基于改进MobileNet的公路行车环境安全风险源识别

为了检测公路行车环境安全风险源,为公路风险源智能化管控和随机不确定场景下实时安全风险评估提供依据,研究了基于深度卷积神经网络模型的公路行车环境安全风险源识别算法。通过改进MobileNetV3的输出层激活函数和损失函数,将网络输出的风险源类别数量由一个变为多个,解决了同一图像中存在多种风险源的识别问题。利用空间注意力机制加强MobileNetV3网络的特征提取能力,解决了MobileNetV3通道注意力机制无法关注到通道内部风险源特征信息的问题,提升了模型识别准确率。通过通道剪枝方法去除冗余扩张通道,减少网络参数量,提升了模型预测速度。实验结果表明:该方法能够有效识别行车环境安全风险源,检测率达0.829,平均分类准确率达0.833,且具备实时检测效果。

基于改进SSD-MobileNet算法的AGV动态目标检测方法

为了提升自动导引运输车(automated guided vehicle,AGV)动态障碍物视觉检测的精度和帧率,提出了一种基于单镜头多盒检测器(single shot multibox detector,SSD)的改进算法。将轻量级MobileNet网络引入到SSD网络结构中,然后利用K-means算法对训练数据集中真实框的AR值进行聚类并更新,最后利用Jeston Nano嵌入式平台搭建了AGV实验系统,引入TensorRT加速引擎,分别对改进前后的SSD-MobileNet模型进行加速优化,并对比分析。结果表明:改进的SSD-MobileNet模型在AGV上使用TensorRT加速引擎的mAP值为79.1%,相比优化前提升了10.8%,对精度影响很小,而帧率达到了25 f/s,较原SSD模型提升了近4倍,且改进后模型规模也比优化前缩小了37%。采用改进算法能够使AGV在运输过程中完成动态障碍物检测任务,可代替人工实现货物高效运输,并节省运输成本,为智能化运输提供了一种新的思路。

基于红外图像和改进MobileNet-V3的光伏组件故障诊断方法

为了提高光伏系统的可靠性和性能,提出一种基于红外图像和改进MobileNet-V3的光伏组件故障诊断方法。首先,分析开源光伏组件缺陷图像及其存在的问题;然后,基于存在的问题,对光伏组件红外缺陷图像进行图像增强、数据增强处理,使红外图像满足图片可用性及样本数量丰富性的要求;最后,对基本MobileNet-V3网络进行改进,实现光伏组件故障分类。实验结果显示:与传统CNN、基础MobileNet-V3相比,所提故障分类方法不仅准确率高、诊断速度快,且对各种故障类别的识别率高,具有较好的实用性和应用价值。

基于Jetson nano的改进MobileNet人脸识别系统

现有的大多数人脸识别算法均采用深度学习中各种改进的卷积神经网络算法。但算法存在参数多,训练时间长等问题。因此,为了减少训练过程所消耗的时间和分类过程中的计算量,设计运用了改进的MobileNet算法来实现人脸识别,并将其移植到Jetson nano设备上构成完整的室外安防系统。将MobileNet模型中原本的Soft Max分类器进行了改进,通过对比实验,发现使用A-SoftMax分类器的效果要好于Soft Max。实验结果表明:本文提出的模型在LFW人脸数据库上达到97.4%的准确率,计算时间减少为传统卷积神经网络的1/9,计算参数减少为传统卷积神经网络的1/7。

基于树莓派的目标识别检测研究

为了让复杂的深度学习模型能够在计算资源有限的嵌入式终端设备上实时运行,需要对深度学习模型进行压缩和改进。为此提出一种可应用于树莓派嵌入式设备的轻量级目标检测算法SSD,用MobileNet替代经典的SSD目标检测算法中的VGG主干网络,减少了主干网络的特征参数数量。同时利用TFLite工具对模型进行压缩处理,实现了可部署于树莓派上的目标检测模型。通过在VOC2007数据集上与VGG主干网络做比对发现,MobileNet在嵌入式终端设备上实时检测的帧率提高了14帧/秒,平均精度(mAP)达到了75.81%。

面向复杂场景下的轻量级可循环回收物品检测

针对将YOLOv5模型部署至资源有限的设备时存在模型大、计算量高、检测精度不够、复杂场景下易漏检错检等问题,对YOLOv5算法进行了轻量化、高精度化改进。结合MoblieNetV2的倒残差结构和GhostNet的幻影模块提出MG模块,并基于ShuffleNet系列的分组、重排思想提出MSG模块,将原YOLOv5算法中的Conv模块和C3模块替换为MSG模块,以实现对原YOLOv5架构的轻量化改造。在检测网络的颈部,用分组后相加的操作替代普通卷积降维的操作提高网络对复杂场景的检测精度。结果表明:优化后的模型与原模型相比,模型参数量、模型体积、计算复杂度分别下降了42%、36%、34%和检测精度提高了5%。

基于改进SSD和Jetson Nano的口罩佩戴检测门禁系统

为了减少疫情期间人们未佩戴口罩造成的交叉感染概率,设计一款基于改进的SSD和Jetson Nano的口罩佩戴检测门禁系统,以快速检测进出口行人是否佩戴口罩,控制闸机的开合。首先,从MAFA和WIDER FACE这2个数据集中抽取适合用于该系统的训练图片,其中6000张作为训练集,2000张作为测试集;其次,利用随机色相、饱和度等像素级变换和随机扩展、随机裁剪等几何级变换,对数据集中的小目标进行数据增强,使数据集更加多样,增强该检测网络的泛化能力;再次,将原始SSD的VGG特征提取网络替换为MobileNet-V3,利用其深度可分离卷积的速度优势,以及计算量较小的H-Swish激活函数、轻量化的注意力机制等优化策略,加速检测、提高精度;最后,将该检测网络移植到计算能力有限的人工智能边缘计算设备Jetson Nano上,加装高清显示器,并设计可折叠的平行四边形挡板,选择合适的外围设备,构成了一个具有防疫价值的快速检测公共场所进出口行人是否佩戴口罩的多功能门禁系统。在该嵌入式设备上的测试结果表明:以MobilNet-V3为特征提取网络的目标检测算法SSD,取得了78%的MAP,FPS为12,与以VGG为特征提取网络的原始SSD算法(FPS为2)相比,检测速度是原始SSD算法的6倍。该系统在保证实时性的同时也兼顾了检测精度,达到了精度和速度的平衡。

基于人头检测与跟踪的人群行为异常检测

随着技术的进步与人们对社会公共安全重视程度的提高,视频监控系统在日常生活中发挥着越来越重要的作用。构建人群异常行为检测可以帮助监管人员及时做出决策,也大大节省人力资源。基于深度学习目标检测模型,提出一种基于人头检测与跟踪的人群行为异常检测方法,通过大量的样本训练一个单一人头目标检测的MobileNetSSD卷积神经网络模型,将一幅图像输入神经网络模型中识别出人头的位置,基于核化相关滤波算法的目标跟踪对检测到的人头进行跟踪,最后基于运动信息进行异常行为判断。大量室内场景实验测试证明此系统的实时性好、准确率高,具有较强的鲁棒性。

基于Object Detection API的物流单元货架目标检测

随着人工智能的兴起,深度学习的方法已经被广泛地应用到各类图像目标的检测当中,并在复杂环境下取得了良好的效果。针对物流仓储环境,该文基于开源框架Tensorflow上的库Object Detection API,选择了Faster R-CNN算法和SSD-MobileNet算法,分别对物流单元货架上摆放的物流周转箱进行目标检测。实验结果表明,相比于Faster R-CNN算法,SSD-MobileNet算法能够同时满足实时性与准确率的要求。将训练所得的SSD-MobileNet模型移植到QT平台,设计了物流单元货架目标检测界面。

基于轻量级卷积神经网络的人脸检测算法

针对人脸检测在移动端应用时面临的移动设备计算能力及存储资源受限等问题,设计一种基于轻量级卷积神经网络的改进人脸检测算法Lightweight-SSH。基于单点无头人脸检测器(SSH)人脸检测算法,采用基于MobileNet的轻量级卷积神经网络对样本数据进行特征提取,减少模型的参数量和计算量,通过在SSH网络的检测模块中引入可变形卷积层,提升卷积神经网络对人脸形变的建模能力。在Wider Face数据集上的实验结果表明,与常用人脸检测算法相比,Lightweight-SSH算法在保证检测精度的前提下,明显降低模型复杂度,并提高了模型检测速度。

基于Scratch3的中小学人工智能教学平台的建构与应用

文章首先介绍并梳理了开源Scratch3底层架构和工作流程.其次,以Scratch3结合KNN机器学习算法和MobileNet模型实现图像识别为例,进一步介绍在Scratch3开源平台上进行二次开发的主要步骤.最后,分享运用该平台的AI扩展插件进行小学阶段的人工智能启蒙教育的教学案例,以期为更多有志于从事中小学人工智能教育相关工作的同行提供一点参考和借鉴.