基于改进EfficientNet模型的轻量化滚动轴承故障诊断方法

相比依赖于人工分析且无法充分提取信号中丰富信息的传统故障诊断方法,采用深度学习模型可以取得更理想的识别效果,但依然存在所使用的模型参数量大、计算成本高的问题。文章提出一种将格拉姆角场(gramian angular field,GAF)编码方式与改进的EfficientNet-B0模型相结合的方法进行轴承的故障诊断。首先,一维轴承信号经过格拉姆角场编码为二维时序图像;其次,将二维图像输入引入注意力机制CBAM模块的EfficientNet-B0模型中自动进行特征提取和分类识别;最后,在仿真试验环节使用凯斯西储大学与德国帕德博恩大学的轴承数据集,基于格拉姆角场与EfficientNet-B0-CBAM模型的诊断方法对轴承故障的识别准确率分别可达到99.90%和98.04%,可以得出所提出的方法在保持模型轻量化特点的基础上拥有更高的识别准确率和更好的泛化能力。

融合卷积注意力模块的EfficientNet网络的肺炎X射线图像分类

为提高临床上对肺炎X射线图像诊断的效率及准确率,本研究基于EfficientNet网络模型,融合卷积注意力模块(convolutional block attention module, CBAM)提出了一种识别肺炎和正常图像的分类算法。首先,对数据进行增强以防止过拟合现象;其次,通过CBAM模块提升网络对肺炎病灶区的特征提取能力;最后,使用迁移学习加速网络训练,以提升分类性能。结果表明,该算法分类准确率、召回率、AUC分别达98.29%、98.03%、99.69%,可辅助医生高效、准确地实现肺炎诊断。

融合双线性网络和注意力机制的油橄榄品种识别

为解决自然条件下的油橄榄品种识别问题,该研究以油橄榄品种佛奥、莱星、皮削利和鄂植8号为研究对象,融合双线性网络与注意力机制,提出双线性注意力EfficientNet模型。针对不同品种油橄榄表型差异很小的特点,搭建双线性网络以充分提取油橄榄图像中的特征信息。在此基础上,选用兼顾了速度和精度的EfficientNet-B0网络为特征提取网络。针对自然条件下油橄榄品种识别易受复杂背景干扰的问题,将CBAM(convolutional block attention module,CBAM)注意力与双线性网络结合,使模型在提取油橄榄图像特征时,能够聚焦到对油橄榄品种识别起关键作用的特征上。经测试,所提模型对4个油橄榄品种识别的总体准确率达到90.28%,推理时间为9.15 ms。Grad-CAM(gradient-weighted class activation mapping,Grad-CAM)热力图可视化结果也表明,所提模型在识别油橄榄品种时重点关注了果实以及部分叶子区域。消融试验结果表明,在EfficientNet模型中引入CBAM注意力和搭建双线性网络后,总体准确率分别提高了5.00和10.97个百分点。并且,对比试验结果表明,与双线性ResNet34、EfficientNet-SE注意力、双线性ResNet18、双线性VGG16和双线性GoogLeNet等模型相比,所提模型的总体识别准确率分别高12.78、11.53、11.11、10.70和5.00个百分点。该研究为解决自然条件下的油橄榄品种识别提供了依据,同时也可为其他作物的品种识别提供参考。

基于改进EfficientNet的雷达信号调制方式识别

针对在复杂电磁环境下的雷达辐射源信号识别中传统方法失效,深度学习算法存在低信噪比下识别效果差、网络复杂参数多的问题,提出一种改进EfficientNet模型对雷达辐射源信号进行识别。首先引入卷积注意力模块(Convolutional Block Attention Module,CBAM)改进网络,提高网络对通道和空间特征的提取能力;结合h-Swish和ReLU两种激活函数进一步改进网络在保持网络精度的情况下加快网络训练;对样本进行标签平滑,对9种不同调制信号的时频图像做CutMix数据增强后输入网络,增强模型的泛化能力。通过实验分析,改进后的模型在信噪比为-10 dB的情况下对9种调制信号的综合识别率达到了94.24%,验证了该方法能够在低信噪比条件下有效识别雷达辐射源信号。

IC+IEffxNet:一种基于CBAM和改进通道注意力的EfficientNet的混合脑肿瘤分类方法

为进一步提高脑肿瘤影像诊断的准确性和稳健性,提出一种基于CBAM(Convolutional Block Attention Module)和改进通道注意力机制的EfficientNet神经网络(IC+IEffxNet)的新型混合脑肿瘤分类方法。该方法分为2个阶段,第一阶段由基于改进空间注意力机制的CBAM模型提取特征。第二阶段将EfficientNet架构中的Squeeze and Excitation(SE)块替换成Efficient Channel Attention(ECA)块,将第一阶段的组合特征输出作为第二阶段的输入。实验展示了在混合脑肿瘤MRI数据集下,神经胶质瘤患者、脑膜瘤患者、脑垂体瘤患者与正常患者图像的4分类结果,实验结果显示分类平均准确率比现有方法提高约0.5~2个百分点。实验结果证明了该方法的有效性,为医疗专家能够准确判断脑肿瘤种类提供了新的参考。

改进Faster R-CNN的交通标志检测算法

针对目前交通标志检测方法受光照影响较大,模型精度低等问题,提出一种更快基于区域卷积神经网络(faster region-based convolutional neural network,Faster R-CNN)的交通标志检测算法。针对图像中天空与非天空区域的光照不均匀现象,引入伽马变换增强交通标志在模型中的特征表达能力;利用基于卷积注意力模块的高效网络(convolutional block attention module-based an efficient network,CBAM-EfficientNet)解决网络深度退化问题,提高浅层网络的特征获取能力,降低参数量;在网络中引入特征金字塔网络以检测不同尺寸目标,增强网络对不同尺寸交通标志的感知能力,解决交通标志尺寸差异问题。试验结果表明,该算法在GTSDB数据集上的平均准确率均值P_(mA)达到99.79%,在CCTSDB2021数据集上的P_(mA)达到87.62%。为光照不均匀图像的交通标志检测提供一种高准确性的方法。

基于YOLOv5的桥梁裂纹检测方法研究

为解决桥梁裂纹识别中不同裂纹的识别问题,提高模型的拟合能力,并提升裂纹的特征提取能力,提出了一种基于YOLOV5融合EfficientNet,引入CBAM注意力机制的桥梁裂纹识别的算法YOLOv5-Crack。首先,基于网络EfficientNet的高精度、高效性,替换YOLOv5的特征提取网络以提取裂纹特征;其次,将CBAM(Convolutional Block Attention Module)卷积块注意力模块与通道和空间注意力模块结合,以增强模型表达浅层目标特征信息的能力,提高了裂纹的识别精度;最后,在桥梁裂缝数据集Concrete Crack Images for Classification上训练。研究结果表明:在大型裂纹的识别能力上,YOLOv5-Crack检测识别精度高于YOLOv5,其mAP@0.5,Recall及Precision明显提高,而消耗的算力明显降低,能够满足裂纹的检测要求。