基于GhostNet残差结构的轻量化饮料识别网络

YOLOv4-Tiny目标检测网络算法存在参数多和计算量大等问题,无法部署在资源有限的平台上。提出一种基于GhostNet残差结构的主干轻量级目标检测网络算法YOLO-GhostNet。该算法采用GhostNet结构将普通卷积分成两步,即使用较少的卷积核生成一部分特征图,对生成的特征图通过简单计算获得另一部分特征图,并将两组特征图进行拼接,以减少计算所需资源与参数量。通过GhostNet构建残差结构的YOLO-GhostNet算法在经过批量归一化层优化后模型尺寸只有2.18 MB,较YOLOv4-Tiny算法模型尺寸减小90%。YOLO-GhostNet算法在GPU加速环境下平均处理图片速度比YOLOv4-Tiny算法提高24%,CPU处理速度比YOLOv4-Tiny加快56%。实验结果表明,该算法在饮料测试集中的平均精确度均值达到79.43%,相比YOLOv4-Tiny算法,其在精度无损失情况下能够大幅降低网络计算量和参数量,同时加快推理速度,更适合部署于资源算力不足的嵌入式设备。

DenseNet和SeNet融合残差结构的DR分类方法

糖尿病性视网膜病变(diabetic retinopathy,DR)是糖尿病在发病过程中影响视网膜的症状。针对模型下采样过程中特征提取DR图像微动脉瘤等病灶区域信息丢失问题,提出了一种DenseNet融合残差结构的模块。该模块首先连接两个连续的dense block,然后利用残差结构对特征信息求和,并行融合处理特征图像信息,以防止有效特征信息的丢失,最后残差连接两个含有dropout的卷积块,抑制过拟合现象。针对以往卷积操作中未对病变区域的特征图通道加权的问题,提出了一种SeNet融合残差结构的模块。该模块首先连接SeNet,把全局平均池化和全局最大池化的特征信息相加,以提高有效通道信息的利用率,然后通过Conv1×1的残差方式来保证特征图信息的完整性。基于以上两个模块的设计,提出了一种DenseNet和SeNet融合残差结构的DR分类方法。该模型在APTOS2019数据集上的精确度达到89.8%,特异性达到97.0%,在Messidor-2数据集上的精确度达到78.8%,特异性达到91.9%,能够有效地提高视网膜图像病变程度的分类能力。

采用残差结构和卷积神经网络的铣刀磨损研究

对于传统的卷积神经网络准确率低的问题,提高刀具磨损监测的准确性,提出一种具有残差结构的一维卷积神经网络。模型中采用两个残差块,残差结构能够跳跃一部分卷积层减少模型的训练时间,并将信息保留下来与下一层输出连接起来。采集的信息具有多维性,卷积神经网络能够自适应地提取相关特征,比传统机器学习需要人工依靠经验来提取特征更具有可靠性。实验结果表明,具有残差结构的卷积神经网络比传统的卷积神经网络不仅有较低的损失函数值,在准确度方面也有很好表现,提高了刀具磨损分类的精度。

融合残差结构和注意力机制的下颌骨CT图像分割方法

针对传统深度学习方法在下颌骨CT图像分割中存在的问题,本文提出一种融合残差结构和注意力机制的改进Unet网络。将注意力机制融入Unet的解码器,构建上采样注意力模块,在不同维度上进行平均池化和最大池化,使网络更加关注下颌骨区域的信息,增强下颌骨分割能力;将残差结构融入Unet网络的编码器,解决深度网络训练时的网络退化和梯度消失问题;采用迁移学习训练的方法,避免因下颌骨图像数据不足导致的网络收敛慢的问题。对比实验表明,改进Unet网络平均交并比达到94.68%,各评价指标均优于FCN、DeeplabV1和SegNet网络。

基于卷积神经网络和残差结构单元的合同数据识别提取

为提升合同中数据项识别和提取的准确率,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)和残差结构单元(Residual Building Unit,RBU)结合优化的CNN-RECR(Real Estate Transaction Contract Information Detection and Recognition Method Based on Improved Convolutional Neural Network)模型,并将其应用到不动产交易平台中合同数据项的识别提取场景。首先,针对提取特征表示能力弱等问题,设计了合同数据文本检测网络(Contract Data Text Detection Network,CDTD-Net)对合同手写文字的不同尺度特征进行提取;其次,与残差结构单元相结合,设计识别文字与识别数字模型;最后,对实例进行实验,实验结果显示CNN-RECR模型的识别准确率达到97.62%,证明本方法能有效提高模型的识别性能,为实现低成本运行奠定了基础。

残差网络结构在图像去模糊方法中的应用

本研究针对图像去模糊任务,提出了一种基于深度卷积神经网络的方法,并引入残差网络结构进行优化。首先,通过对深度卷积神经网络的研究;其次,引入残差网络结构,通过残差连接实现了网络的优化,有效缓解了深层网络训练中的梯度消失问题;最后,使用现实和动态场景的数据集(realistic and diverse scenes, REDS)对所提出的方法进行了验证。结果表明:与传统卷积神经网络(convolutional neural network, CNN)方法相比,引入残差网络结构的方法在峰值信噪比(peak signal-to-noise ratio, PSNR)和结构相似性(structural similarity, SSIM)指标上均取得了显著提升,表现出更好的图像去模糊效果。

基于深度残差网络的轨道结构病害识别

传统的轨道检测方法需要事先对图像进行定位和分割等预处理操作,而定位和分割操作的误差又会直接干扰到后续的分类识别,多环节误差叠加,使得识别准确率低。同时,传统检测方法还需要理想的背景环境,当背景环境或结构类型发生改变时,其算法不再适用,不具备良好的鲁棒性。因此,提出一种基于深度残差网络的轨道结构病害检测方法,该方法不需要对原始图像进行预处理,同时深度残差网络以其更深的层数和更复杂的网络结构可以高效提取出各类轨道结构图像的特征并进行分类识别。以某客货共线线路隧道的钢轨踏面、钢轨扣件和支承块图像建立数据库,通过迁移学习的方式在数据库上训练网络模型,实现对钢轨、扣件及支承块三种轨道结构的病害识别,识别准确率高达98.51%。在此基础上,从识别准确率、损失函数值等方面对深度残差网络在轨道结构病害识别中的应用效果进行对比、分析,验证方法的有效性。

不可观测技能回报、结构效应与农村居民工资残差不平等

本文尝试在统一的框架下分解出不可观测技能回报、结构分布对中国农村居民工资残差不平等的效应。利用CHNS数据得到的经验证据表明,不可观测技能回报上升引致的价格效应是工资残差不平等持续扩大的主要原因,结构效应的影响则相对较小。同时发现,1991-2009年间收入不平等扩大主要源于较贫穷群体收入不平等增加,而2000-2009年间收入不平等扩大主要源于较富有群体收入不平等增加;政府财政支出和公共基础设施,在一定程度上解释了1991-2009年间不可观测技能回报上升以及由此导致的工资残差不平等加剧,而城镇化和外资有缩小残差不平等的作用。

基于不同残差的桥梁结构模型修正

由于建模和分析过程中的众多不确定因素,有限元分析预测的响应与实际结构响应不可避免地存在偏差,因此必须对有限元模型进行修正.文中提出了一种基于不同残差的桥梁结构模型修正方法,介绍了频率残差和振型残差的概念,目标函数的确定和设计参数的选择方法.对一根简支梁进行了仿真分析,结果表明该方法简单可行.基于振动测试数据,对一个桥梁工程实例进行模型修正,修正后的桥梁有限元模型的动力特性更加趋近现场振动测试值.

基于故障映射向量和结构化残差的主元分析(PCA)故障隔离

在基于主元分析(PCA)的多变量统计过程监控中,现有方法很难直观有效地完全实现故障的隔离与诊断.本文通过分析各类故障的数学模型,提出一种基于结构化残差和故障映射向量的隔离方法,并推导出PCA模型下过程故障映射向量方向的提取算法,进而实现了传感器/执行器故障和过程故障的故障隔离,在CSTR仿真上的研究进一步验证了该法的有效性.

结构裂纹损伤的残差辨识预测

根据灰色预测理论，以简支梁为例，应用残差辨识模型预测，对不同深度的裂纹梁固有频率进行了预测和残差检验研究，得出可以通过残差辨识预测对结构的损伤程度进行诊断．

腐蚀条件下基于残差修正的飞机结构寿命灰色马氏链预测

针对在役飞机结构腐蚀检修数据样本量小且随机波动性大的特点,首先基于灰色理论建立遭受腐蚀损伤的飞机结构使用寿命预测模型。其次为提高模型预测精度,引入马氏链转移方程对残差进行修正,得到飞机结构腐蚀寿命的灰色马氏链预测模型。最后对收集的某航空公司经典机型机队11架飞机后货舱隔框结构的腐蚀检修数据进行算例分析。预测结果表明:这类隔框结构在机龄约为15a时达到2级腐蚀状态,使用寿命相应终止。按结构维修手册要求需对其进行更换,经过残差修正的灰色马氏链预测值与实际值的平均相对误差为0.44%,明显低于未修正的灰色预测平均相对误差1.64%,达到工程问题的预测精度要求,而且预测结果与民航飞机结构腐蚀维修经验基本吻合,说明所建模型可用于腐蚀条件下的在役飞机结构寿命预测。

结构残差在基于SDG故障分离中的应用

符号有向图(SDG)是大规模复杂系统中故障传播关系的描述模型,但它仅能通过在相容通路上的定性推理进行故障分离,因此有着明显的局限性。而结构残差是定量故障分离的成熟方法,将其引入基于SDG的故障分离中,用以提高系统故障分离的能力,弥补SDG方法的不足。具体的做法是将SDG转化为结构残差的描述形式,再利用结构残差的基本思想,分别就变量是否完全可检测的情况给出了具体的故障分离方法。这样做可以提高系统故障分离的鲁棒性和准确性。应用实例表明,该方法可通过残差计算,准确判断故障源,实现故障分离。

基于残差的分位数回归模型结构突变检验

CUSUM等基于残差的方法来检验回归模型的结构突变,其是在最小二乘法下进行的,仅能检验条件分布均值下突变。因此,文章将其扩充到分位数回归中,提出了基于分位数回归残差的检验统计量,同时给出了它的极限分布,并进行了蒙特卡洛模拟。模拟结果显示:该统计量具有良好的检验水平和检验功效;如果回归模型是位置突变,检验的分位数越靠近中位数,其检验功效越强;如果回归模型是尺度突变,则刚好相反。

一种基于残差结构的车道线检测方法

提出了一种基于车道线特征的残差因子分解网络实现精确车道线分割的方法,该法采用笔者所提的语义分割网络实现车道线语义分割,通过编码器提取车道线的特征信息,再使用解码器恢复图像信息。在编码器中增加的残差层能更好地处理边缘信息与相似信息,提取到更多的特征信息。用霍夫线拟合方法组成一条可视化的车道线。训练时先对车道线分割训练集进行增强,使用对抗生成网络对公开数据集进行数据增强,自动实现白天到夜晚的转换,生成弱光照场景下的图片,提高训练数据的泛化性。实验证明:笔者算法在保持速度的前提下,能够大大提高分割准确率,与其他车道线分割算法相比,CULane数据集的准确率可提高到74.7%。

基于残差结构的棉花异性纤维检测算法

针对棉花中异性纤维检测精度低、异性纤维隐藏或边角位置不易识别等原因导致检测效果不佳的问题,提出一种基于残差结构的棉花异性纤维检测算法。首先,针对异性纤维检测目标,提出一种棉花异性纤维在线检测方案;其次,针对异性纤维颜色、纹理、位置等特征,构建深浅层混合数据集;在此基础上设计了残差结构的异性纤维检测网络模型算法,解决了现有检测算法精度低、异性纤维隐藏或边角位置的问题;最后,将该算法与传统经典算法对比实验。结果表明:在深浅层混合数据集下,与经典算法对比,该算法具有较高的准确性和实时性,其平均检测准确率达到88.48%,1张图像的检测速度为0.019 s,满足工业现场实时检测需求,为棉花中异性纤维检测提供了一种新方法。

内生结构突变下的突变点确定方法与单位根检验研究——基于残差平方和最小值确定突变点的比较分析

对于内生突变情形下的单位根检验,突变点的确定方法会影响到单位根检验的功效,不同方法在确定突变点位置时的表现也不尽相同。本文首先评述了几种常用的突变点确定方法及相应的单位根检验,然后对基于各类回归式残差平方和最小值确定突变点的方法进行了比较分析,本文所设数据生成过程有别于已有研究,并首次考虑了依据可行广义最小二乘(FGLS)估计来确定突变点。在此基础上,还对比分析了几种不同突变点确定方法下的单位根检验功效和实际检验水平。结论显示,依据FGLS残差平方和最小值得到准确突变点的频率最高,且在AO模型下据此进行Perron检验具有较高的功效且不会发生较大的水平扭曲。

基于改进宽残差结构的接触网吊弦状态辨识分类网络

铁路接触网系统中吊弦的工作状态对机车运行至关重要。视频图像的接触网吊弦状态快速准确识别备受关注,因吊弦图像数据的特殊性导致现有网络模型识别精度较低。本文针对吊弦数据特征设计分类网络结构,提出适应接触网吊弦状态识别的VRNet分类网络。VRNet的核心为嵌入了注意力机制的宽残差结构,将此结构作为特征提取模块取代VGG-16中的一般卷积,改变其单一的平原结构。并使用Ghost机制替换宽残差结构中的普通卷积,大幅降低了模型的参数量和运算量。VRNet分类网络在吊弦故障分类实验中精度达到97%,优于其他分类网络,并在相关应用研究中表现出优良性能。

基于GhostNet的改进模型轻量化方法

为了降低深度卷积神经网络的部署成本,优化模型的检测性能,提出一种改进的轻量化主干网络算法S-GhostNet.该算法通过引入特征图生成优化的Ghost Module结构降低卷积操作的计算量,并结合改进类残差模块提升模型的精确度.S-GhostNet具有较强的即插即用性,可以应用于多数卷积神经网络模型.实验结果表明:在目标分类以及目标检测任务中,S-GhostNet相较于MobileNetV2、ShuffleNetV2以及GhostNet,模型计算量更小,模型的精确度持平,甚至更高.

融合注意力机制与逆残差结构的轻量级钻机目标检测方法

为实现煤矿下定向钻进钻机钻孔深度的精准测量,提出一种融合注意力机制与逆残差结构的轻量级钻机目标检测网络(GCI-YOLOv4),通过自动、快速及准确检测记录钻机的运动轨迹,获取打入钻杆数量,计算出钻孔深度。针对煤矿下色域区分度低问题,采用GhostNet作为特征提取网络去除复杂背景的冗余特征,同时轻量化模型,加快推理速度。针对煤矿井下光照不均导致钻机目标显著度低的问题,引入注意力模块增强钻机在复杂背景中的显著度。针对钻机高速运动时难以被准确检测的问题,引入逆残差结构,提取更丰富语义特征的同时保持速度与精度的均衡。为保证模型的准确性和可靠性,将提出的检测算法与5种经典目标检测算法进行对比。实验结果表明,GCI-YOLOv4可以较好的解决煤矿下背景色域区分度低、钻机高速运动以及受光照不均等问题,平均检测精度达到99.49%,检测速度达到58.10 FPS,性能优于经典目标检测算法。将GCI-YOLOv4部署在工作面现场进行测试,能够准确获取钻机的运动轨迹,通过滤波处理统计上升沿计算钻杆数量,钻杆计数精度达到99.4%,精确计算出钻孔深度,验证了该方法的可行性和实用性。