基于优化MobileNet-V2的桥梁病害多标签分类识别

为将桥梁表观病害图像进行多标签分类,部署在嵌入式设备和移动终端中以实现智能化桥梁病害检测,采用优化的轻量化卷积神经网络MobileNet-V2构建桥梁表观病害图像识别模型。将收集到的8000张桥梁表观病害图像按8∶1∶1建立训练集、验证集和测试集,为解决数据集样本过少的情况,对训练集进行数据增强处理。通过将MobileNet-V2模型与迁移学习相结合,设计了递进式分类器和跨局部连接的网络骨干对模型进行优化,并对比不同学习率下其与原始的MobileNet-V2模型对分类结果准确率,选出最优学习率及最佳模型。通过与3种传统卷积神经网络模型进行对比分析,优化的MobileNet-V2模型和ResNet50模型均有较高的准确率,并且优化的MobileNet-V2模型相比ResNet50模型,参数量和计算量分别降低了92.39%、97.44%,训练时间降低了60.56%,该模型在拥有较低参数量和模型计算量的同时可以得到较高的准确率及训练速度。将该模型用于某桥梁进行表观病害图像的分类,其准确率为95%,与ResNet50模型相比识别耗时降低了82.6%。实例研究表明:与传统的神经网络模型相比,优化的MobileNet-V2模型能够准确识别桥梁表观病害。

基于轻量级网络MobileNet V2的二极管玻壳缺陷识别

针对目前二极管玻壳缺陷检测中存在的自动化程度低、效率低、错误率高和成本高等问题,提出了一种基于MobileNet V2卷积神经网络模型的图像识别算法,实现对二极管玻壳缺陷的准确识别。实验结果表明:该模型能够准确识别二极管玻壳缺陷,网络模型收敛后对玻壳缺陷的总体识别准确率达到93.3%,同时具备了检测速度快(图像识别速度不小于5张/s),模型体量小(不大于26.8 M)等特点,具有一定的实际工业应用价值。

基于MobileNet V2迁移学习的中药材图像识别

中药材对人体疾病的预防及控制具有重要的作用,然而普通百姓对药材知识了解过少,可能滥用草药从而带来不可控的后果。因此,对药材进行精准识别是一项紧迫的任务。文章将改进的深度卷积神经网络应用到药材识别中,提出了基于MobileNet V2模型进行迁移学习的中药材识别系统。该模型将标准卷积改进为深度可分离卷积形式,在ImageNet数据集上进行了预训练。通过对MobileNet V2的预训练模型参数进行多次微调,在全连接层采用softmax激活函数实现药材分类,使用交叉熵损失函数定量表达与理想模型之间的差异,最后使用adam优化算法实现最优梯度下降,实现了12类中药材图片识别,最终在验证集上精度可达93%,表明中药材图像识别系统具有较好的实际应用场景。同时MobileNet V2的轻量级模型在训练时间上也比普通卷积神经网络节省了2倍以上的时间,在药材识别上的鲁棒性和范化性得到了较大提升。

基于脑电信号特征的高铁调度员疲劳状态识别

为增强铁路行车的稳定性与安全性,有效识别调度员的疲劳状态对行车组织的影响,基于脑电(EEG)信号特征,提出一种调度员疲劳状态识别方法,根据作业时间段划分调度员的疲劳状态,设计高铁调度模拟试验获取脑电信号数据,通过小波级数展开和傅里叶变换提取高铁调度被试的3种脑电波频域幅值作为特征值,结合调度员作业特征和脑电信号特征,验证疲劳状态的划分结果,通过Python语言环境搭建ResNet18+SoftMax和MobileNet V2+SoftMax这2种模型,基于深度学习方法,将输入特征转换为三维立体矩形模型,并优化调整权重,获得最优模型,从而判断高铁调度员的疲劳状态。研究结果表明:ResNet18+SoftMax和MobileNet V2+SoftMax神经网络模型对高铁调度试验参与人员的疲劳状态识别准确率分别为92.78%和99.17%;相较于支持向量机(SVM)模型,这2种模型可提升清醒状态和疲劳状态的识别精度,并降低运算时间,其中,MobileNet V2+SoftMax模型的识别准确率和运行速度最优。以MobileNet V2+SoftMax模型原理为内核,可以更快速准确地识别高铁调度员在长时间作业条件下的潜在疲劳风险。

基于深度学习的住院部口服药分类模型的构建

目的:基于深度学习法构建针对住院部的口服药分类模型。方法:模拟实际应用场景,采集95类药丸图片构建数据集,并对其进行图片预处理操作;以MobileNet V2网络为基础架构建立药丸分类模型,并在模型中嵌入注意力机制以增强网络特征通道间的依赖关系;融合迁移学习的方法,利用自建药丸数据集对模型进行训练和测试,通过模型分类准确率和模型参数量指标检测模型性能。结果:本研究构建的模型在自然环境中采集的口服药丸图片分类方面表现卓越,通过使用包含95类药丸、总计728张图片的自建数据集进行训练和测试,模型分类准确率为95.8%,分别比MobileNet V2、ShuffleNet V2、ResNet50高11.6%、14.3%、11.3%。模型参数量为2.55 M,约为ResNet50的1/10。结论:本研究构建的模型可以较好地平衡模型的复杂度和分类准确率,为药房等场景下涉及的药丸自动分类系统提供技术路线和效果验证,对于提升药房发药、病房分药等具体情形的护理自动化水平具有一定的理论和实际应用价值。

基于MobileNet的恶意软件家族分类模型

现有基于卷积神经网络(CNN)的恶意代码分类方法存在计算资源消耗较大的问题.为降低分类过程中的计算量和参数量,构建基于恶意代码可视化和轻量级CNN模型的恶意软件家族分类模型.将恶意软件可视化为灰度图,以灰度图的相似度表示同一家族的恶意软件在代码结构上的相似性,利用灰度图训练带有深度可分离卷积的神经网络模型MobileNet v2,自动提取纹理特征,并采用Softmax分类器对恶意代码进行家族分类.实验结果表明,该模型对恶意代码分类的平均准确率为99.32%,较经典的恶意代码可视化模型高出2.14个百分点.

车道线检测的PSPNet改进算法

车道线检测已成为智能驾驶领域研究的一项重要课题,而实际应用时,常出现车道线分割不准确、实时检测能力不佳的问题。为此本文提出一种金字塔场景分析网络的改进算法。在编码结构的基础上搭建主体网络PSPNet,选用MobileNet v2轻量级网络作为编码器的主干网络,减少了整体网络的计算复杂度及参数量;网络中添加了空洞卷积,并在不同层间实现特征融合,扩充了模型感受野,同时丰富了局部特征;最后用自适应直线拟合算法对各类型车道线拟合。本文使用Caltech车道线数据集进行测试,实验结果显示,改进后的PSPNet算法对不同类型的车道线均有较好的分割结果,与PSPNet算法相比精度和交并比分别提升了3.91%、4.14%,且FPS达28帧/s,本文算法的分割精度和推理速度均优于其他对比算法。

改进的轻量化人脸识别算法

嵌入式平台计算资源有限,无法实时运行计算量和参数量巨大的深度学习模型。基于mobilenet v2提出一种改进的轻量化人脸识别算法L-mobilenet v2,首先对原有网络结构进行优化,然后以三元损失函数为主,将传统分类任务中的softmax损失改为Am-softmax作为辅助损失函数,使用10575个人的49万张图片进行联合训练。相比于改进前的模型及训练方法,新模型在LFW测试集和自制数据集的识别准确率达到98.56%和95%,将模型参数量缩减72.3%的同时将识别准确率提高了1.56%和7.1%,在嵌入式平台Jetson nano上的平均识别帧率提升了36.3%。该模型可以在计算资源受限的移动端实时运行。

DPENet:轻量化文档姿态估计网络

现有的用于矫正透视倾斜变形文档的深度学习模型存在空间泛化性差、模型参数量大、推理速度慢等问题。从姿态估计的角度出发,提出一种轻量化文档姿态估计网络DPENet(lightweight document pose estimation network),以优化上述问题。将文档图像中的单一文档视为一个姿态估计对象,将文档的四个角点视为文档对象的四个姿态估计点,采用兼具全连接回归与高斯热图回归优点的DSNT(differentiable spatial to numerical transform)模块实现文档图像角点的高精度定位,并通过透视变换处理实现透视变形文档图像的高精度矫正。DPENet采用轻量化设计,以面向移动端的MobileNetV2为主干网络,模型体量只有10.6 MB。在SmartDoc-QA(仅取148张文档图像)数据集上与现有的三种主流网络进行了对比实验,实验结果表明,DPENet的矫正成功率(96.6%)和平均位移误差(mean displacement error,MDE)(1.28个像素)均优于其他三种网络,同时其平均矫正速度也有良好的表现。在保持轻量化和速度快的条件下,DPENet网络具有更高的变形文档矫正成功率和矫正精度。

基于一种轻量级卷积神经网络的植物叶片图像识别研究

对轻量级卷积神经网络MobileNet V2的模型结构进行改进,将深度可分离卷积中的激活函数ReLU替换成Leaky ReLU,从而避免神经元死亡问题,倒置残差卷积中的跨越连接添加Dropout层,增大模型的泛化能力。实验结果表明,预测结果的总体准确率达到91.41%,最高精确率为95.12%,最高召回率为97.39%,取得较好的预测结果。这说明将MobileNet V2卷积神经网络用于植物叶片图像识别是实际可行的,为移动端植物叶片图像识别提供了实现方法和技术支撑。

轻量级注意力X射线矿石检测方法

针对缺乏矿石数据集和矿石分类识别模型等因素,自建以X射线照射成像的矿石图像为数据集,并以MobileNet V2为主网络,提出基于改进MobileNet V2轻量级矿石分类模型算法。首先,通过调整扩展因子和宽度因子大幅减少模型参数量,实现模型轻量化的目的;其次,通过在部分倒残差模块和原模型分类器中嵌入高效通道注意力机制,并将剩余倒残差模块替换为含深度空洞卷积的并行特征提取网络,以增强模型特征信息提取能力,提升模型识别准确率;最后,使用迁移学习的训练方式初始化权重,加速模型训练。经过改进,该算法矿石识别准确率提升至96.720%,对比VGG16、GoogleNet、Xception、ShuffleNet和MobileNet V2在准确率和矿石检测速度都获得了提升。综合而言,相比本文实验中其他算法而言,改进算法针对矿石的识别性能具有更佳表现。

融合注意力的轻量级遥感影像村落提取方法

针对采用现有全卷积神经网络的村落提取仍存在耗时长、小型村落错提率高、误提严重,而对大型村落的提取存在碎片化、边缘细节粗糙等问题。该文提出基于轻量级MobileNet v2的Deeplab v3+网络,以实现村落的有效提取。采用轻量级MobileNet v2作为Deeplab v3+的主干网络,同时在跳跃连接阶段引用注意力机制。以Landsat-8 OLI影像为数据源,并制作620幅512像素×512像素训练样本影像进行实验。实验结果表明,该文算法在节省大量训练时间的同时,其他精度指标都高于对比方法,表明在村落提取方面具有有效性和可行性。该文算法应用于辽宁省阜新市复杂的村落场景下,对于大、小型村落均能有效提取,表明在大尺度场景村落提取下具有实际应用价值。