基于轻量级卷积神经网络的零件位姿识别算法

针对目前基于卷积神经网络(CNN)的识别检测算法存在参数量多、计算量大、内存占用大以及资源消耗过多的问题,基于YOLOv3网络结构的优势,提出了一种轻量级的识别检测网络EfficientNet-B0-YOLOv3。该网络不仅可以实现零件的位姿识别,而且可识别出零件的各个面,在具备高识别检测精度的同时,降低了网络的参数量和计算量,而且训练好的网络模型大小只有41.10 MB,可以降低资源消耗,在工业应用中,降低内存占用,更容易嵌入设备进行使用。

基于轻量级卷积神经网络的荧光指示标签用于冷鲜猪肉新鲜度判别

荧光新鲜度标签的颜色指示是实时监测肉制品品质的重要手段。以冷鲜猪肉为研究对象,提出一种由异硫氰酸荧光素(fluorescein isothiocyanate,FITC)、罗丹明B(rhodamine B,RhB)2种荧光素组成的比率型荧光新鲜度指示标签,其中发绿色荧光的FITC为反应信号,发红色荧光的RhB为参考信号。结果表明:当标签与腐败胺反应时,表现出双发射特性,FITC荧光增强,RhB荧光不受干扰,标签呈现红粉色到黄绿色的明显过渡,显著提高了标签的灵敏性和精确性;其次,利用卷积神经网络对荧光新鲜度标签的色泽变化进行智能化判别,以减少人为视觉误差,对比3种轻量级(MobileNetv2、EfficientNetb0、ShuffleNetv2)和2种非轻量级卷积神经网络(ResNet50、VGG16)的判别效果,其中轻量级神经网络EfficientNetb0的效果优于其他4种模型,识别准确率高达95.6%,且参数量和运算量仅为4.01 MB和0.398 GMACs,实现了最佳运算速度和精度的平衡。因此,利用该模型可满足快速、准确、无损判别冷鲜猪肉新鲜度的需求。研究结果可为荧光指示标签应用于冷链物流贮运过程中智能化判别冷鲜猪肉新鲜度提供理论参考。

轻量级卷积神经网络的硬件加速方法

为提升轻量级卷积神经网络在硬件平台的资源利用效率和推理速度,基于软硬件协同优化的思想,提出一种面向FPGA平台的轻量级卷积神经网络加速器,并针对网络结构的特性设计专门的硬件架构。与多级并行策略结合,设计一种统一的卷积层计算单元。为降低模型存储成本、提高加速器的吞吐量,提出一种基于可微阈值的选择性移位量化方案,使计算单元能够以硬件友好的形式执行计算。实验结果表明,在Arria 10 FPGA平台上部署的MobileNetV2加速器能够达到311 fps的推理速度,相比CPU版本实现了约9.3倍的加速比、GPU版本约3倍的加速比。在吞吐量方面,加速器能够实现98.62 GOPS。

基于轻量级卷积神经网络的DDoS攻击检测研究

分布式拒绝服务攻击(DDoS)可以攻击、侵入、破坏物联网设备。在COVID-19期间,将大量物联网终端设备用于疫情防控加速了信息交换频率,但过于简单的网络安全防御方式也让网络安全问题成为热议话题。深度学习(DL)已被广泛应用于网络安全领域,用于检测和应对各类安全等级较低的网络环境。针对具备简单结构的智能终端,传统DL模型对计算和内存资源的需求较高,在应对大量流量攻击时,往往需要额外的运行成本。提出一种基于自注意力机制与轻量级卷积神经网络(Self-attention-LCNN)的模型,通过以流为单位,对特定时间段内的数据包提取特征,用于检测和预防复杂网络环境中针对智能终端的DDoS攻击。Self-attention-LCNN模型在CICDDos2019数据集上的准确率为99.21%,将模型部署在树莓派上得到的平均检测率为93%,说明Self-attention-LCNN模型在资源受限的智能终端攻击检测方面具有良好的识别效果。

基于轻量级卷积神经网络的车辆声学识别

车型识别技术对交通监测具有重要意义。针对行驶中车辆的视觉信息易受环境干扰等问题,提出了一种基于ShuffleNet V2的车辆声学特征识别模型S-ShuffleNet,包含对ShuffleNet V2网络深度的缩减以及深度可分离卷积(DSC)中卷积(Conv)核大小的改进,通过提取车辆声信号的对数—梅尔谱图(LMS)特征作为该模型的输入,进行车型识别。同时,将风、雨、雷暴噪声叠加在车辆音频上,以验证不同环境噪声的影响。实验结果表明:该模型参数量少、训练速度快,在VS10数据集上识别精度比基础网络ShuffleNet V2提高2.4%,识别准确率可达97.5%,与不同分类网络相比,S-ShuffleNet也具有良好性能。

一种基于多分支轻量级神经网络的图像分类方法

传统神经网络在提取图片特征时,存在网络参数量过多、计算复杂度过高等问题,且网络对移动设备的存储空间和计算能力有着极高的要求,限制了网络图像分类方法在嵌入式设备上的发展与应用。为此,提出一种基于分组神经网络卷积与深度可分离卷积的轻量级图像分类方法。引入分组参数g和扩展参数n,实现网络精度与复杂度之间的平衡,并将分组卷积中普通卷积替换成深度可分离卷积,有效减少了神经网络中的参数量。实验结果表明,与MobileNet V1方法相比,所提方法在数据集CIFAR-10上的准确率提高了4.75%,达到88.66%,且参数量仅为1.5 M。

采用经量级卷积神经网络的电力线路故障检测方法

针对目前基于深度学习的电力线路巡检中目标检测速度慢、准确率低的问题,提出了一种采用经量级卷积神经网络的电力线路故障检测方法,对销钉缺陷、绝缘子自爆以及鸟巢这三种常见故障进行检测。在YOLOv5(You Only Look Once v5)算法的基础上,首先使用Ghost模块设计轻量级网络,减小网络的参数量和计算时间,提高了线路巡检的实时性;其次,利用跨层级联的方式改进特征金字塔,更好地融合特征,提高了网络的精度;最后,使用CIoU Loss损失函数加快网络的收敛速度。经过实验验证,原来的YOLOv3模型和YOLOv5模型进行对比,巡检平均精度均值提高了3.49%和1.23%,巡检时间分别降低了10.752ms和5.577ms,验证了方法的有效性。

基于轻量级卷积神经网络的注油孔检测算法

为解决当前注油机器人目标检测算法对现场适应性弱、识别率低等问题,通过改进YOLOv5算法,提出一种新的注油孔检测算法YOLOv5-S。将ShuffleNetv2用于图像的特征提取,通过调整输入图像的分辨率以及扩大部分基本单元中深度卷积核尺寸,确保算法既具有轻量级网络结构又具有高精度的检测水平;采集不同工况下注油孔的图像,将其分类并标注,采用YOLOv5-S,YOLOv5,YOLOv3-tiny算法对其进行训练实验,验证提出算法的有效性。结果表明:YOLOv5-S在注油孔数据集上的检测精度保持在99.4%,与原算法相比,其模型容量压缩了77%,检测速度提升了11.7 F/s。本文提出的检测算法在工控机算力和存储资源有限的条件下具备良好的识别准确率和检测速度。

基于连续小波卷积神经网络的轴承智能故障诊断方法

传统故障诊断方法存在特征提取有限和故障检测不准确的问题,为此提出新的轴承智能故障诊断方法.构建连续小波卷积层取代卷积神经网络(CNN)中的初始卷积层,用于提取轴承数据的初级特征;使用增强ACON激活函数处理提取的振动信号;设计新的计算空间,提高CNN的整体自适应性.在凯斯西储大学轴承数据集上开展滚动轴承故障诊断方法对比实验.结果表明,与传统基于CNN、快速傅里叶变换-CNN、长短时记忆CNN故障诊断方法相比,所提方法的故障诊断精度分别提高了7.45、4.46和1.53个百分点,CNN的收敛速度更快.在不同工况的泛化任务中,所提方法的平均准确率为99.64%,准确性和泛化能力良好.

基于轻量级神经网络的人脸表情识别研究

表情是人与人进行情绪交流的主要媒介,人脸表情识别是计算机视觉领域的一个研究热点,在众多领域中应用广泛。目前,主流的人脸表情识别技术主要基于传统的卷积神经网络,但其网络结构复杂,参数量和计算量庞大。轻量级神经网络通过引入深度可分离卷积技术,在不影响或轻微降低识别准确率的前提下,能够大幅度缩减模型的参数量和计算复杂度。在轻量级神经网络的人脸表情识别研究中,通过构建MobileNet和mini_Xception两种轻量级神经网络模型,以传统的卷积神经网络VGG16为比较基准,分别在FER2013和CK+两个数据集上展开人脸表情识别实验。在FER2013数据集上,两个轻量级模型准确率下降了1.39个百分点和6.10个百分点,参数量却仅为VGG16的8.11%和0.15%。同样,在CK+数据集上,模型准确率分别下降了2.53个百分点和2.02个百分点,参数量分别是VGG16的9.6%和0.17%。实验结果证明了轻量级神经网络模型MobileNet和mini_Xception在人脸表情识别任务中的优越性。

基于片上系统的可配置卷积神经网络加速器的设计与实现

针对现阶段卷积神经网络(CNN)加速器的设计只能部署在单一现场可编程门阵列(FPGA)平台、不支持硬件平台升级迭代的问题,设计了一种基于片上系统(SoC)的可配置CNN加速器。该加速器具备以下2个特点:(1)在电路设计中将数据位宽、中间缓存空间大小、乘法器阵列(MAC)并行度作为一种可选配置参数,通过调整资源使用量,使得该加速器能够适配不同FPGA硬件;(2)提出了动态数据复用的策略,通过对比数据传输过程中不同复用方式下的总参数量差异,动态地选择复用方法,以减少数据传输的等待时间,提高乘法器阵列利用率。该方案在ZCU104板卡上进行了实验,实验结果表明,当数据位宽选择8、乘法器阵列并行度选择1024、核心运算模块工作在180 MHz时,卷积运算阵列峰值吞吐量为180 GOPs,功耗为3.75 W,能效比达到47.97 GOPs·W^(-1),对于VGG16网络,其卷积层的平均乘法器阵列利用率达到84.37%。

基于卷积神经网络与Transformer的电能质量扰动分类方法

复杂电能质量扰动(power quality disturbances, PQD)的智能分类对于智能电网发展具有重要意义。扰动特征的提取与定位、模式识别与分类是电能质量扰动分类方法研究的难点。采用深度学习算法,将具有关注全局信息的Transformer与善于提取局部特征的卷积神经网络相融合,提出一种基于卷积神经网络(convolutional neural network, CNN)与Transformer的电能质量扰动分类方法,即CTranCBA。这种双深度学习模型分类方法主要是通过一维卷积神经网络提取电能质量扰动信号特征,利用Transformer自注意力机制引导模型关注序列中不同位置间的依赖关系,实现对扰动信号局部特征与全局特征的互补,克服了因感受野的限制而带来的识别不清、分类不准等问题。使用23种不同电能质量扰动信号,将CTranCBA与Deep-CNN、CNN-LSTM、CNN-CBAM方法进行比较。结果表明:该方法在分类准确率和抗噪性方面表现优异,可为电能质量扰动智能分类提供一种新的方法。

基于卷积神经网络的轴承故障诊断综述

轴承故障的诊断一直以来都是诊断领域的一大挑战,尽早发现轴承故障有助于减少损失并预防潜在危险。本文旨在对卷积神经网络在轴承故障诊断领域的应用进行系统综述,详细分析了卷积神经网络模型的结构和原理,阐述了其在轴承故障诊断领域的发展历程,并深入探讨了常见公共数据集的特征,评述了卷积神经网络在轴承故障诊断中的优势和不足、当前面临的困难以及未来可能的研究方向。

Emfacenet:一种轻量级人脸识别的卷积神经网络

随着计算机技术日益发展,计算机视觉逐渐融入人们的生活,深度卷积神经网络在计算机视觉领域得到了广泛的应用.然而计算资源和内存的限制,为卷积神经网络在嵌入式设备的部署带来了巨大的困难.本文提出了一种新的轻量级的人脸识别的卷积神经网络——Emfacenet,通过在CASIA-WebFace数据集上进行卷积神经网络的训练,并在计算机CPU平台以及嵌入式平台上利用LFW数据集对模型的预测效果分别进行测试,Emfacenet在CPU平台下识别速度分别是Resnet50、Mobilenetv3以及Mobilefacenets这3种模型的2.07倍、1.67倍、1.63倍,在嵌入式平台下识别速度分别56.65倍、2.09倍、3.41倍.而且Emfacenet卷积神经网络模型大小仅为138.1KB,保持较高精度的同时运行效率显著提高,可以适用于嵌入式等硬件资源受限领域来实现人脸识别.

基于可见光谱与轻量级卷积神经网络的冬小麦分蘖数估算

分蘖数是表征冬小麦生长的关键性参数,对于冬小麦苗情监测、产量预估具有重要意义。针对目前冬小麦分蘖数估算方法存在的数据获取繁复和估算模型体量大的问题,提出一种基于可见光图像和轻量级卷积神经网络的冬小麦分蘖数估算方法,以期实现冬小麦分蘖数无损快速估算,并且可嵌入移动终端设备。可见光图像具有获取便捷,处理简单的特点,利用数码相机连续采集2017年—2018年和2018年—2019年两个生长季的冬小麦冠层可见光图像。利用该数据图像,分别构建基于轻量级卷积神经网络MobileNetV2,SqueezeNett,ShuffleNet的冬小麦分蘖数估算模型进行比较试验,并与基于非轻量级卷积神经网络AlexNet和ResNet系列构建的估算模型进行对比试验。开展冬小麦分蘖数估算模型针对不同植株密度数据的鲁棒性以及针对不同生长季数据的泛化能力的验证试验。结果表明,基于MobileNetV2构建的冬小麦分蘖数估算模型的决定系数(R^(2))为0.7,归一化均方根误差(NRMSE)为0.2,在三个轻量级卷积神经网络中具有最优表现;基于非轻量级卷积神经网络构建的冬小麦分蘖数估算模型体积是基于MobileNetV2构建的冬小麦分蘖数估算模型的2.3~16.1倍。与非轻量级卷积神经网络相比较,基于MobileNetV2构建的估算模型在具有较好R^(2)的同时有较小的体量,适宜嵌入移动终端设备;针对120,270和420株·m^(-2)三个不同植株密度的可见光图像数据集,基于MobileNetV2构建的冬小麦分蘖数估算模型的R^(2)分别为0.8,0.8和0.7,表现鲁棒;针对两个生长季的可见光图像,基于MobileNetV2构建的冬小麦分蘖数估算模型通过迁移学习将R^(2)提升了2倍,NRMSE下降了7.6%,表现出对数据季节性差异较好的适应性,体现了模型的泛化能力。利用可见光图像,基于MobileNetV2构建的估算模型能够满足冬小麦分蘖数估算需求,为冬小麦生长观测以及田间农艺措施管理决策提供了一个准确、鲁棒、可嵌入移动终端设备的工具。

基于卷积神经网络和模态转换的磁瓦内部缺陷检测方法

针对人工检测磁瓦内部缺陷过程中需要成熟的经验知识,检测过程不稳定且效率较低等问题,设计一套智能化检测系统。受人工检测的启发,提出一种基于卷积神经网络和模态转换的磁瓦内部缺陷检测方法。将时域信号转换为时-频域语谱图,利用卷积神经对语谱图提取特征并分类。为更精准地强调重要信息而抑制无关信息,将坐标注意力机制引入到卷积神经网络中。提出的基于卷积神经网络和模态转换的预测模型的准确率达到98.4%,证明提出的检测方法对于磁瓦内部缺陷检方法是有效的。实验结果表明,模态转换和坐标注意力机制能提升模型的性能。

卷积神经网络在结直肠息肉辅助诊断中的应用综述

结直肠癌是一种恶性肿瘤,主要发生在结肠和直肠的组织中,其早期发现和治疗具有重要意义。结直肠癌的早期检测和预防主要是对病人的肠道进行视觉检查,从而筛查结直肠息肉,但人工检查存在漏诊率高等弊端。基于卷积神经网络(CNN)的辅助诊断系统在结直肠息肉的诊断方面表现出最先进的性能,是目前计算机辅助诊断领域的研究热点。根据近几年发表的相关重要文献,对卷积神经网络在结直肠息肉辅助诊断中的应用进行系统综述。首先介绍了结直肠息肉诊断领域的常用数据集,其中包括图片和视频数据集;其次分别对CNN在结直肠息肉检测、分割以及分类中的应用进行系统阐述,对各算法的主要改进思路、优缺点以及性能进行深入分析,旨在为研究人员提供更系统的参考,并对深度学习模型的可解释性进行总结;最后对基于CNN的结直肠息肉辅助诊断的各类算法进行总结,并对未来的研究方向进行展望。

基于卷积神经网络的成品油红外光谱分类分析

针对石油类产品在运输及使用过程中泄漏污染引起的环境问题,文章以4种成品油为研究对象,基于卷积神经网络(CNN)对油品红外光谱进行分类分析,为石油类产品泄漏追踪溯源。实验测量了4种成品油及其混合物共387组红外透射光谱,采用Savitzky-Golay多项式平滑法(S-G)、标准正态变换(SNV)和多元散射校正(MSC)3种方法对光谱数据进行预处理,分别建立了预处理前后CNN分类模型。研究结果表明:预处理后的光谱数据建立的CNN模型分类精度均高于原始数据,其中SNV预处理的光谱数据表现出最佳分类精度为0.9744,损失值为0.2579。该研究结果说明基于神经网络结合红外透射光谱的检测方法对成品油品种分类是可行的,且该项成果为后续实现石油类污染物高效、快速检测提供理论支持。

基于非洲秃鹫算法优化卷积神经网络的重叠峰解析方法

利用光谱仪器检测土壤中重金属时,由于仪器分辨率较低,峰位相近元素的特征峰会产生重叠。光谱重叠峰严重影响定量分析结果的准确性,为了得到准确的重金属含量需要进行光谱重叠峰分解。提出利用非洲秃鹫算法优化卷积神经网络(AVOA-CNN)的重叠峰解析方法。首先,利用高斯函数模型模拟出150个双高斯含噪光谱重叠峰和43个三高斯含噪光谱重叠峰,选择不同小波基函数进行光谱数据去噪,以信噪比和均方根误差(root mean square error, RMSE)为评价指标,最终确定coif 3小波基函数,使用导数法进行光谱重叠峰预处理。然后,使用AVOA-CNN获得卷积神经网络(convolutional neural network, CNN)预测结果,解析结果表明:AVOA-CNN成功分解重叠峰且准确率高,双高斯光谱重叠峰和三高斯光谱重叠峰参数(峰强度,峰位,峰宽)的最大相对误差平均值分别为3.15%和5.90%。最后对比麻雀搜索算法优化CNN、CNN与AVOA-CNN,结果显示AVOA-CNN模型预测准确率最高。

基于轻量级卷积神经网络的红鳍东方鲀个体身份无损识别方法

文章充分利用红鳍东方鲀(Takifugu rubripes)体侧纹理特征提出了一种基于轻量级卷积神经网络的鱼类个体身份识别方法,可在无损前提下实现红鳍东方鲀个体身份的高精度识别。首先,采用SOLOv2模型进行前景分割,并结合红鳍东方鲀体型特点,通过质心和哈希值计算方法完成数据集生成和筛选;随后,从多维度分别测试主流深度学习图像分类骨干网络和不同损失函数在红鳍东方鲀身份识别中的效果;继而,在MobileNet v2骨干网络基础上,耦合Softmax Loss函数,建立了一种适用于红鳍东方鲀的个体身份无损识别的最优组合方法。研究结果表明,文章方法准确率可达90.2%,优于其他相关主流方法(准确率73.6%—89.3%),相关研究成果将为循环水养殖鱼类个体身份无损识别和精准生物量估算提供技术支撑。