分组过程中特征提取困难、分组准确率低、模型参数量大、部署困难等问题,本文结合轻量化网络MobileNetV2与ViT模型的优点提出了一种轻量化MobileViT模型的烤烟自动分组方法。首先对所采集的烟叶图像进行前景和背景的预处理,解决提取烟叶特征困难的问题;然后将预处理后的图像建立成完整的烟叶图像数据集;最后针对建立的数据集使用基于轻量化MobileViT模型进行分组。使用该模型对云南省多地收购的5871张混合烤烟叶片进行分组试验,结果表明MobileViT对正组烟叶、副组烟叶和正副混合组烟叶分组准确率分别达到了79.44%、83.83%、79.22%,与MobileNetV2相比分别提升了9.5%、17.66%、17.56%;与ViT模型相比分别提升了13.8%、30.83%、34.12%。与当前应用较多的MobileNetV3、Effcient、Resnet50三种模型相比,MobileViT模型在混合组上分组准确率较轻量化MobileNetV3网络提升了11.86%;较CNN为代表的Effcient、Resnet50模型分别提升了9.6%、6.55%,模型大小降低了24.62%、79.1%。轻量化MobileViT模型同时结合了轻量化网络MobileNetV2与ViT模型的优点,在降低模型大小的同时具有较高的分组准确率,更容易部署在工业设备中,符合实际工业应用需求。

轻量化YOLO模型在农作物微小病虫害检测中的应用研究

针对农作物病虫害检测中早期微小病虫害变化目标识别准确率不高的问题,提出一种轻量化农作物微小病虫害检测算法YOLO-MobileNet-CBAM。该算法采用MobileNetV3轻量级卷积模块替换YOLOv5s的主干提取网络来降低参数运算量,并引入CBAM注意力机制从通道和空间两个维度对重要的特征提取进行强化,有效增强小目标的聚焦准确度。卷积模块中用H-SiLU代替原模型的SiLU激活函数提高训练速度,避免梯度消失问题。通过将SIoU函数代替原模型中的GIoU函数计算预测框回归损失,将形状损失计算在内,进一步提高小目标定位精度。通过特征金字塔输出4个不同尺度的检测头识别大面积病害、微小病害及虫害目标,增加微小目标的检测精度。结果表明,YOLO-MobileNet-CBAM在微小病虫害目标检测任务中精确率达92.38%,召回率达90.24%,平均精度大于90%。实现模型轻量化,同时有效提高检测精确度,为手持式终端检测应用提供技术支持。

基于低秩分解的YOLO轻量化目标检测模型

随着列车智能化程度的不断提高,许多研究探索了车载设备目标检测模型的轻量化技术,以满足在资源有限情况下的高效计算。针对当前YOLO(You Only Look Once)系列目标检测模型轻量化方法通用性不够强的问题,文章提出了一种针对YOLO系列的低秩分解参数压缩算法。首先通过预设的低秩比例系数和卷积单元的输入/输出通道数量计算低秩,然后通过对目标结构的卷积层进行Tucker分解,得到新的卷积序列,最后融合新的卷积序列,取代原有卷积层。使用公开数据集对所提出的基于低秩分解的参数压缩方法进行试验,选用了YOLOv5-l、YOLOv8-x和YOLOX-x这3种模型,在保证低秩分解后的模型检测平均精度为原模型96%的前提下,模型参数量和浮点计算量均减少了约40%,同时图像检测速度能达到原模型的150%左右。此外,可视化结果显示,该方法压缩过的模型与原模型在相同图像上的关注区域基本相同。试验结果表明,文章提出的方法可以有效地对单阶段YOLO系列目标检测模型进行轻量化压缩,提高模型在车载设备上的可用性;同时,所做工作对轨道交通领域自动驾驶场景下的其他模型的轻量化处理也具有重要的借鉴意义。

基于改进DeepLabV3+的轻量化茶叶嫩芽采摘点识别模型

[目的/意义]名优茶的采摘是茶产业中至关重要的环节,识别和定位名优茶嫩芽采摘点是现代化采茶过程中的重要组成部分。传统神经网络方法存在着模型体量大、训练时间长,以及应对场景复杂等问题。本研究以湖南省溪清茶园为实际场景,提出一种新型深度学习算法解决名优茶采摘点的精确分割难题。[方法]对传统的DeepLabV3+算法进行轻量化改进。首先,针对其模型体量大、训练时间长的问题,使用MobilenetV2网络提取图像的初始特征,并按照网络结构划分深浅层特征;其次,将高效通道注意力网络(Efficient Channel Attention Network,ECANet)与空洞空间卷积池化金字塔(Atrous Spatial Pyramid Pooling,ASPP)模块结合,得到ECA_ASPP模块,并将深层特征输入到ECA_ASPP模块中进行多尺度特征融合以减少无效信息,将经过处理后的深浅层特征相加,随后通过卷积和上采样的方式对特征信息进行还原,得到分割结果;最后,通过对识别结果进行处理以获得茶叶嫩芽采摘点。[结果和讨论]改进后的DeepLabV3+在茶叶嫩芽数据集上的平均交并比达到93.71%,平均像素准确率达到97.25%,模型参数量由原来以Xception为底层网络的54.714 M下降至5.818 M。[结论]本研究在茶叶嫩芽结构分割上相对于原版DeepLabV3+的检测速度更快、参数量更小,同时保证了较高的准确率,为智能采茶机器人的采摘提供了新的定位方法。

基于L-FPN的无人机上小目标识别模型轻量化方法

由于遥感图像拍摄的高度和设备不同导致每张图像的地面采样间隔(GSD)也不同,许多小目标往往易被忽略,遥感图像中旋转框目标检测成为当下研究热点。现有的旋转框检测算法主要面向通用场景下的多尺度目标检测,特征金字塔中特征融合计算操作复杂且耗时,部署到无人机上的边缘端设备时面临很大的挑战。因此本文针对该场景下的小目标检测提出基于L-FPN的无人机上小目标识别模型轻量化方法,首先依据图像的GSD信息进行尺度归一化,然后去除特征金字塔中冗余的高层特征图,最后针对小目标检测调整锚框的尺寸。本方法在DOTA数据集上进行训练验证,结果表明本文提出的基于L-FPN的无人机上小目标识别模型轻量化方法在识别精度与传统模型一致的情况下,模型参数量较原模型减少2.7%,模型大小减少28%,推理速度提升13.24%。

基于图像增强与GC-YOLO v5s的水下环境河蟹识别轻量化模型研究

利用机器视觉技术识别水下河蟹目标是实现河蟹养殖装备智能化的有效途径之一。针对水下环境目标识别困难、河蟹包含特征信息少、主流的目标检测模型复杂度高等问题,在YOLO v5s的基础上提出了一种适用于水下环境的轻量级河蟹识别模型GC-YOLO v5s(GhostNetV2-CBAM-YOLO v5s)。利用改进的图像增强算法对水下河蟹图像进行预处理以改善其质量;为降低模型复杂度,提出了基于GhostNetV2的G3模块以改进模型的特征提取网络,并利用幻影卷积进一步轻量化模型;为了优化模型的河蟹特征学习能力,在Neck层和Head层之间引入卷积块注意力模块(Convolution block attention module,CBAM)。实验结果表明,该模型测试集的平均精度均值(Mean average precision,mAP)、召回率和精确率分别为95.61%、97.03%和96.94%,较YOLO v5s分别提升2.80、2.25、2.28个百分点;而GC-YOLO v5s的参数量、浮点运算量和模型内存占用量仅为YOLO v5s的69.1%、56.3%和58.3%。通过实验对比,该模型在识别精度和模型复杂度上优于其他主流目标检测模型;识别速度仅次于YOLO v5s,可达到104 f/s。

面向废旧电缆检测的轻量化网络模型

目前我国废旧电缆回收主要依靠人工分拣,存在耗时耗力、准确性低的问题。为了更好地将模型部署至小型化硬件设备并提高检测实时性,提出基于改进YOLOv5s的废旧电缆检测网络模型。首先,将主干网络中的标准卷积模块替换为轻量化的幻象(Ghost)模块以减小网络的复杂度,并且在快速空间金字塔池化(SPPF)模块前引入卷积块注意力模块(CBAM),提高了特征提取和融合的效率。其次,将网络中Neck部分的C3模块结合有效通道注意力模块(ECA),实现了跨通道的信息交互,提高了网络特征融合能力。最后,在损失函数的计算部分使用Wise-交并比(WIoU)作为新的边界框损失函数以提升回归效果,加快模型的收敛速度。实验结果表明:改进模型的平均检测精度为96.3%,相比单点多框检测器(SSD)提高了1.2个百分点;参数量为5.15×10^(6),相比YOLOv5s模型减少了27.0%;在小型嵌入式设备LubanCat-1上的推理速度达到8.49帧/s,具有良好的实时性,适用于废旧电缆的实时检测与分类。