基于高效通道注意力模块(ECA)和YOLOv5的图像检测方法研究

佩戴安全帽是人们在施工建设中的一项重要保护措施,它可以有效保障人们的生命财产安全。安全帽检测系统也已经成为了很多施工场所的必备的基础设施,为了改善YOLOv5不能通过权重进行聚焦,从而生成有明显辨识度的特征,进而影响安全帽检测准确度的问题,我们在YOLOv5中引入了注意力模块,保证了卷积过程中的特征提取,并且使得图像得到优化,提升了安全帽检测结果的准确性和模型性能。并且我们对比了原YOLOv5、添加了ECA(Efficient Channel Attention)高效通道注意力模块、添加了SEA(Squeeze-andExcitation attention)注意力模块和添加了压缩激励SEL(Squeeze and Excitation Layer)注意力模块的精确率P/%、召回率R/%、mAP@0.5和mAP@0.5:0.95,实验结果表明添加了ECA(Efficient Channel Attention)通道注意力模块的ECA-Yolov5算法相较于原YOLOv5算法P/%、R/%、mAP@0.5、mAP@0.5:0.95分别提升了0.5、0.6、0.5、0.2。由此结果表明引入高效通道注意力模块(ECA)的YOLOv5安全帽识别算法更有能力进行安全施工的检测,提升了施工的安全性。

融合ECA的多分支多损失行人重识别

针对现有行人特征提取方法的不足,提出了一种融合ECA的多分支多损失行人重识别方法.首先,将轻量级ECA注意力模块嵌入到骨干网络ResNet50中,以增强显著特征,抑制无关特征.其次,设计了一个多分支网络结构分别提取行人的全局特征和局部特征,针对不同的特征采取不同的多池化特征提取方式,增强网络的特征提取能力.最后,联合三种损失函数对模型进行训练,并采用BNNeck进行优化,从而提高模型的鲁棒性.在Market1501和DukeMTMC-reID数据集上的实验表明,所提方法具有较好的效果,在识别精度上也优于较多的经典算法.

基于改进EfficientNet网络的肺结节图像分类研究

针对目前计算机辅助诊断肺结节良恶性精度值较低、误诊率较高以及模型较复杂等问题,提出一种改进EfficientNet网络的肺结节良恶性分类模型。首先,在特征提取部分融合ECA模块,搭建出EMBConv结构,使网络模型关注更多特征信息;其次,使用跨域迁移学习,提高了网络模型的分类性能;然后采用Ranger优化器优化网络训练,有效防止模型陷入局部最优;最后,将从LIDC-IDRI数据集分割提取的肺结节图像输入到改进的分类模型中。实验结果表明,所提方法在网络参数量和计算量表现出较强竞争力,同时,分类准确率、精确率达到了91.83%和95.50%,较模型改进前分别提高了1.66%和4.41%。

基于改进YOLOv4算法的工程实验室信息化管理系统构建与应用

融合物联网技术、图像检测技术和深度学习算法,提出一种基于改进YOLOv4算法的工程检测实验室信息管理系统,通过WIFI+NB-IoT实现数据传递。为了弥补YOLOv4算法在尺度分布不均匀时精度降低的问题,提出利用IK-means++算法,引入ECA注意力模块和阶梯状特征融合网络结构对算法进行改进,算法改进后浮点运算数量、模型参数量分别降低了25.1%和43.1%,FPS和mAP分别提高6.8帧/s和3.65%,改进后算法不仅收敛速度更快,而且在不同光线环境下的设备检测准确率均高于改进前。将系统应用到工程实验室检测中,设备和环境各参数检测结果与标准仪器检测结果误差控制在±5%以内。

图像网络爬虫在食品营养安全科普监测中的应用研究

当前社会食品营养安全谣言泛滥,网络平台上发布的虚假哲学极易引发社会恐慌,因此学者们对实现网络平台信息的监测进行了深入研究。在前期对于食品营养安全科普文本进行监测的基础上加入对科普图像的监测。首先利用网络爬虫实现对食品营养安全科普图像的抓取,其次通过卷积神经网络模型中的Resnet18网络实现对图像的二分类,在数据预处理过程中加入Focal Loss实现数据的不平衡处理,并在卷积神经网络中加入注意力机制,同时利用1×1卷积层替换全连接层,最终实现图像分类效果的提升。对带文字的科普类图像及纯图像分类准确率分别由89.7%及68.9%提升至98.3%及75.6%。此研究对食品营养安全科普图像的二分类效果提升明显,为图像二分类问题提供了新方法。

基于改进U-Net网络的光伏板图像分割方法

光伏板区域识别与分割对光伏板的缺陷精确检测和组件精准定位有重要意义.在复杂环境下,针对光伏板图像存在对比度不强、边界模糊、背景复杂等影响分割的问题,提出了一种改进U-Net网络的光伏板图像分割方法.首先,搭建基于U-Net网络的对称编码-解码结构骨干网络;其次,使用深度可分离卷积替代传统卷积,并将高效ECA注意力模块添加到两组深度可分离卷积之间,以两组深度可分离卷积和一个ECA注意力模块组成一个block块,利用多个block块提升多层网络的分割性能;之后,引入交叉熵损失、Dice损失、Focal损失线性加权和作为新的损失函数,训练改进U-Net网络;最后,为验证方法的有效性,将改进U-Net网络与MobileNetV2网络、U-Net网络、Res-U-Net网络分别在3 200张光伏板红外图像数据集上进行横向对比.结果表明:改进U-Net网络的PA值和MIoU值达到了0.993 1和0.980 2,均优于其他3种网络模型,且参数量只有U-Net网络和Res-U-Net网络的33.3%和30.4%,仅次于MobileNetV2网络.因此,改进U-Net网络具有较高的准确性和泛化性,能够完成光伏板图像分割任务.

基于改进YOLOv5的工业安全帽检测

YOLO系列算法是目前计算机视觉目标检测领域主流的算法模型,其中以YOLOv5为代表的算法往往具有更快的检测速度和更高的准确率。由于工业施工现场受到例如光照、遮挡等复杂因素的影响,现有的检测算法对于小目标的检测精度不佳,存在漏检、错检等问题。鉴于此,提出一种改进的YOLOv5安全帽检测算法。算法的改进主要为两方面,一方面对YOLOv5的三个预测输出层分别加入三种不同的自注意力机制,对大、中、小三个预测输出层之前分别加入SKNet模块、CA模块、ECA模块用以增强模型对于中小目标检测的鲁棒性,加入通道和空间的特征信息使得模型在预测中小目标时专注于被检测目标,同时在每一个模块引入残差连接,提高训练速度,有效解决因为引入自注意力机制造成的梯度消失问题;另一方面改进原来预测边界框的损失函数,采用DIoU损失函数加快训练的速度,提高了检测精度。在开源的数据集上进行实验验证,实验结果显示改进后的YOLOv5模型对比于改进之前的mAP值提升了1.6%。

一种基于YOLOv5s的改进装甲目标检测算法

针对装甲目标图像背景复杂、目标尺度小等问题,提出一种基于YOLOv5s的装甲目标检测算法。首先在FPN结构中增加一个浅层分支,增强对小目标特征的提取能力;其次通过Focal Loss损失函数来平衡正负样本;再次将CIoU_loss用作边框回归损失函数,用以提升识别精度;最后将ECA注意力模块引入算法中,加强重要特征的表达。实验结果表明,改进算法在自制数据集上AP达到92.9%,相较于原始算法提高了4.2%,能够很好地满足装甲目标检测任务的精度与速度需求。

面向番茄病害识别的改进型SqueezeNet轻量级模型

针对番茄病害识别中深度神经网络参数过多、识别精度较低的问题,从网络轻量化和提取特征精准化的角度出发,对SqueezeNet结构进行改进。为精简fire模块,对其中Expand层的卷积核大小、网络层数以及通道数进行调整。同时,将模型与ECA模块结合,利用局部跨通道交互的方式获得各通道的注意力值,强化网络对关键特征的学习能力。实验结果表明,与LeNet、MobileNet和SqueezeNet模型相比,改进型SqueezeNet的模型大小和识别准确率均具有明显优势,为嵌入式设备在实际生产中的番茄病害识别提供一种技术方法。

基于改进YOLOv4-tiny的焊点检测方法

在工业生产过程中,产品的焊接质量对产品质量起到重要作用,因此,对焊点的检测是生产过程中一个重要环节。该文提出了一种基于改进YOLOv4-tiny算法的焊点检测方法,首先在YOLOv4-tiny主干网络后加入空间金字塔池化模块,对不同大小的特征进行提取与聚合,提高网络的特征提取能力;其次,在颈部网络中添加ECA模块,加强网络对重点目标的识别;使用EIoU让目标框的回归损失变得更稳定,在分类损失中使用标签平滑,减少模型训练中的过拟合问题。在训练阶段,使用预训练权重以及冻结训练方法,提高模型训练的效率和效果。通过实验可知,改进算法对焊点识别的平均精度均值为99.16%,比原算法提升了3.59%,检测速度达到91 f/s,实现了对焊点快速、精确的检测,具有良好的应用前景。

基于YOLOv5的交通标志检测算法

为顺应无人驾驶技术的快速发展,提高交通标志自动检测的准确度与即时性,针对现阶段检测算法模型复杂度高、容易对小目标的检测造成漏检且权重过大、不利于实际应用快速部署等问题,提出一种改进的基于YOLOV5的交通标志检测算法。算法采用YOLOv5+ECA注意力机制模块来检测交通标志。实验结果表明该方法对小目标检测有一定的提升,在准确率和平均精度上分别提高了2.4%和0.4%,对于从复杂背景下准确快速识别出交通标志、进一不保障交通安全有重大意义。

改进ShuffleNet V2的轻量级农作物病害识别方法

针对目前有关深度学习的农作物病害识别方法中存在模型较为复杂,部署在计算资源有限的边缘设备和移动终端上适应性不强,实时准确识别作物病害较差的问题,提出一种改进ShuffleNet V2的轻量级农作物病害识别方法。以ShuffleNet V2单元为基础,引入ECA(efficient channel attention)注意力模块,使用H-Swish激活函数以便减少网络结构每个Stage模块中ShuffleNet V2单元使用个数,使用轻量化网络设计组件深度可分离卷积。在PlantVillage病害数据集上进行实验。结果表明,模型的参数量约为2.95×10^(5),计算量为3.388×10^(7)(FLOPs)和6.674×10^(7)( MAdd),病害识别平均准确率达到了99.24%,为农作物病害识别方法在移动终端等资源受限设备上部署应用提供参考。

基于改进的RetinaNet大豆外观品质无损检测

快速、准确、有效地区分大豆外观品质是大豆食品质量检验和食品安全与包装中的一项重要而艰巨的任务。本研究提出了基于改进的卷积神经网络Retina Net的大豆外观品质检测模型。将原始主干网络ResNet50替换为ResNet34,在保证准确度的同时降低了模型参数量,提高了运算速度,降低了运算时间。在主干网络和特征金字塔(FPN)的输出端分别嵌入ECA模块,进一步提取有利特征,减轻了冗余特征对网络的影响,提高了网络性能。同时,为保证不失原有特征的丰富性,将FPN后嵌入的ECA模块的输出与主干网络的输出结果相叠加,所得特征作为输入,传入分类器中进行识别检测。结果表明,本研究提出的改进的RetinaNet大豆品质检测模型的精确率达97.39%,mAP值达98.64%。

融入残差注意力机制的DeepLabV3+图像拼接篡改取证网络

针对现有图像拼接检测网络模型存在边缘信息关注度不够、像素级精准定位效果不够好等问题,提出一种融入残差注意力机制的DeepLabV3+图像拼接篡改取证方法,该方法利用编-解码结构实现像素级图像的拼接篡改定位。在编码阶段,将高效注意力模块融入ResNet101的残差模块中,通过残差模块的堆叠以减小不重要的特征比重,凸显拼接篡改痕迹;其次,利用带有空洞卷积的空间金字塔池化模块进行多尺度特征提取,将得到的特征图进行拼接后通过空间和通道注意力机制进行语义信息建模。在解码阶段,通过融合多尺度的浅层和深层图像特征提升图像的拼接伪造区域的定位精度。实验结果表明,在CASIA 1.0、COLUMBIA和CARVALHO数据集上的拼接篡改定位精度分别达到了0.761、0.742和0.745,所提方法的图像拼接伪造区域定位性能优于一些现有的方法,同时该方法对JPEG压缩也具有更好的鲁棒性。