卷积神经网络在红枣表面缺陷检测中的应用优化

随着农业产业的快速发展,红枣作为重要的经济作物,其品质检测对于提升市场竞争力具有重要意义。本文研究了基于深度学习的红枣表面缺陷检测技术,通过改进卷积神经网络(CNN)模型结构,引入注意力机制和激活函数,有效提高了红枣表面缺陷检测的准确率和速度。研究结果表明,优化后的模型在红枣表面缺陷识别任务上取得了显著的性能提升,为红枣品质检测提供了一种新的技术手段。

基于条件轻量级神经网络的视频入侵检测算法

机场安防场景需要快速准确地对入侵目标进行检测及报警,现有的算法计算量大,无法满足实时处理需求。针对该问题,结合传统高斯混合模型的前景提取算法与轻量级神经网络,设计基于条件计算的轻量级入侵检测算法。在前景提取阶段使用基于信息熵的自适应学习因子更新算法动态更新高斯混合模型的学习因子,减小高斯混合模型面对镜头突入时造成模型失效的概率。目标检测阶段以ResNeXt作为主干网络,将小型ResNet作为策略网络,使混合感受野的深度可分离卷积作为残差块,设计基于条件计算的轻量级神经网络,降低网络推理时的计算量。实验结果表明,该算法在监控视频数据集和OTB100数据集上的误检率分别4.4%、9.2%,漏检率分别为2.3%、9.8%,与Faster-YOLO等传统目标检测算法相比,该算法在保证检测精度的情况下使检测速度平均提高了2.6倍。

融合GRU和CNN的轻量级网络入侵检测模型

当前网络流量数据呈现出高维、多态、海量的特点,这对入侵检测是一个新挑战.针对传统入侵检测模型中检测效率低、缺乏轻量化考虑等局限性,提出了一种融合GRU和CNN的轻量级网络入侵检测模型.首先使用极度随机树删除数据集中的冗余特征;其次使用GRU进行特征提取.考虑到数据中的长短期依赖关系,将所有隐藏层输出作为序列特征信息进行下一步处理;再通过带有逆残差、深度可分离卷积、空洞卷积等结构的轻量化CNN模型进行空间特征提取;为了加速模型收敛加入了通道注意力机制.最后在CIC-IDS2017数据集上的实验表明,该方法具有优秀的检测性能,同时也具有模型参数量少、模型体积小、训练时间短、检测时间短等优点,适用于网络流量的入侵检测工作.

人工神经网络在木材缺陷检测中的应用

采用射线作为检测手段,对木材进行无损检测。在无损检测信号处理和特征构造的基础上,运用特征参数建立了缺陷识别的数学模型,针对无损检测信号的特征,构造了人工神经网络。选用反向传播神经网络模型(BP网络),网络识别所需要的特征参数能够反映木材缺陷的全部特征。

基于优化卷积神经网络的表面缺陷检测

卷积神经网络(CNN)具有权值数量少,训练速度快等优点,在图像识别、机器视觉等领域得到广泛应用。本文提出了一种卷积神经网络的自适应加权池化算法,算法通过生成合并通道,并在学习掩模的引导下汇集特征,优化了子采样模型的特征提取,有效改善了网络的识别准确性和快速性。利用该算法对磁片表面缺陷进行检测实验,实验结果表明,本文提出的池化模型使卷积神经网络对特征的提取更加精确,同时提高了收敛速度和鲁棒性,并且可以应用于各种深度神经网络体系结构中。

基于BiViTNet的轻量级驾驶员分心行为检测方法

针对基于卷积神经网络的驾驶员分心行为检测,模型比较复杂、检测效率低下且缺少全局视觉表征的问题,提出了一种双分支并行双向交互神经网络BiViTNet(bidirectional interaction neural network based on vision transformer)对驾驶员行为进行识别,将ViT(vision transformer)引入到网络中对全局信息进行编码,在一定程度上提高检测精度。该网络由两个并行分支组成,第1个分支基于轻量级的CNN结构,第2个分支基于ViT结构。通过双向特征交互模块BiFIM(bidirectional feature interaction module)解决CNN Branch和ViT Branch之间特征不对称的问题,最后将两个分支的特征融合并对驾驶员行为进行检测。实验在自建的多视角驾驶员数据集上展开,验证集准确率达到97.18%,参数量为38.22 MB,计算量为271.20×10^(6)。研究表明:轻量级BiViTNet提高了驾驶员分心行为识别的准确率,可以在一定程度上辅助驾驶员的行车安全。

双小波神经网络迭代的漏磁缺陷轮廓重构技术

在二维漏磁缺陷重构中,建立基于径向基小波神经网络(RWBF)的正演和反演模型,提出了一个反馈形式的双小波神经网络迭代模型,通过迭代使目标函数最小化,实现对缺陷轮廓的快速逼近。用仿真和实验获取的训练样本分别对正演和反演模型的RWBF进行训练。为了提高径向基神经网络的适应性和精度,提出了一种新的训练算法。首先确定最优分解层数,然后利用梯度下降法修正网络的权值。对不同分辨率和不同信噪比下的漏磁信号进行了重构,并与其他方法进行了比较。结果表明,双小波神经网络迭代模型能够实现漏磁缺陷的精确逼近,具有良好的鲁棒性,是有效的二维轮廓重构方法。

机械设备轴承图像缺陷深度卷积神经网络检测

由于机械设备轴承区域受到工作区域的影响,采集图像中,噪声组成较为复杂,脉冲噪声和高斯噪声混合,很难通过单一小波去除,导致后续检测轴承部件缺陷难度加大,提出基于混合深度学习的机械设备轴承部件缺陷检测方法。将中值滤波和小波变换相结合,通过中值滤波剔除机械设备轴承部件图像混合噪声的脉冲噪声,采用改进的小波阈值去噪方法滤除图像高斯噪声。利用混合深度学习技术构建全新的卷积神经网络模型,将样本测试集作为输入样本训练卷积神经网络模型,输出缺陷检测结果,完成机械设备轴承部件缺陷检测。经过实验测试证明,所提方法的漏检率低、检测准确率高,能给准确检测机械设备轴承部件缺陷。

微小型航天密封圈表面缺陷检测

微小型航天密封圈表面缺陷面积占比小,目前的检测方法检测效率低、结果不稳定,检测速度和检测精度仍有提升空间。针对上述问题,提出两种基于深度学习的密封圈表面缺陷检测算法。在MobileNetv2的反向残差模块中加入多头注意力机制,构建出轻量级主干网络Efficient Model;使用Next Hybrid策略,融合工业级Transformer网络中的多个注意力机制模块,构建出Next Generation Vision Transformer主干网络。在上述两种主干网络中分别加入特征提取网络,设计出Efficient-FPN Model和Transformer-FPN Model检测算法。实验结果表明,Efficient-FPN Model和Transformer-FPN Model检测算法的平均准确率均高于YOLOv5s、YOLOv5x以及YOLOv5z,其中,Transformer-FPN Model模型的平均准确率最高,达到91.4%。Efficient-FPN Model的检测速度在五种模型中最快,达到110.8 frame/s,其平均准确率达到86.1%,也高于其他YOLOv5算法,是综合性能最优的检测模型。将这两种算法部署于自主研制的航天密封圈智能测量与测检设备,实现了快速、准确检测全向曲面柔性零件的目的。

基于轻量级SSD模型的夜间金蝉若虫检测

为实现夜间树上金蝉若虫的快速准确检测,该研究以自然环境图像数据集为研究对象,结合近距离实际应用场景,考虑到嵌入式系统的模型小型化和计算过程轻量化,在保持精度指标基本不变的前提下,基于适度削减模型深度、宽度的思路对已有目标检测网络Mobile Net-SSD提出改进。具体措施包括:删除骨干网络末端的小尺寸特征图卷积层,逐级裁剪模型整体宽度、适当增加中高层卷积深度,在目标检测的分类层和预测框的回归层中使用深度可分离卷积代替传统3×3卷积等措施,先后获取3种改进的精简模型以进行比较。夜间图像测试结果表明,在基本保持网络性能的前提下,改进后的模型大小及计算量均呈现大幅减小,其中最优模型大小从原MobileNet-SSD的15.22 MB减少到1.51 MB,模型的浮点运算量也由原先的1.13×10^(9)减少到1.26×10^(8),其平均准确率达90.46%,平均交并比达83.52%,F1分数达92.35%,GPU上的检测速度达179.3帧/s,CPU上的检测速度达到6.49帧/s,与改进前的模型相比具有更好的综合性能,白天图像的试验结果也显示出较好的泛化性能。该文提出的改进模型在大幅减少模型大小及其计算量的同时使模型性能保持在一个较高的水平,更适合部署在移动终端等资源受限设备上,可为金蝉的人工养殖提供有益参考。

轻量卷积神经网络遥感影像目标检测方法

针对常规遥感影像目标检测模型在低算力环境难以运行问题,提出一种新的轻量级目标检测方法。采用深度可分离卷积核及通道分组混排构建轻量级特征提取网络,采用K-means聚类获取锚点框,使用跨层连接双层特征金字塔预测多尺度目标。利用遥感影像目标检测数据集(RSOD)数据集对模型训练,采用精度均值,平均精度均值,每秒传输帧数对模型进行评价。结果表明,所提出模型平均精度均值可达68.2%,相比同类模型分别提高9.82%和17.3%,检测速度达到36帧/s,权重文件仅31.26 MB,适合部署于低算力设备。

融合CBAM-YOLOv7模型的路面缺陷智能检测方法研究

针对目前路面缺陷检测精度不高的问题,基于目前综合性能较强的YOLOv7模型进行改进,提出了融合卷积注意力模块的CBAM-YOLOv7模型。该模型通过重参数化、高效聚合、辅助训练等模块来加快模型的收敛过程,还通过融合卷积注意力机制来提升模型的检测精度。面向路面缺陷多分类问题,在公开数据集上分别使用Faster R-CNN、YOLOv6、YOLOv7、CBAM-YOLOv7模型进行实验验证分析,利用mAP值、F1值、FPS值作为模型的精度与效率评价指标。实验结果显示:融合CBAM-YOLOv7的路面缺陷检测结果的mAP值和F1值分别能达到83.75%和67.8%,FPS值能达到51.22 Hz,相较于其他模型均有明显提高。

基于轻量级网络的钢铁表面缺陷分类

缺陷分类是钢铁表面缺陷检测的重要内容。在卷积神经网络(CNN)取得良好效果的同时,网络日益增长的参数量耗费了大量计算成本,为缺陷分类任务在个人计算机或低算力设备上的部署带来了巨大的挑战。针对上述问题,提出了一种新颖的轻量级网络模型Mix-Fusion。首先,通过组卷积和通道洗牌两种操作,在保持精度的同时有效降低计算成本;其次,利用一个狭窄的特征映射对组间信息进行融合编码,并将生成的特征与原始网络结合,从而有效解决了"稀疏连接"卷积阻碍组间信息交换的问题;最后,用一种新型的混合卷积(Mix Conv)替代了传统的深度卷积(DWConv),以进一步提高模型的性能。在NEU-CLS数据集上的实验结果表明,Mix-Fusion网络在缺陷分类任务中的浮点运算次数和分类准确率分别为43.4 MFLOPs和98.61%。相较于Shuffle Net V2和Mobile Net V2网络,Mix-Fusion网络不仅降低了模型参数,压缩了模型大小,同时还得到了更好的分类精度。

基于轻量级深度网络的计算机病毒检测方法

为解决已有病毒检测机制无法很好地处理大量未知病毒及深度网络模型难以部署在嵌入式设备上应用的问题,提出一种基于轻量级深度网络的计算机病毒检测方法。采用B2M算法将病毒映射为灰度图像,提取灰度共生矩阵GLCM作为轻量级深度网络SqueezeNet的输入,将传统视觉特征与深度神经网络进行整合,实现病毒的高准确率判别。对SqueezeNet进行卷积结构和特征增强的改进,使之运行速度更快、资源消耗更低,检测精度更高。实验验证了该方法的有效性。

基于ResNet模型的聚乙烯燃气管道接头缺陷识别算法

接头是聚乙烯燃气管道容易出现危害性缺陷的薄弱环节,需对此薄弱区域进行定期检测,以确保聚乙烯燃气管道的安全运行。为提高聚乙烯燃气管道接头缺陷图像识别能力,提出了一种基于ResNet网络模型的改进型卷积神经网络识别算法。首先运用Laplacian算子、中值滤波等方式实现对PE燃气管道接头缺陷图像的预处理;然后,将dropout层和ELU函数加入在ResNet34网络模型中完成图像识别模型的构建;最后,采用改进的ResNet34网络模型通过试验对包含6种热熔缺陷类型的数据集进行训练和测试。试验结果表明,改进后的ResNet34网络模型对缺陷图像的训练正确率可达到97.3%,且拥有比原始的ResNet34网络模型和DenseNet网络模型更高的正确率,验证了此模型对于热熔接头缺陷图像识别的有效性。

基于DSSD模型的机械加工件表面缺陷检测研究

针对机械加工件表面缺陷检测问题,对工件表面缺陷种类、缺陷位置进行了研究,对深度学习中的目标检测算法进行了归纳分析,提出了一种基于DSSD模型的机械加工件表面缺陷检测方法。该方法首先利用扫描电子显微镜获取了不同工件、不同位置的表面缺陷图像,建立了工件表面缺陷数据集,并对数据集进行了扩充;然后将DSSD网络模型反卷积模块的网络层数进行了简化,从而降低了计算复杂度;最后利用简化后的DSSD模型完成了对数据集的训练和测试。研究结果表明:DSSD模型的检测效率高于YOLO、Faster R-CNN和SSD这3种模型,能够更准确、快速地检测工件表面缺陷,为实际工业场景下的缺陷检测提供了新的思路。

基于多域多尺度深度特征自适应融合的焊缝缺陷检测研究

针对焊缝缺陷检测信号信息丰富度低、深度网络架构人工依赖性强等问题,开展基于多域多尺度深度特征自适应融合的焊缝缺陷检测研究。构建时域数据集并衍生至实数域与复数域中,丰富检测信号的特征表达;设计多域信息融合模型,充分融合特征域信息;提出面向卷积神经网络多维超参数自寻优的模型优化策略,提高模型的效率和性能。试验表明,所提方法对五类焊缝缺陷识别准确率为96.54%,能够在提升识别准确率同时保持较少的参数量和计算消耗,具有较强的实用性和泛化性。

应用于起重机智能视觉检测的双网络并行模型

起重机是一种使用广泛的物流设备,然而在长期高负载运作下,由于机械磨损、疲劳断裂产生的裂纹以及长期暴露于高温、潮湿环境下造成的机械腐蚀是无法避免的问题.传统的人工检测,一方面无法保证检测人员的作业安全,另一方面无法保证检测的全面性.因此,提出一种基于深度卷积神经网络的起重机金属结构缺陷视觉检测算法.由于起重机金属结构缺陷图像数据的规模小于深层次卷积神经网络所需的数据规模,容易导致过拟合,故先设计浅层次的卷积神经网络模型,再采用深层次的卷积神经网络训练浅层次卷积神经网络,得到一个深层次与浅层次的双网络并行模型,以此达到提高浅层次卷积神经网络检测的准确性和鲁棒性.实验上,通过双网络并行模型算法与单网络模型、传统机器视觉识别方式的实验性能对比,验证了该算法的有效性和更好的鲁棒性.

基于深度学习的水果缺陷实时检测方法

目的:对CenterNet方法进行优化改进。方法:使用MobileNetV3的轻量化卷积神经网络替代CenterNet原有的骨干网络,加快检测速度,对MobileNetV3模块进行改进,增强模型对水果中小缺陷块的检测能力,并对CenterNet的预检测阶段进行优化,提高其检测准确度。结果:试验方法对显著缺陷如直径>4 mm的苹果识别率高达99.7%,检测速度为113帧/s,模型体积为1.31 MB。结论:与CenterNet_ResNet18和CenterNet_Shuffler模型相比,MO-CenterNet模型检测水果缺陷在训练时间、检测速度和准确率方面均衡性更好。

基于机器视觉的枪弹外观缺陷检测系统研究

为了实现枪弹外观缺陷自动检测,研究了基于机器视觉技术的枪弹外观缺陷检测系统。首先针对枪弹外观缺陷图像特点,分析了采用灰度阈值及单一颜色模型分割缺陷的局限性,提出基于混合颜色模型的缺陷图像分割方法,实现了枪弹外观缺陷快速、准确分割;然后通过分析枪弹外观缺陷特点,分别从形状、颜色和纹理共选取了12个类别差异明显的特征参数,提取了枪弹外观缺陷特征;最后选择BP神经网络作为缺陷分类器,根据经验和实验确定了神经网络结构及参数,并分析了传统BP算法在枪弹外观缺陷分类应用中的不足,通过改变收敛标准、自适应调整步长和引入动量项以优化BP算法,改善了神经网络分类效果。实验表明,枪弹外观缺陷检测系统能够实现缺陷自动分割、识别与分类,正确识别率达91.7%,表现出较好的准确性和鲁棒性。