一种基于MobileNet模型的医疗废弃物品收集小车

随着现代医疗水平的快速提高,医疗废弃物品的处理问题显得尤为重要.本文针对医疗废弃物品的无接触收集问题,设计了一种医疗废弃物品收集小车.通过OpenMV搭配自行训练的MobileNet神经网络模型对废弃物品进行实时识别、定位,并进行抓取操作.实验结果表明,小车能够以较高的识别率识别出已训练过的物品并能对其进行准确抓取,较好地应对医疗废弃物处置问题.

基于MobileNet的敏感图像识别系统设计

目前人工智能技术已经渗透到媒体日常生产的全部环节,研究面向内容安全的图像识别技术,对网络中的违法不良图像信息进行识别和监管,具有重要的现实意义。本设计利用深度可分离卷积神经网络和MobileNet模型,配合cuDNN的GPU并行计算架构,对构建的敏感图像数据集进行训练。保存训练完成的模型,对敏感图像实现较高准确度的识别。

轻量化卷积神经网络红外目标识别性能分析与FPGA实现

随着深度学习应用于计算机视觉,其数据量大、网络层结构复杂,在硬件部署中存在资源不足、延时高等成为关键问题,本文通过分析五种较有代表性轻量化网络的优缺点,提出一种将轻量化网络应用到红外目标检测领域的基于MobileNet的轻量化网络改进,并以FPGA为硬件载体实现。该网络使用Tanh激活函数替代原有激活函数并简化网络层数,以适应红外目标的特征提取,针对深度学习目标检测算法在硬件实现方面存在的数据量大,资源占用大,运算延时高等问题,采用FPGA进行硬件实现。实验表明,在Xilinx Zynq 7020 XA开发板上,设定时钟频率100 MHz,输入图像大小为640×512,改进后的MobileNet在保证原相同精度情况下实现51ms每张图像。

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。

结合Y^(d)U^(a)V^(a)颜色模型和改进MobileNetV3的视频烟雾检测方法

为降低视频烟雾检测中的虚警率和提升检测效率,提出Y^(d)U^(a)V^(a)颜色模型,该模型可以表征烟雾的空间域分布特性和时间域变化特性。利用该颜色模型快速筛选出疑似烟雾图像块,降低虚警率和提升运算效率。提出改进的MobileNetV3网络结构,用于提取图像深度特征并对疑似烟雾图像块进行分类识别,检测视频中是否存在烟雾。视频烟雾检测仿真结果表明:该方法准确率和检测帧率高,虚警率低。

基于改进DeepLabv3+的林木图像分割方法

近年来,人们越来越重视森林资源管理规划,但是森林结构复杂、分布破碎,准确区分树木区域与非树木区域以及预测森林面积比较困难。针对森林区域提取困难、边界分割不精确的问题,提出改进的DeepLabv3+模型研究森林区域智能精准提取。首先,在编码器阶段使用CFF(cross feature fusion)模块融合主干网络与空洞卷积的多尺度低级和高级特征来获得高分辨率的掩码特征,有效地聚合多层次编码器特征;其次,在解码器阶段引入cSE(spatial squeeze and channel excitation)通道注意力模块,使模型能够更好地获取不同通道上的特征,提高网络的表现力使其关注到输入图像的边缘位置,从而提高分割准确率;最后,将卷积之后的深层特征与浅层特征进行融合,增强网络的分割性能。研究表明:基于改进的DeepLabv3+深度学习神经网络得到的森林类别平均像素准确率(mPA)达到了93.85%,平均交并比(mIoU)达到了89.17%,准确率(Accuracy)达到了95.66%,相较于原始DeepLabv3+网络分别提升了0.77%,1.8%和0.89%,模型参数量减少了48.84 M,检测速度FPS提升了17.93帧/s,检测效率更高,分割性能更好。

基于卷积注意力机制的MobileNet网络优化

深度学习技术被广泛应用于图像分类等计算机视觉领域。大型数据集通常需要大量的计算能力来训练。在实际应用场景中,人们通常只能携带和使用移动设备和便携设备,因此,在计算能力、容量、功耗等方面受到限制。本文以高效的轻量级模型MobileNet为基础,通过增加卷积块注意模块和调整网络模型结构来提高模型精度,同时基于权值大小来修剪和量化压缩模型大小,实现了基于该优化模型的垃圾分类移动终端应用,便捷地完成垃圾分类任务。

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.

基于VD-MobileNet网络的WebAR生活垃圾分类信息可视化方法

随着我国垃圾分类制度的加速推行,基于虚拟/增强现实技术的垃圾分类应用大量涌现。受识别设备平台及居民应用习惯等方面的影响,针对目前该类应用在便捷性、实用性上存在较大不足,提出了一种基于轻量化神经网络并融合移动增强现实及可视化技术的垃圾分类应用方案。首先,提出了基于深度学习的垃圾分类可变扩张卷积VD-MobileNet模型方法能够解决移动设备中存在的计算能力有限、网络庞大等问题,通过在MobileNet模型中引入空洞卷积增加感受野、扩大垃圾的特征信息以提升分类精度,引入LeakyReLU激活函数优化网络的表达能力;其次,将该模型与WebAR技术结合,设计了一款面向移动设备的轻量级垃圾分类信息可视化系统,该系统具备跨平台特性,实现了对分类信息的多元化可视呈现,提供了灵活的交互方式。实验及评估表明,该VD-MobileNet模型在垃圾分类数据集中分类效果良好,能够在参数量不变的前提下有效减少计算量,此外结合该模型所设计的WebAR应用系统可为用户的垃圾处理事务提供合理有效地协助。

一种改进的Mobilenet网络车载图像识别方法

对行人和车辆的识别是行车记录仪识别系统的重要组成部分,为满足车载识别系统对算法模型检测实时性和简洁性的需求,以传统Mobilenet为基础网络,提出了一种车载图像识别改进算法。该算法优化了Mobilenet网络的Con DW3×3、Conv3×3卷积层相关参数,网络的计算量明显减少,识别速度有效提高。利用行车记录仪获得的实际数据集进行训练,实验结果表明,改进算法在识别速率上提高了6.6%。相比同类网络模型Squeezenet,训练的迭代次数显著降低。

Two-Stage MobileNet:一种用于人脸属性识别的轻量化模型

人脸属性中包含丰富的信息,对于人脸识别、人脸检索有重要意义,但目前的人脸属性识别模型参数量和计算量太大,不利于大规模应用。为了解决这个问题,一种用于人脸属性识别的轻量化模型:Two-Stage MobileNet被提出,在网络的不同阶段使用不同的通道扩张系数,最大程度保留信息的同时降低模型的参数量和计算量。在CelebA数据集上的实验结果表明,Two-Stage MobileNet达到91.5%的高准确率,同时显著降低模型的参数量和计算量。

基于改进的Yolo v4绝缘子目标识别算法研究

针对传统卷积神经网络模块体积庞大、运算量高,在体积较小、资源有限的嵌入式平台上运行效果不好,以及现有轻量化模块无法满足测量速度和测试精确度要求的问题,为此选择目前的主流目标识别算法Yolo v4进行模型轻量化,在Yolo v4模型中引入Mobilenet网络和深度可分离模块进行研究。研究结果表明,改进后不同Mobilenet网络的Yolo v4模型检测一张图片的用时均比原始Yolo v4模型减少19 ms以上,准确率都高于92%。其中以Mobilenet v3为主干特征提取网络的改进Yolo v4模型的准确率为95.12%,与原始Yolo v4模型准确率相比提高2.99%,但该模型的参数量约为Yolo v4模型的1/6,模型处理一张巡检图片用时比原Yolo v4模型减少20 ms。绝缘子作为输电线路的重要组成部分,在众多图像中更快地识别出绝缘子能为之后分析输电线路的运行情况提供帮助。

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。

一种应用于云南省外侵物种识别的边缘计算模型

基于MobileNet模型迁移对云南省4种主要外侵物种(鬼针草、喀西茄、水花生和紫茎泽兰)图像进行识别,将宽度倍率为1.0和1.4的MobileNet-v2模型分别应用在本研究数据集上进行试验,分析了MobileNet-v2网络模型识别不稳定的原因,通过增加通道注意力机制模块、更新激活函数和压缩网络层数对模型进行改进。结果表明,改进后的MobileNet-v2模型识别准确率达96.8%,模型参数量仅为1535093。改进后的MobileNet-v2模型识别准确率高、模型参数量少,适合部署于边缘端,能更好地应用于云南省外侵物种防治领域。

基于残差神经网络的学生面部表情识别方法

传统学生面部表情识别方法耗时较长,为此提出基于残差神经网络的学生面部表情识别方法。首先,分析残差神经网络模型结构,用于检测图像中的人脸并定位其坐标;其次,训练基于MobileNet_v2神经网络模型的上课表情识别方法,并将检测到的人脸图像传入模型以识别上课注意力状态;最后,进行实验分析。实验结果表明,整个过程所需时间和资源占用量少于其他算法,说明该方法具有较高的实用性。

基于轻量级SSD模型的夜间金蝉若虫检测

为实现夜间树上金蝉若虫的快速准确检测,该研究以自然环境图像数据集为研究对象,结合近距离实际应用场景,考虑到嵌入式系统的模型小型化和计算过程轻量化,在保持精度指标基本不变的前提下,基于适度削减模型深度、宽度的思路对已有目标检测网络Mobile Net-SSD提出改进。具体措施包括:删除骨干网络末端的小尺寸特征图卷积层,逐级裁剪模型整体宽度、适当增加中高层卷积深度,在目标检测的分类层和预测框的回归层中使用深度可分离卷积代替传统3×3卷积等措施,先后获取3种改进的精简模型以进行比较。夜间图像测试结果表明,在基本保持网络性能的前提下,改进后的模型大小及计算量均呈现大幅减小,其中最优模型大小从原MobileNet-SSD的15.22 MB减少到1.51 MB,模型的浮点运算量也由原先的1.13×10^(9)减少到1.26×10^(8),其平均准确率达90.46%,平均交并比达83.52%,F1分数达92.35%,GPU上的检测速度达179.3帧/s,CPU上的检测速度达到6.49帧/s,与改进前的模型相比具有更好的综合性能,白天图像的试验结果也显示出较好的泛化性能。该文提出的改进模型在大幅减少模型大小及其计算量的同时使模型性能保持在一个较高的水平,更适合部署在移动终端等资源受限设备上,可为金蝉的人工养殖提供有益参考。

基于轻量级卷积神经网络人脸识别算法的研究与应用

针对多数卷积神经网络(CNN)人脸识别算法在追求高精度的同时,加大网络层数,造成网络参数过多、计算量过大、训练速度缓慢且对设备要求高,增加了成本的问题,提出了一种改进型轻量级卷积神经网络MobileNet的人脸识别算法。首先,将MobileNet中的SoftMax层为L-SoftMax层,避免了过度拟合,实现更好的分类效果。其次,将改进的MobileNet和区域生成网络(RPN)融合,并在Jetson Nano小型设备上进行训练。实验表明:所提算法与传统的卷积神经网络人脸识别算法相比,在LFW人脸数据库和自建的小型数据库上训练测试,模型的参数量减少了88%,识别准确率与原MobileNet相比增加了0.2%,达到了97.54%。运行速度较原MobileNet网络提高了21.3%。

基于改进SSD模型的工件表面缺陷识别算法

工件表面缺陷是影响机械设备性能的重要因素,快速高效的检测方法是目前研究的重点。为了解决工件表面缺陷检测问题,提出一种基于改进SSD模型的检测算法。该算法用本文提出的DH-MobileNet网络代替SSD结构中的VGG16网络,从而简化检测模型,减少了运算量。同时采用反向残差结构进行位置预测,并用空洞卷积代替下采样操作以避免信息损失。利用扫描电子显微镜得到工件表面图像,建立工件表面缺陷数据集并进行扩充,最后针对碎屑、剥落和梨沟这3类高频缺陷进行训练和测试,并与YOLO、Faster R-CNN和原始SSD模型进行效果比较。检测结果表明该算法能够更准确、快速地检测工件表面缺陷,为实际工业场景中的缺陷检测提供了新的思路。

基于树莓派的服装识别系统设计

针对用户家中服装存放无序、分类管理难度大且效率低下等问题,提出了一种基于树莓派的服装识别系统,该系统使用树莓派作为嵌入式开发板。系统通过树莓派调用摄像头获取待存放的服装图片,将图像传输到已训练好的MobileNet模型为核心的服装识别系统中进行类型识别;最后将服装识别的结果和相对应的储存位置通过语音的方式告知用户,以便用户快速准确地找到服装储存的位置。经实验测试,服装识别的正确率为95.19%。系统能够在准确识别服装的基础上,获取该类服装在衣橱中的存放位置,以帮助用户高效、准确地分类管理不同款式的服装。

面向边缘计算的轻量级植物病害识别模型

【目的】传统深度学习模型因参数和计算量过大不适用于边缘部署,在网络边缘的植物病害自动识别是实现长时间大范围低成本作物监测的迫切需求。【方法】联合使用多种模型压缩方法,得到可部署于算力有限的嵌入式系统的轻量级深度卷积神经网络,在边缘节点实现植物病害智能识别。模型压缩分2个阶段:第1阶段利用基于L1范数的通道剪枝方法,压缩MobileNet模型;第2阶段将模拟学习与量化相结合,在模型量化的同时恢复识别精度,得到高精度轻量级的端模型。【结果】在PlantVillage数据集58类植物病害的实验结果表明:通道剪枝将MobileNet压缩了3.6~14.3倍,量化又将模型的参数精度由32 bit降低至8 bit。整体压缩率达到了14.4~57.2倍,识别准确率仅降低0.24%~1.65%。与通道剪枝后无模拟学习训练、通道剪枝结合量化后无模拟学习训练这2种压缩方法相比,具有更高的模型压缩率和识别准确率。【结论】联合使用多种模型压缩方法可以少量的精度损失深度压缩人工智能模型,可为农林业提供面向边缘计算的植物病害识别模型。