融合ECA机制与DenseNet201的水稻病虫害识别方法

[目的/意义]针对传统人工识别病虫害存在的效率过低、成本过高等问题,提出一种融合ECA (Efficient Channel Attention)注意力机制与DenseNet201的水稻图像识别模型GE-DenseNet (G-ECA DenseNet)。[方法]首先在ECA机制上引入Ghost模块的思想构成G-ECA Layer结构,增强其提取特征的能力。其次,在DenseNet201原有的Dense Block前引入G-ECA Layer,使模型具有更优的通道特征提取能力。由于实验所用的数据集较小,将DenseNet201在ImageNet数据集上预训练的权重参数迁移到GE-DenseNet中。训练时,采用Focal Loss函数来解决各分类样本不均衡的问题。同时,使用Adam优化器以避免在模型训练初期由于部分权重随机初始化而导致反向传播的梯度变化剧烈的问题,在一定程度上削弱了网络训练的不确定性。[结果和讨论]在包含水稻胡麻斑病、水稻铁甲虫、稻瘟病与健康水稻的3355张图像数据集上进行了实验测试,识别准确率达到83.52%。由GE-DenseNet模型的消融对比实验可得,引入了Focal Loss函数与G-ECA Layer层之后,模型准确率上升2.27%。将所提模型与经典NasNet (4@1056)、VGG-16和ResNet50模型相比,分类准确率分别提高了6.53%、4.83%和3.69%;相较于原始的DenseNet201,对水稻铁甲虫的识别准确率提升达20.32%。[结论]加入G-ECA Layer结构能够使模型更为准确地捕捉适合于水稻病虫害识别的特征信息,从而使GE-DenseNet模型能够实现对不同水稻病虫害图像更为准确地识别,为及时防治病虫害,减少各类损失提供技术支持。

基于空洞卷积和ECANet的双判别生成对抗网络图像修复模型

针对传统的生成对抗网络模型在修复过程中所产生的训练不稳定、结构不一致和内容纹理不够真实等一系列问题,提出一种基于空洞卷积和ECANet双判别生成对抗网络的图像修复模型,分别从生成网络、判别网络和损失函数三个方面进行改进。生成网络采用从粗糙到精细的两阶段网络模型,并在网络模型中加入高效通道注意力(ECA),结合L1重建损失以提高修复区域的细节精度;判别网络中采用全局判别和局部判别的双重判别式网络模型,以提高判别性能的准确性;最后损失函数选取WGAN-GP对抗损失和L1重建损失使得训练更加稳定。在Celeba数据集上进行实验对比,本文所提模型能够取得更好的效果。

噪声背景下的MSECAE轴承故障诊断方法研究

针对传统基于深度学习的故障诊断方法存在特征提取尺度单一、抗噪声能力差的问题,提出一种多尺度卷积自编码器融合高效通道注意力机制的方法(MSECAE)用于轴承故障诊断。首先,使用傅里叶变换对原始数据进行归一化处理,将原始的一维振动信号转换到频域进行表示,有利于模型进行提取特征。其次,构造MSECAE结构,利用多尺度卷积(MSCNN)提取原始信息中的多尺度特征,使用高效通道注意力机制(ECA)动态选择卷积核大小,根据各个通道中特征的重要程度赋予不同的权重。最后通过卷积解码器对融合后的信息进行特征重构,利用Softmax分类器进行故障类别分类。为了验证所提模型的性能,使用2种不同采样频率下的数据集在4种不同噪声条件下进行多次实验,并和其他模型进行对比。实验结果表明,所提模型与其他模型相比,分类精度达到99%以上,具有更好的泛化能力和更强的鲁棒性。

结合微博内外多粒度语义的 BiLSTM-CNN-ECA谣言检测模型

[目的/意义]为了解决因微博文本多义性和复杂性导致的谣言检测中语义特征提取不全面的问题,提出了一种结合微博内外多粒度语义的BiLSTM-CNN-ECA模型。[方法/过程]首先,对微博文本从字词句三个粒度级别建模,运用双向长短期记忆网络提取微博内部语义特征,生成事件字向量矩阵和事件词向量矩阵;然后,拼接事件句向量矩阵形成三维文本特征矩阵,输入多尺度卷积神经网络,并行提取微博之间的依赖关系特征;最后,引入高效通道注意力模块赋予通道权重,进行微博谣言检测。[结果/结论]构建的三维文本特征矩阵有机结合了各粒度文本的语义特征贡献,包含更多、更全面的微博语义信息;ECA可有效捕获通道间重要信息,进一步提高了多尺度CNN模型对谣言检测的准确率。

改进YOLOv5s-Seg的高效实时实例分割模型

实例分割是图像分割的重要组成部分,同时也是计算机视觉领域的一个重要课题。然而现有实例分割模型不能在保证实时性的同时保证模型分割精度,因此在实时实例分割任务中一直存在精度过低、定位不精确的问题。针对此问题,提出了一种基于YOLOv5s-Seg改进的实时实例分割模型。以YOLOv5s-Seg作为网络的基础模型,主干网络选用Repvit m3网络,然后改进FPN结构,在FPN结构中将原始得到的C3卷积模块升级为RsRepVitBlock模块,并在其内部使用ECA注意力机制,最后采用SIoU作为模型的边界框损失函数。该算法在公开数据集PASCAL VOC 2012上的实验结果显示,改进后的模型分割精度mAP达到了65.7%,较原模型YOLOv5s-Seg提高了10.6个百分点。该模型大幅提升了分割精度,并且有效地改善了分割任务中定位不准确的问题。相较于其他模型,具有显著的精度优势和更好的模型稳定性。

基于YOLO v5的水稻害虫分类

针对水稻害虫识别过程中存在的检测难度大、模型精度低、计算量大等问题,以稻纵卷叶螟等14类水稻害虫为研究对象,改进了YOLO v5检测算法,引入高效通道注意力机制(efficient channel attention, ECA)与EIoU(efficient-IoU)损失函数,并结合Ghost卷积,提出了一种基于改进的YOLO v5水稻害虫识别方法:(1)通过引入ECA注意力机制实现对水稻害虫识别过程中重要信息的处理,采用跨通道信息交互,保证模型性能和降低复杂度;(2)引入EIoU损失函数代替CIoU(complete-IoU)损失函数,从而降低原有CIoU损失函数存在的回归精度问题;(3)利用Ghost卷积替换CBS模块及C3模块中的标准卷积,实现模型轻量化处理。结果表明,改进后的模型较原始YOLO v5模型精度略微提升,参数量减少,模型体积降低至7.38 MB,较原模型减少了46%,与YOLO v7、Faster-RCNN模型相比,mAP比YOLO v7高1.49百分点,比Faster-RCNN高12.89百分点,且本研究模型体积最小,检测速度满足实时性要求,使水稻害虫检测识别能够更加高效地完成,为水稻害虫检测提供了一种更优的方法,对于防治水稻害虫有重要意义。

基于改进YOLOv7⁃Tiny的高速公路入口两轮车辆闯入检测

近年来,浙江、福建等省区相继出台相关地方性法规,禁止两轮车辆(摩托车、电动车等)通行高速公路。针对高速公路入口工作人员难以实时检测到两轮车辆闯入的问题,提出一种改进YOLOv7⁃Tiny的两轮车辆闯入检测算法。首先,从VOC2005中提取摩托车图片并增补了带有入口背景的图片后形成新数据集;其次基于YOLOv7⁃tiny,引入ECA注意力机制,使模型更加聚焦训练摩托车相关目标特征。使用ssFPN网络,对小目标特征信息进行增强;采用基于动态非单调机制的WIoU损失函数,提高对于小物体检测的准确性;使用Adam优化器,提升回归过程的收敛速度和准确性。改进后的算法,mAP、Precision、Recall分别提高了2.63、4.01、13.92个百分点,F1提高0.10,表明该方法具有显著的有效性。

基于改进U-Net算法的焊缝特征识别研究

针对基于激光视觉机器人焊接过程中,由于噪声干扰导致焊缝激光条纹分割精度降低,不能精确焊接的问题,提出了一种改进U-Net算法的焊缝特征识别方法。改进型U-Net算法使用Mobile-Net作为主干网络,加强了网络的特征识别能力,并减少了模型的参数量。在编码与解码之间加入超强通道注意力机制,实现了特征的加权融合。模型采用混合损失函数,平衡了激光条纹在图像中的占比。在焊接机器人焊缝跟踪实验平台部署网络模型,实验结果表明,改进的U-Net算法平均交并比(Mean Intersection over Union,MIoU)为89.83%,像素准确率(Pixel Accuracy,PA)为99.54%,平均像素准确率(Mean Pixel Accuracy,MPA)为97.28%,处理图像的时间为0.209 s,相比其他算法,具备更优的分割精度和较快的处理速度,可以更好地应用于有干扰的机器人焊接场景中。

多类别形态的未隶定青铜器铭文细粒度识别

未隶定铭文的识别主要依靠传统卷积网络提供单一的全局特征,却忽略了部位识别和特征学习的关系,导致模型难以充分表达复杂形态的文字构造,进而产生识别误差。针对上述问题,提出了一种姿态对齐的多部位特征细粒度识别模型(MP-CNN)。在第一个阶段,构建空间转换器引导铭文统一字形姿态,辅助模型准确定位文字的鉴别性部位;在第二个阶段,构建级联的ECA(efficient channel attention)注意力机制引导特征通道组合,定位多个独立的鉴别性部位,并通过相互增强的方式细粒化地提取铭文的形态特征,解决复杂形态的文字识别问题;在第三个阶段,构建特征融合层获取识别结果。实验表明,该算法在铭文标准数据集和多类别形态数据集上的识别准确率分别为97.25%和97.18%,相比于传统卷积网络ResNet34分别提升4.63%和8.89%。结果显示,该算法能够有效针对铭文实际形态的独特性,实现未隶定铭文的细粒度识别。

基于改进YOLOv5 的交通标志小目标检测算法

针对交通标志小目标和密集目标检测准确率不高的问题,提出了改进YOLOv5s的检测模型。在Backbone网络中添加ECA注意力机制增强小目标交通标志特征信息提取能力;其次采用SPPCSPC结构减少小目标交通标志信息丢失;再使用BiFPN网络融合多尺特征信息,增强融合感知能力;最后将WIoU作为训练时模型的损失函数,降低背景的过度干扰,提升交通标志检测的准确性。试验结果表明,改进后算法的准确率为93.3%、mAP值为92.7%,较未改进前分别提高了2.2%、1.7%。

基于改进YOLOv5s的电网异物检测算法

针对电网及沿线异物检测中存在的异物尺度变化、实时性低以及复杂环境下识别精度不足等问题,提出1种基于改进YOLOv5s框架的电网异物检测算法。该方法在主干网络中嵌入ECA注意力机制以减轻背景干扰;同时,采用SPD-Conv模块替换主干网络的卷积模块,引入改进的BiFPN,增强模型对于不同尺寸目标的检测能力。最后,采用Alpha_GIoU损失函数替代原始YOLOv5s中的CIoU部分。经过实验验证,改进YOLOv5s在电网异物检测数据集上mAP的值达到96.98%,能够满足复杂环境下电网异物检测的高效率和高精度要求。

改进Mask R-CNN的车辆检测算法

为提升在不同复杂场景下的车辆检测性能,提出一种基于改进Mask R-CNN的车辆检测算法.在算法的主干网络ResNet50中引入PSA极自注意力机制提升主干网络特征提取能力;在特征金字塔顶层网络中添加一个带有ECA注意力机制的分支与原分支进行特征融合,缓解顶层特征由于通道降维造成的信息损失.重新设计卷积检测头使得边框回归更为准确,并使用余弦退火算法和Soft-NMS算法来优化训练过程和后处理结果.实验结果表明,改进的Mask R-CNN车辆检测算法相比原Mask R-CNN算法在复杂场景下具有更高的检测精度,在CNRPark-EXT测试集中平均精确度提高3.8%,在更具挑战性的MiniPark测试集中平均精确度提高7.9%.

基于轻量级金字塔网络的种子分选方法研究

针对目前卷积神经网络种子分选方法存在识别精度不高、模型参数量大、推理速度慢且难于部署等问题,提出了基于轻量级金字塔空洞卷积网络的种子分选方法;该网络提出了残差空间金字塔模块,利用不同扩张率的空洞卷积扩大感受野,更有效地提取多尺度特征;再结合深度可分离卷积技术减少模型参数量和计算复杂度;在网络结构中引入轻量级注意力机制模块,利用局部跨通道交互方式关注重要的信息,提高种子关键特征提取能力;实验结果表明,提出网络参数量仅为0.13 M,在玉米和红芸豆数据集上准确率高达96.00%和97.38%,在NVIDIA Quadro板卡上识别单张图片时间仅为4.51 ms,均优于主流轻量级网络MobileNetv2、Shufflenetv2和PPLC-Net等,可以满足工业现场实时识别的要求。

改进MobileNetV3-Small模型在番茄叶片病害识别中的应用

面对农作物病虫害识别中的挑战,特别是移动端应用对模型准确性和效率的双重要求,文章提出了一种基于MobileNetV3-Small的改进模型。在MobileNetV3-Small模型的基础上,引入了ECA(Efficient Channel Attention)注意力机制,取代了原有的SE(Squeeze-and-Excitation)模块,从而减少了模型参数量和计算成本,同时提升了对细粒度特征的捕捉能力和抗干扰性。通过在番茄叶片病害数据集上的训练,结果表明改进后的模型准确率达到了98.93%,比原模型提高了0.54个百分点,权重文件大小从17.6 MB减少到12.3 MB,减少了30%。在各项性能评估指标上,该模型均优于传统的轻量化网络和复杂模型。研究结果为移动端农作物病虫害智能识别提供了一种新的高效方案。

融合MobileNet与Contextual Transformer的人脸识别研究

FaceNet作为人脸识别的一大跨越,以其高精度、低硬件配置等优势被广泛应用于各个人脸识别相关领域。本文开源了首个餐厅支付场景下的中国人脸数据集CN-Face,该数据集拥有13000人的人脸图像,总计100000张。此外,本文以CA-SIA-WebFace作为训练集,利用改进后的MobileNet主干网络,采取不同的注意力机制添加方法,改变激活函数并且融入Contextual Transformer模块,大大降低了参数量和识别速度,显著提升了人脸识别精度。相较于原版FaceNet,在LFW测试集下,准确率达到98.79%,提升了2.74%,在CN-Face数据集中准确率达到95.22%,提升了1.35%。

基于改进DeepLabV3+的遥感图像分割方法

由于遥感图像具有高分辨率,卷积层需要扩大感受野以捕获更丰富的语义信息。在进行遥感图像分割时,DeepLabV3+模型采用较大的空洞率以获得更大感受野,导致网格伪影问题。因此,提出一种优化网格伪影的改进DeepLabV3+模型。首先,在空间空洞金字塔池化(ASPP)之前引入了一个平滑网格伪影模块,以减轻网格伪影对分割任务的影响;接着,在ASPP模块的每个空洞卷积之后添加了一个逐点卷积,以保留更多的空间信息;其次,替换空洞卷积的激活函数为LeakyReLU;最后,在DeepLabV3+中引入了ECA注意力机制。通过在GID15和Postdam遥感数据集上的验证,相对于基础的DeepLabV3+模型,改进模型在准确度和平均交并比方面均取得了显著提升,证明所提出的网络调整能有效提高遥感图像分割的精度。

基于Shufflenetv2-YOLOv5的番茄采摘机器人目标检测方法

为了使目标检测算法更好地嵌入到番茄采摘机器人中,使其可以在温室环境中快速准确地识别检测成熟的番茄,提出一种基于Shufflenetv2-YOLOv5的番茄采摘机器人目标检测方法。该方法以YOLOv5为基础,以轻量级网络Shufflenetv2为主干网络,减少参数量和计算量,加入ECA注意力机制,并用FReLU激活函数替换原来网络结构中的激活函数,实现像素级的空间建模能力,进一步提高检测精度,增加该模型的鲁棒性。试验结果表明,改进后模型的算法精确率P、召回率R和平均精度均值mAP分别提升了2.2%、1.9%、3.2%,参数量降低约54%,计算量降低约62.6%,模型大小减少约53.1%,FPS也有了一定的提升,能够满足高速度、高精度检测的要求。

基于改进的YOLOv4骑行人员佩戴头盔目标检测研究

在交通场景下,现有YOLOv4算法检测电动自行车及摩托车驾驶员头盔佩戴时存在漏检率偏高、定位准确度较差、中小目标易聚集等问题。对此,文章提出了一种改进的YOLOv4算法。首先,选用轻量级网络MobilenetV3作为主干特征网络,并将YOLOv4网络中尺寸为3×3的标准卷积层均替换为深度可分离卷积,缩减了模型参数量;其次,引入ECA注意力机制与深度可分离卷积结合,从而替换PANet模块中的深度可分离卷积并增强特征网络表现力;最后,使K-means++聚类算法与Intersection-over-Union(IoU)相结合,并与anchors比较聚类,增强了聚类效果。实验结果表明,改进的YOLOv4算法mAP值达到了97.85%,比YOLOv4算法高出1.22%,检测速度由33.55 fps提升至50.60 fps。在满足精确性的前提下,改进的YOLOv4算法在头盔佩带检测场景中具有较好的性能,更利于轻量化部署。

改进的YOLOv4头盔佩戴目标检测研究

针对骑手在骑行时是否佩戴头盔对交通安全的影响问题,提出了一种改进的YOLOv4算法,能够更准确地识别和检测骑手是否佩戴头盔,从而为骑手提供安全保障。首先,选择轻量级网络MobileNetv1作为主干特征网络,并将YOLOv4网络中尺寸为3×3、步长为1的标准卷积层均替换为深度可分离卷积,减少模型计算量的同时提升检测速度;其次,引入ECA注意力机制,关注重点特征并抑制非必要特征,增加特征网络表现力;最后,引入改进的损失函数Focal-EIOU,改善常见的样本不均衡问题。实验结果表明:改进的YOLOv4算法生成的模型权重大小为48.43 M,是YOLOv4算法权重大小的19.3%,检测速度由33.40帧/秒提升至50.40帧/秒,mAP值为95.56%,在满足精确性的前提下更有利于轻量化部署。

基于YOLOPose的人体姿态估计轻量级网络

为解决人体姿态估计模型在提升预测精度时参数量和计算量增多导致模型运行效率低下的问题,在YOLOPose模型基础上设计出一种轻量级人体姿态估计网络MWE-YOLOPose。选择轻量级MobileNetV3网络重新构建骨干网络,保持特征丰富性同时加快特征提取速度;调整特征融合层通道数并添加ECA注意力机制进行跨通道交互,实现模型轻量化与准确度的平衡;引用WIOUV2损失函数降低几何因素的惩罚,增强模型的鲁棒性和泛化能力。实验结果显示,在OC_Human数据集上,改进后模型对比原始YOLOPose模型,在保持一定准确度的情况下,模型参数量和计算量分别降低86.8%和71.2%,有效降低了模型运算复杂度。