基于YOLOv3-Tiny改进的船舶目标检测研究

针对船舶实时性检测中出现的检测精度低、漏检问题,改进一种基于YOLOv3-Tiny的船舶目标检测算法。通过引入深度可分离卷积作为主干网络,提高通道数量,减少模型的参数量和运算量;采用H-Swish和Leaky ReLU激活函数改进卷积结构,提取更多特征信息;利用GIOU(Generalized Intersection Over Union)损失优化边界框,突显目标区域重合度,提高精度。在混合船舶数据集上检测结果表明,改进后YOLOv3-Tiny的检测精度为83.40%,较原算法提高5.33百分点,召回率和检测速度也均优于原算法,适用于船舶实时性检测。

基于改进MobileViT网络的番茄叶片病害识别

针对卷积神经网络对番茄叶片型病害分类效果不佳的问题,提出了一种基于改进MobileViT轻量级网络的番茄病害识别方法。首先,删除输入和全局表征层的特征融合,将局部和全局表征层进行特征融合,使局部表征与全局表征更加密切相关;其次,为了避免模型在缩放时参数和FLOPS的大幅增加,在融合块中使用1×1卷积层替换3×3卷积层;然后,还添加了输入与融合块的残差结构,优化了网络模型中的更深层次;最后,将ReLU6激活函数替换成H-Swish激活函数,进一步提高了模型准确率。实验结果表明,改进后的MobileViT模型可以很好地实现番茄病害的识别,平均识别准确率达到99.16%。相较于其它的卷积神经网络模型,具有更高的识别精度。

融合Shufflenet-V2的Yolov5轻量化目标检测方法

选取目标检测领域中常见的城市道路车辆作为识别目标,针对如今日益增长的目标检测网络模型计算量与移动端设备匮乏的计算资源相冲突的问题,提出了一种将Shuffl enet-V2轻量级神经网络模型融合进Yolov5目标检测框架中的方法,修改网络头部卷积层,加入注意力机制SE-Layer层,并将激活函数修改为H-Swish函数。实验选取UA-DETRAC公开数据集,结果表明,模型大小达到了1.53 M,在同等平均准确率的模型中达到最低,为目标检测模型在计算资源有限的移动端设备中的应用与部署提供了有效的参考。

基于ResNeSt的烟支外观缺陷分类

自动烟支外观缺陷分类是卷烟厂高速流水线上产品质量检测需要解决的问题,是提高卷烟品质和竞争力的有效措施.基于烟草企业的实际需求,提出了一种基于ResNeSt模型的烟支外观缺陷分类方法.首先,针对烟支外观缺陷样本数量不足的问题,采用了迁移学习的方法;其次,针对烟支图像的特征,采用多尺度测试,输入不同尺度大小的图片进行训练;最后,为了更好地提取缺陷特征,提高分类准确率,用h-swish替换ReLU激活函数.实验结果显示,准确率达到了92.04%,提出的方法比另外10种主流网络在分类准确率上更高.

隧道衬砌裂缝实时分割的Mobile-PSPNet方法

针对移动端平台计算资源紧张,难以应用计算复杂度高的语义分割网络进行隧道衬砌裂缝实时检测的问题,提出一种基于改进金字塔场景解析网络(PSPNet)的实时分割网络模型Mobile-PSPNet,以减少模型对计算资源的需求。以改进的MobileNetV2轻量网络替换Resnet50作为主干网络以大幅减少模型复杂度,同时在深层主干网络引入适用于移动端设备的h-swish激活函数补偿因替换主干网络所损失的精度,在浅层主干网络利用卷积注意力机制(Convolutional Block Attention Mechanism)从通道和空间2个维度提升网络对裂缝特征的关注度以增强网络抗干扰性,最后采用组合损失函数从全局和局部进行损失计算以处理裂缝图像的样本不均衡问题。实验结果表明:组合损失函数能更为精准地对裂缝图像进行分割;Mobile-PSPNet在自制数据集上的交并比为73.74%,在GPU上预测单张473×473的图像耗时为26 ms。Mobile-PSPNet具有与主流模型相当的精度和更快的分割速度,更适合部署于移动端平台以进行隧道衬砌裂缝的实时检测。

基于深度可分离卷积的交通标志识别算法

针对目前实时交通标志识别中出现的对于中小型目标检测精度低的问题,本文提出了一种基于YOLOv3-tiny的深度可分离卷积(Depthwise Separable Convolutions)的轻量级交通标志检测网络。采用深度可分离卷积构建深度可分离卷积模块代替普通卷积搭建特征提取网络,在保证计算量的前提下更好地提取中小型目标的特征信息。同时,改进多尺度特征融合网络,提高对中小型交通标志的检测精度,使用h-swish激活函数减少因为网络层数增加而丧失的图像特征,实现对多类交通标志的检测。实验结果表明:本算法有效的提高了对中小型交通标志的检测,在验证集上对警告标志(Warining)指示标志(Mandatory)、禁止标志(Prohibitory)3类交通标志进行检测,检测精度(AP)结果分别为98.57%,96.03%,98.04%。检测平均精度(mAP)97.54%、检测速度为201.5f/s.平均精度较YOLOv3-tiny提高了14.01%。在保证轻型网络的计算量低、检测时效性好的前提下,有效地提升了检测精度。

基于改进ShuffleNetV2的男西服领型识别与分类模型

针对男西服领型款式识别分类效果不佳的问题,提出一种基于改进ShuffleNetV2的识别与分类模型。首先收集男西服样本图像,建立包含9类男西服领型的样本库;其次以ShuffleNetV2模型为基础,引入CBAM注意力机制、H-Swish激活函数来增强模型特征提取能力,有效防止神经元坏死;另外利用迁移学习的方法再次增强模型的特征提取能力,提高模型的识别适应性和识别精度;最后对样本库数据集进行数据增强后开始训练验证。实验结果对比表明,本文的改进模型可以实现对男西服领型的有效识别和分类,平均准确率达到92.82%。本文为解决男西服领型识别与分类困难等问题提供了有效的解决方案,对服装定制行业的分类识别具有借鉴意义。