基于改进MobileNet v3的苹果叶片病害识别方法及移动端应用

准确识别苹果叶片病害种类以进行及时防治对于苹果增量增产具有重要的意义,为实现在移动设备实时对苹果叶片进行病害识别,提高苹果的产量,减少种植者的损失。首先收集了黑星病、斑点落叶病、锈病、白粉病、混合病、褐斑病等6种苹果叶部病害和健康叶片的图像,并使用Retinex算法对图像进行数据增强,以提高数据集质量,然后将数据集按照8∶1∶1的比例划分为训练集、验证集和测试集;其次对MobileNet v3网络模型进行改进优化调整,在精简网络结构的同时减少冗余参数,并在非线性激活层后加入批归一化层,以提高网络的特征提取能力;同时,为了提升在低精度移动设备上的准确性和模型运行效率,将全连接层中的激活函数替换为ReLU6函数;最后,在模型训练时使用动量随机梯度下降优化器来进行模型权重系数的寻优,以减少训练时间和达到更高的分类准确率。试验结果表明,改进后的MobileNet v3-A3网络对苹果叶片病害图像的识别准确率为96.48%,模型权重为2.98 MB,识别速率为8.82 ms/幅图片,与其他同量级卷积神经网络相比识别精度更高、模型更小、识别速度更快。本研究使用Android Studio将权重模型封装到安卓软件中,实现了移动设备对苹果叶片病害的准确快速识别。

基于轻量级MobileNet V3-YOLOv4的生长期菠萝成熟度分析

[目的/意义]菠萝的贮藏性与成熟度相关,菠萝采摘前对其成熟度进行识别尤为重要。本研究目的在于提出一种新型网络模型,提高菠萝成熟度自动识别的准确率和速度。[方法]首先针对菠萝训练数据集样本少与实时性差等不足,利用在自然环境下拍摄的菠萝照片,自建了种植区场景菠萝成熟度分析数据集。之后将YOLOv4骨干网络替换成轻量级网络MobileNet V3,提出了轻量级的MobileNet V3-YOLOv4网络。同时训练了原YOLOv4模型、MobileNet V1-YOLOv4模型、MobileNet V2-YOLOv4模型以及Faster R-CNN、YOLOv3、SSD300、Retinanet、Centernet等五种不同的单、双阶段网络模型,并对比模型的评价指标,分析本文模型的优越性。[结果和讨论]试验结果表明,MobileNet V3-YOLOv4训练时间为11,924 s,参数量为53.7 MB,训练好的MobileNet V3-YOLOv4在验证集的平均精度均值(mean Average Precision,mAP)为90.92%,对于黄熟期菠萝和青熟期菠萝两种类别的检测精确率(Precision)分别为100%和98.85%,平均精度(Average Precision,AP)值分别为87.62%、94.21%,召回率(Recall)分别为77.55%、86.00%,F_(1)分数(F_(1)Score)分别为0.87和0.92,推理速度(Frames Per Second,FPS)80.85 img/s。[结论]本研究提出的MobileNet V3-YOLOv4实现了在降低训练速度、减小参数量的同时,提高了菠萝成熟度识别的精度和推理速度,满足实际检测需求。

基于改进MobileNet v3-Small模型的草莓病害识别方法

为了对草莓病害进行及时的诊断与治疗而提升草莓产量,将深度学习与农业生产结合以快速高效地进行病害检测。传统神经网络进行病害识别时间较长,参数量较大,难以迁移到移动端设备上,基于此提出一种改进MobileNet v3-Small模型的识别方法。首先收集了7类常见草莓病害图像样本(如角斑病、叶斑病等),通过旋转、镜像等多种数据增强方式对图像进行处理以增加图片数量,提高模型泛化能力。接着以MobileNet v3-Small模型为基础,基于原始Inception_A提出部分卷积权值共享的多尺度卷积结构,以更高效地提取草莓病害不同尺度特征。随后,在网络深层引入了ULSAM轻量级子注意力机制,形成草莓病害更高层次的抽象表示。同时,将深度可分离卷积中的第2个PW卷积替换为CondConv卷积形成PDC结构,克服了PW卷积只拥有局部感受野的缺陷,同时也降低了模型参数量。试验结果表明,改进后的MobileNet v3-Small模型准确率达到98.62%,较原模型94.91%的准确率提高了3.71百分点,并且参数量减少了0.04 M,远优于同级轻量化模型,且以远低于ResNet18的参数量取得更好的特征提取效果。综上所述,本研究所提出的改进后的MobileNet v3_Small模型能更好地在真实场景下进行草莓病害识别,为草莓生产贡献了一份力量,助力智慧农业发展。

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MobileNet-YOLO V4模型的无人机影像目标快速检测

无人机影像背景复杂、目标小且密集排列,基于深度学习的目标检测方法可以提高目标检测的准确率,但普遍存在模型参数量较多、检测速度较慢等问题。从3个方面对YOLO V4模型进行改进形成MobileNet-YOLO V4模型,提高目标检测速度。首先,使用多种数据增强方法,提高模型的学习能力;其次,改进了网络结构,使用MobileNet V3网络替换YOLO V4的主干特征提取网络,减少了模型的复杂度与计算量,提高了模型的泛化能力;最后,使用CIoU作为损失函数,增强目标检测效果。实验验证,相比原始的YOLO V4模型,MobileNet-YOLO V4模型的目标检测mAP和F1值分别下降了2.2%和0.4%,但速度却提高了近1倍,该模型可为无人机影像目标快速检测提供技术参考。

基于深度学习的带钢焊缝杯突试验结果分类

为了实现对带钢焊缝月牙边杯突试验结果的自动分类,设计了一种基于轻量级网络的分类方法,首先采用数据增强扩充数据集样本数量,接着引入Grad-CAM算法对试验模型的中间层以热力图的形式进行可视化,最后结合MobileNet V3网络可视化中间层设计了冻结特征提取部分的迁移学习训练方法,并对比测试了4种轻量型网络,试验结果表明基于迁移学习的MobileNet V3网络具有较好的缺陷分类能力。

改进特征提取模块的场景文本检测方法

基于深度学习的自然场景文本检测方法的特征提取模块一般采用大型网络,模型复杂且效率低。为了降低文本检测模型的复杂度以及更快速有效地检测文本,在基于分割的渐进式扩展网络PSENet的基础上,使用轻量级小型网络MobileNet V3作模型局部特征提取模块,减少参数数量,结合多级卷积来提取不规则文本的区域特征;使用优化器Adam计算每个参数的自适应学习率,加速训练优化过程,提升模型运算效率。在数据集ICDAR2015上进行验证,实验结果表明改进的算法在性能上有明显改善。

基于FPGA的双源无轨电车的改进型YOLO-V3模型

为实现双源无轨电车对集电盒的智能识别和挂载,基于第三版传统黑暗网络的主干网络单次检测(YOLO-V3)网络模型,提出以轻量化移动网络为主干网络的改进型YOLO-V3网络。通过数据集的处理、模型的设计、训练环境的搭建等完成了网络的部署,然后对模型规模、识别精度和处理速度等指标进行比较。结果显示改进型YOLO-V3网络使用更小的计算资源得到更优精度。网络部署在FPGA内部中央处理器的分散处理单元中。实车测试结果表明,改进网络明显优于其他传统网络。

基于改进YOLOv4的水稻病害快速检测方法

针对水稻图像中复杂背景带来的病斑难以识别、检测速度慢等问题,以水稻稻瘟病、白叶枯病和胡麻斑病图像为研究对象,提出一种基于改进YOLOv4的水稻病害检测方法,该方法以YOLOv4模型为主体框架,采用轻量级网络MobileNet V3代替原始主干网络CSPDarkNet-53,并通过在颈部网络添加坐标注意力模块(coordinate attention module,CAM)来提高模型的性能。结果表明,改进后的模型对水稻稻瘟病、白叶枯病、胡麻斑病的识别准确率均有所提升,平均精度均值(mean average precision,mAP)为85.34%,与原始YOLOv4模型相比,mAP提高了1.32%,每秒钟检测图像的帧数(frames per second,FPS)为53.43帧/s,检测速度提高了49.62%,说明研究得出的方法具有较高的平均准确率及较快的检测速度,能够用于田间复杂环境下的水稻病害快速识别。

基于轻量化卷积神经网络的多肉植物种类识别研究

目前多肉植物产业在我国发展较快,市场前景广阔,由于其具有品种繁多、形态多变、类间相似度高等特点,导致多肉植物种类辨别难度较大。针对上述问题,提出一种基于改进MobileNet V3网络与迁移学习的多肉植物图像分类方法,将Bottleneck模块前六层的ReLU激活函数换成LeakyReLU激活函数,优化了SE模块,添加了Dropout层提高模型的泛化性。通过改进MobileNet V3网络对13种多肉植物图像进行种类识别,准确率为97.35%,并且可以实时稳定地对多肉植物图像进行分类,使用Focal Loss代替交叉熵损失函数,达到平衡样本的目的。研究结果表明,利用改进MobileNet V3网络对多肉植物种类识别具有一定可行性。

多模式特征融合网络肺结节良恶性分类方法

胸部计算机断层扫描(computed tomography,CT)中肺结节良恶性的精确分类对于肺癌的早期诊断具有重要意义。然而,CT影像中肺结节背景的复杂,以及图像特征提取不全面等问题,为实现肺结节良恶性的精确分类带来困扰。为此,提出了多模式特征融合网络肺结节良恶性分类方法。具体地,以MobileNet V3为骨干网络,以原始肺结节CT图像及提取出的结节图像为输入,设计了一种双路径特征提取网络,不仅能够有效提取原CT图像的全局信息,还能有效挖掘肺结节区域的判别性特征,以弥补结节较小时网络过多关注其周围组织从而产生误判的问题。此外,在特征提取阶段引入convolutional block attention module(CBAM)和通道混洗机制,进一步增强了网络的特征表达能力。同时,对原MobileNet V3网络结构做出修改,删除最后四组基于倒残差结构的bottlenecks(bnecks)模块,使模型能够以较小的时间和空间复杂度精确诊断恶性结节。在LIDC-IDRI数据集上的实验表明,提出的方法能够在显著降低网络参数量和FLOPs的同时实现对肺结节良恶性的精确分类,分类准确率、敏感性、特异性、精确率、F1值和AUC值分别达到了93.71%、94.03%、93.48%、95.56%、92.65%和98.66%。

基于改进OpenPose算法的矿工危险行为识别研究

针对现有危险行为检测中原有的人体姿态行为识别算法OpenPose存在参数量大、算力要求高的缺点,在保证准确度的情况下,提出采用MobileNet v3网络的1—18层代替OpenPose原有的VGG19网络前10层,同时采用ST-GCN时空图卷积网络完成动作的分类,实现对危险行为的识别。实验结果表明,本次改进的算法对于摔倒、危险攀爬等行为的识别准确率达到94%以上,较原有的模型准确率提升了5%以上。同时,经过对模型的轻量化改变,使得模型体积缩小、参数较少,提高了模型的运算速度。

融合CNN与时序Transformer的动态手势识别

针对传统手势识别方法没有综合考虑手势的全局空间、局部空间、时序等特征信息,提取的特征通常很难全面表征手势之间的区别,提出了一种卷积神经网络(CNN)和Transformer网络相结合的网络结构。首先对输入视频序列的每一帧使用轻量化MobileNet V3卷积神经网络来提取空间特征信息,再将输出经过pathch embedding后加上时序嵌入序列,输入到Transformer模型中利用注意力机制来提取手势的全局注意力特征和时序特征。并在两个公开数据集DHG-14/28和VIVA上进行了实验,与经典方法相比,平均识别精度分别提升了2.38%、1.87%和3.74%。实验结果表明,提出的方法能够准确地提取动态手势序列的特征并表征手势类别。

基于图像数据耦合识别的输电线路安全风险评估方法

位于高海拔、高覆冰风险地区的输电线路在极端气候下面临大面积断线和倒塔风险,传统人工巡线识别速度慢、准确度低,造成大量人力成本开销。提出一种考虑多维图像耦合驱动的输电线路安全风险评估方法,将关键设备覆冰图像与电网运行状态等高线图像进行融合识别,以实现相关输电线路安全风险快速准确辨识。首先将输电线路电气数据和环境数据耦合生成多维热力图像,生成可反映全系统内输电线路电压偏移度、线路负载率、环境温度和线路覆冰程度的多维图像数据,并根据电气数据和环境数据计算线路安全风险指标。之后,搭建基于MobileNet-V3框架的卷积神经网络模型,并将生成的多维图像数据作为该模型的输入,输电线路安全风险指标作为输出,对模型进行训练,生成输电线路安全风险快速评估模型。最后在某省500 kV输电线路上对该模型进行测试,测试结果表明,该方法可实现输电线路安全风险快速准确评估。

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。

嵌入式GPU平台下雷达调制信号分析识别

针对近些年雷达脉内信号识别方式由传统的特征提取不断地向着深度学习方向发展,且雷达信号侦察设备的需求在深度学习的基础上逐渐地向便携、低功耗方向发展,而对于一些特定的研究往往对嵌入式平台又具有一定要求。基于此,研究了基于嵌入式图形处理器(GPU)平台的雷达信号分析识别系统的设计。将近些年提出的轻量级网络MobileNet V3移植到嵌入式GPU平台,采用基于SPWVD时频分析结合MobileNet V3网络,实现了低信噪比下对雷达信号的侦测识别,且与传统卷积神经网络在训练效率和训练准确率方面进行比较,最后完成了信号分析的图形用户界面(GUI)软件设计,为深度学习雷达信号识别在嵌入式平台的应用提供了基础。

基于轻量级CNN的植物病害识别方法及移动端应用

为了实现在手机端植物病害叶片检测,对MobileNet和Inception V3 2种轻量级卷积神经网络进行迁移学习,得到2种作物病害分类模型,将2种分类模型分别移植到Android手机端,在识别精度、运算速度和网络尺寸之间进行平衡,选择最优模型。试验表明,MobileNet和Inception V3在PlantVillage数据集(共38类26种病害)上平均识别率分别是95.02%和95.62%。在自建图像集葡萄病害叶片的识别中MobileNet和Inception V3平均识别率分别是87.50%、88.06%,Inception V3的整体识别精度略高,但MobileNet在所有类别的识别上均衡性更好;在模型尺寸方面Inception V3的模型尺寸大小为87.5 MB,MobileNet的模型尺寸为17.1 MB,大约是后者5倍;2种模型移植到手机端时,MobileNet和Inception V3的APP所占内存分别是21.5和125 MB;在手机端单张图片的识别时间方面,Inception V3平均计算时间约是174 ms,MobileNet的平均计算时间约是134 ms,后者的平均计算时间比前者快40 ms;在手机端MobileNet相比于Inception V3占用内存更小,运算时间更快。说明MobileNet更适合在手机端进行植物病害识别应用。

基于轻量化神经网络的端到端人脸识别技术研究

移动端设备由于计算能力有限和实时使用的速度限制,需要开发轻量化的人脸识别的深度学习算法。算法核心在于通过网络的结构与计算参数设计,减少无关的特征冗余与非必要数据流动。本研究设计以Ghost模块嵌入的TinyYOLO-MobileNet V3端到端识别网络,总结出在特征图中以小尺度替代大尺度,在计算上以线性计算代替小尺度卷积计算的设计思想。基于该思想,本研究完成了端到端架构设计并在实验中完成了对框架的性能测试。

基于深度学习的颈动脉粥样硬化斑块成分识别

为实现颈动脉粥样硬化斑块成分的自动分割,提出一种基于深度学习的分割方法。针对颈动脉粥样硬化斑块成分特征复杂,医生手动分割提取费时且有误差等问题,使用基于Deeplab V3+网络的算法对颈动脉粥样硬化斑块成分进行自动分割来识别斑块成分。首先对已标识斑块成分的超声图像数据文件进行数据预处理、数据扩充以及感兴趣区域提取等操作,建立颈动脉粥样硬化斑块数据集,将数据集放到Deeplab V3+网络中训练和测试。针对Deeplab V3+网络复杂且参数量大的问题,在实验中结合MobileNet网络优点对原始网络进行优化。对比实验结果表明,优化后的模型在减少参数降低计算量的同时可以对颈动脉粥样硬化斑块成分进行有效分割与识别。

一种改进型卷积神经网络文本识别方法

针对目前文本识别网络中参数多、识别速度较慢的不足,提出了一种改进的端到端文本识别网络结构。该结构采用MobileNet-V3替代VGG模型,即采用深度可分离卷积替换掉标准卷积,同时在网络中嵌入了空间注意力模块,使网络能够更多地关注输入图像中的字符部分。通过多个测试数据集,包括ICDAR2003、ICDAR2013和SVT与典型算法进行了实验对比分析,结果表明,改进的模型可以在不降低准确率的情况下,实现网络参数量下降为原来的1/6,速度提升约50%。