基于改进EfficientNet的细粒度图像识别

普通CNN模型直接应用于细粒度图像识别时关键特征提取不充分,导致模型细粒度识别准确率较低,针对这个问题,论文提出了一种基于改进EfficientNet的细粒度图像识别算法,以EffcientNetB3为主干,在全局平均池化层(GAP Layer)之前添加一个CBAM注意力模块,提升模型关键特征提取能力。论文利用迁移学习训练得到细粒度识别网络,实验结果表明,训练得到的改进模型在CUB-200-2011数据集上的识别准确率达到了84.5%左右,相比于原网络准确率提升了5.4%,另外与常用CNN模型相比模型复杂度更低,识别准确度更好。

一种无人机图像识别技术体系研究与应用

为了实现水利工程巡检、河湖岸线、河湖环境监测等海量无人机图像异常特征物的智能化检测识别,提高管理效率,满足智慧水利建设的需求,基于YOLO v3算法框架,通过引入注意力模块SE,构建了高精度的YOLO v3-SE目标检测算法,形成了无人机图像识别技术体系,并将其成功应用于多个水利工程的海量无人机图像的异常特征物检测识别中。结果表明:通过自建66000张图片数据的训练集和35514张图片数据的测试集,本算法与原始YOLO v3算法、改进的SKSet-YOLO v3算法和CBAM-YOLO v3算法相比,在积水、塌方、运输船、滑坡、聚集型垃圾和分散型垃圾等6类目标物的检测精度AP均有较大幅度的提升;平均检测精度mAP也分别从59.83%提升至90.17%、从79%提升至90.17%、从72%提升至90.17%,精度得到明显提升,满足水利工程智慧化监控的需求。

基于双CPU的实时光电图像识别系统

提出并设计一种新型的基于双CPU技术的光电图像识别系统,该系统主要由目标图像采集与处理模块、光电相关联合变换模块以及自动识别模块组成。采用TMS320C6416与FPGA完成目标图像的采集与处理,采用ARM9处理器S3C2440完成对相关功率谱的采集与目标图像识别。与传统光电图像识别系统相比,该系统实时性和精度更高,并可实现智能化和网络化。

基于迁移学习的苹果落叶病识别与应用

为解决现有卷积神经网络苹果叶片病害识别模型泛化能力弱,模型体积较大等问题,该研究提出一种基于改进MobileNetV3苹果落叶病识别模型。以健康叶片和常见苹果落叶病为研究对象,包括斑点落叶病、灰斑病、褐斑病、锈病4种,每种病害2级,共9类特征,通过改进网络的注意力模块、全连接层及算子,结合迁移学习的训练方式,构建苹果落叶病识别模型。在扩充前后的数据集上对比不同的学习方式、学习率和注意力模块等对模型的影响,验证模型的识别性能。试验结果表明:采用迁移学习的方式,在训练50轮达曲线收敛,比全新学习的准确率增加6.74~10.79个百分点;使用引入的ET(efficient channel attention-tanh)注意力模块,网络损失曲线更加平滑,模型的参数量更少,模型体积减小了48%,提高了模型的泛化能力;在扩充数据集上,学习率为0.000 1时,结合迁移学习的训练方式,改进MobileNetV3(ET3-MobileNetV3)苹果落叶病识别模型,平均准确率能达到95.62%,模型体积6.29 MB。将模型部署到喷药设备上,可实现基于苹果叶片病害识别的变量喷施,该研究可为苹果叶片病害的检测与果园的现代化管理提供参考。

基于改进YOLOv3的输电线路缺陷识别方法

为解决在无人机巡检输电线路现场中出现的图像识别算法对硬件要求高、计算耗时长,训练集图片较少且复杂多变等问题,提出了一种基于改进YOLOv3算法的输电线路缺陷检测方法。提出了在YOLOv3原基本框架下加入空间金字塔池化(spatial pyramid pooling,SPP)模块的方法,使得该算法能在同一层内提取多尺度深度特征,以适应巡检现场输入尺寸不同、复杂多变的图片检测;提出了对添加了SPP模块的YOLOv3进行通道减少、框架瘦身的剪枝处理方法,以优化YOLOv3的轻量化性能,降低对巡检时车载服务器的硬件要求、减少计算时长。使用数量较少的输电线路缺陷图像数据集对该改进算法进行验证。测试结果表明,改进的模型对硬件依赖性较小,检测精度几乎不变,平均每步迭代时间减少了0.81 s,整体性能提升25%。

一种改进的tiny YOLO v3煤矸石快速识别模型

传统的煤矸石分选方法效率低下、安全隐患较大、应用范围受限,现有的基于机器视觉的煤矸石图像识别方法在模型识别速度与精度上难以平衡,未综合考虑输入图像尺寸不一、重要通道权重较低及卷积参数量大对模型精度的影响。针对上述问题,在tiny YOLO v3模型的基础上,提出了一种改进的tiny YOLO v3煤矸石快速识别模型。首先,在tiny YOLO v3模型引入多卷积核组合池化的特征金字塔池化(SPP)网络,确保输入特征图可被处理为固定尺寸再输出;其次,引入RGB通道权重可调节的压缩激励(SE)模块,用于增强前几层特征图各通道之间的联系,强调感兴趣通道的特征值和不同目标特征之间的差异性,确保关键信息的捕捉和网络灵敏度;最后,引入包含0权值点的空洞卷积替代tiny YOLO v3模型中部分卷积层,在不增加模型参数的前提下,可捕获多尺度上下文信息进而扩大感受野,提高模型计算速度。将该模型分别与tiny YOLO v3模型、Faster RCNN模型、YOLO v5系列模型进行对比,结果表明:(1)与tiny YOLO v3相比,改进的tiny YOLO v3煤矸石快速识别模型的识别准确性和快速性都有显著提升。(2)与Faster RCNN相比,改进的tiny YOLO v3煤矸石快速识别模型训练时间减少了65.72%,识别精度增幅为11.83%,识别召回率增幅为0.5%,模型平均精度均值(m AP)增幅为3.02%。(3)与YOLO系列模型相比,改进的tiny YOLO v3煤矸石快速识别模型在保持识别精度优势的情况下识别速度有大幅增长。消融实验结果表明:改进的tiny YOLO v3煤矸石快速识别模型的识别准确率为99.4%,较加入SPP网络的tiny YOLO v3模型的识别准确率提高了4.9%;测试每张图片耗时12.5 ms,较加入SPP网络的tiny YOLO v3模型耗时减少了1 ms。

STM32单片机控制的智能垃圾分类终端

目前我国生活类垃圾污染非常严重。随着国家对环保的要求越来越严格,垃圾分类投放必将成为强制性的规定。现在绝大多数垃圾分类仅仅依靠垃圾投放者根据标识进行自主判断,若个人没有相应的分类知识,则无法准确地进行垃圾分类。本项目旨在设计一种智能垃圾分类机,在投放垃圾时进行辅助分类,并且可以通过显示屏了解投放垃圾所属的具体类别,以方便将垃圾投放至对应类别垃圾箱内,利于垃圾分类的实施。系统基于STM32单片机、CMUCAM3图像识别模块与SI1102红外检测模块实现对垃圾的识别与分类,驱动舵机转动实现分类。当人手或物体接近投料口(感应窗)约25~35 cm时,垃圾桶盖会自动开启,待垃圾投入3~4 s后桶盖又会自动关闭,期间人和物不须接触垃圾桶。本设计旨在建立一个完整、高效的信息系统和应用程序,利用信息系统实现垃圾的智能回收、分类、再利用,省去人们对垃圾种类的判断和分类过程。该系统的建立有利于改善垃圾分类问题,提高垃圾的回收和分类的效率。在可行性和推广性上,具有门槛较低、终端设备高度整合、经济效益好的特点;随着项目推广的生产成本边际递减,设备单价也将大幅下降。

基于改进YOLOV3的载波芯片缺陷检测

载波芯片(COC)是光发射次模块的重要组成部分,随着芯片制造工艺的进步,COC向着微型化、高密度的方向发展,缺陷的种类变得更加复杂多样,基于传统图像处理方法的光学检测技术已无法满足COC多类别缺陷检测的需求。为此,将YOLOV3网络引入到COC的典型缺陷(崩口、定位柱破损以及波导污渍)检测。针对波导污渍缺陷目标较小,且不同类型缺陷之间尺度变化较大的问题,改进了原有YOLOV3的特征提取网络,兼顾目标的多尺度特性设计了4个检测尺度,并通过增强特征融合来改进多尺度检测;利用K-means方法对数据集进行聚类分析,选取优化的初始先验框。实验结果表明,本文基于改进YOLOV3的COC缺陷检测方法 YOLOV3-COC对于COC崩口、定位柱破损以及波导污渍这三类缺陷检测的准确性达到97.4%。