基于MobileNetV3Small-ECA的水稻病害轻量级识别研究

为实现水稻病害的轻量化识别与检测,使用ECA注意力机制改进MobileNetV3Small模型,并使用共享参数迁移学习对水稻病害进行智能化轻量级识别和检测。在PlantVillage数据集上进行预训练,将预训练得到的共享参数迁移到对水稻病害识别模型上微调优化。在开源水稻病害数据集上进行试验测试,试验结果表明,在非迁移学习下,识别准确率达到97.47%,在迁移学习下识别准确率达到99.92%,同时参数量减少26.69%。其次,通过Grad-CAM进行可视化,本文方法与其他注意力机制CBAM和SENET相比,ECA模块生成的结果与图像中病斑的位置和颜色更加一致,表明网络可以更好地聚焦水稻病害的特征,并且通过可视化和各水稻病害分析了误分类原因。本文方法实现了水稻病害识别模型的轻量化,使其能够在移动设备等资源受限的场景中部署,达到快速、高效、便携的目的。同时开发了基于Android的水稻病害识别系统,方便于在边缘端进行水稻病害识别分析。

基于改进MobileNetV3模型的服装流行色研究

鉴于目前基于权威部门发布数据分析预测服装流行色方法存在的数据集受限、不够精准、数据实时性差等问题,提出了基于改进MobileNetV3模型的服装流行色研究方法。采用改进的MobileNetV3模型,快速处理服装分类问题;以时序化电商平台销售数据为样本,基于GrabCut算法分析服装图像的主颜色;通过K-means算法统计主颜色和其他颜色的占比;对服装主颜色进行时间维度、服装种类维度和品牌维度的分析,以得出服装流行色的趋势数据。研究发现,相较于传统方法,基于改进MobileNetV3模型的服装流行色研究方法所得数据实时性更强、容量更大,其分析速率也更高。

改进MobilenetV3-Small网络结构的药片定位识别方法

针对人工核药效率低的问题,提出了一种改进MobilenetV3-Small网络结构的药片定位识别方法。将获取的原始图片转换到LAB颜色空间,对LAB颜色空间下的L通道进行Canny边缘分割、形态学处理、图像填充、单一药片图像框选,实现对单一药片的定位;通过加载预训练权重,使用K-means聚类算法优化输入尺寸,根据特征图修改网络层等方法改进MobilenetV3-Small网络结构;结合图像处理的定位方法和改进MobilenetV3-Small网络的识别方法,实现对药片的快速准确检测。最终在处理得到的523张单一药片图像上,药片识别算法最终Loss值为0.000035,验证了算法的有效性。

基于MobileNetV3网络的龋病和根尖周炎根尖片的诊断

目的研究深度学习技术智能诊断龋齿和根尖周炎的效果,初步探讨深度学习在口腔疾病诊断中的应用价值。方法以2298张包含健康牙齿、龋病、根尖周炎的根尖片数据集为研究对象,随机划分为1573张训练集图像,233张验证集图像以及492张测试集图像。通过多种神经网络对比验证,选择性能较好的MobileNetV3网络模型应用于牙病诊断,并通过调整网络超参数优化模型。采用精确率、准确率、召回率和F1分数评估模型识别龋齿和根尖周炎的能力,并使用类激活热力图对网络模型性能进行可视化分析。结果基于MobileNetV3网络模型的牙齿病变检测算法对健康牙齿、龋病和根尖周炎进行分类的精确率、召回率和准确率分别为99.42%、99.73%和99.60%,F1分数为99.57%,达到了较为理想的智能诊断效果。可视化类激活热力图也显示出网络模型能够较为准确地提取牙科病变的特征。结论基于MobileNetV3网络模型的牙齿病变检测算法能够排除图像质量和人为因素的干扰,具有较高的诊断准确率,可满足口腔医学教学和临床应用需求。

基于改进的MobilenetV3热轧钢带表面缺陷分类

提出一种基于轻量化神经网络MobilenetV3-large改进的热轧钢带表面缺陷分类算法,通过剪枝、大量削减卷积层数、调整通道大小和步长,以及修改对应的网络参数快速降低了参数量.为弥补修改模型带来的准确率下降的问题,将激活函数ReLU更换为Hard-Swish,引入置换注意力机制替换原模型中的通道注意力机制,在进一步降低参数量的同时提高运行效率和分类准确率.在NEU-CLS表面缺陷数据集中的试验结果表明,改进后的算法参数量为0.5 MB,相比原模型降低96.89%,训练图片的时间由19.81 ms/幅降至10.73 ms/幅,平均准确率为99.26%,比改进前提高了5.56%,表明改进后的算法可应用于实时分类.

基于改进MobileNetV3的选煤厂实时火灾识别方法研究

选煤厂的早期火灾识别可以极大保障人员和财产的安全,然而现有的火灾识别方法往往存在误报率高、实时性差等问题,难以满足实际需求。为了解决选煤厂实时火灾识别效果不理想的问题,基于计算机视觉领域中网络结构、轻量级网络和注意力机制的研究现状,针对目前选煤厂等工业生产环境中火灾识别方法存在识别延迟、推理速度较慢、难以进行实时识别等问题,提出将注意力模块CBSAM(Convolutional Block Second-order Attention Module)集成到Mobile-NetV3网络中来增强模型的表示能力,解决选煤厂的实时火灾识别问题。为提升特征表示能力,CBSAM模块在平均池化和最大池化特征的基础上引入二阶池化特征,通过通道注意力模块生成通道注意力图,然后通过空间注意力模块生成空间注意力图。为验证该模型在选煤厂实时火灾识别中的有效性,数据集采用开源数据集Fire Dunning Dataset和选煤厂现场收集的数据,通过消融实验验证CBSAM模块的有效性,通过对比实验验证CBSAM模块与改进MobileNetV3网络的泛化性与有效性。结果表明:通过引入CBSAM模块与MobileNetV3网络相结合,实现了轻量级网络与高效特征提取的有机结合,提高了网络的分类效果;CBSAM-MobileNetV3收集到的选煤厂火灾识别数据集具有良好的识别准确率。在MobileNetV3网络的基础上通过集成CBSAM模块减少了冗余信息的干扰,网络分类效果明显优于其他轻量级网络架构,能够有效地提升火灾识别的准确率,可以应用于选煤厂火灾识别任务。

基于改进MobileNetV3网络煤矸识别方法研究

为了解决煤矸识别中经典卷积神经网络有着计算量大、识别速度慢等问题,提出基于改进MobileNetV3网络对煤和矸石进行识别的方法。以MobileNetV3模型为基础模型,对激活函数、注意力机制进行改进并对网络层数进行缩减,最后通过测试准确率,F1分数,浮点运算次数(FLOPs)作为模型评估的基准,结果表明:改进MobileNetV3后的测试准确率为99.5%,F1分数为0.995,FLOPs为50455003次,通过该模型与MobileNetV3,EfficientNet, AlexNet模型对比,可知该模型的各项指标均高于其他模型,适合做煤矸识别模型。

基于Opt-MobileNetV3的大豆种子异常籽粒识别研究

针对大豆异常籽粒识别模型参数量过大、计算成本高、准确率较低等问题,提出了一种改进的轻量级神经网络MobileNetV3模型,将其层数减少,加快模型的训练和推理速度,增加全连接层和Softmax层以增加模型的非线性判别能力以及利于多分类任务的输出,使用全局平均池化代替全局最大池化减少信息丢失,通过添加Dropout层以及去掉MobileNetV3中SE Block注意力机制来增加模型的泛化能力。试验结果表明:将大豆籽粒图像数据经过传统的卷积神经网络AlexNet、VGG16与轻量级神经网络MobilenetV3训练测试结果进行对比,AlexNet算法最终平均精度均值(Mean average precision,mAP)为87.3%、VGG16算法为87.7%,二者mAP相差较小,但两者在训练过程中模型内存占用量及训练时间相差较大,其中AlexNet模型内存占用量为7070 kB,训练时间为5420.59 s,而VGG16模型内存占用量为19674 kB,训练时间为8282.68 s,整体来看AlexNet相对更好。通过对轻量级神经网络MobileNetV3模型的识别训练,最终模型内存占用量为32153 kB,训练时间为6298.29 s,mAP达到90.6%,相比两个传统算法更高,更适合大豆异常籽粒的分类识别。为了提高训练精度及速度,通过对MobileNetV3网络模型结构调整改进,最终优化改进后的Opt-MobileNetV3网络模型mAP达到95.7%,相较传统MobileNetV3神经网络mAP提高5.1个百分点,模型内存占用量为9317 kB,减小22836 kB,同时训练时间节省696.57 s。优化后的模型实现了模型减小、准确率提高、训练速度加快,可完成大豆异常籽粒识别任务。

基于改进MobileNetV3-SSD的河道排污口目标检测研究

为实现对水系入河排污口有效、准确的自动检测,提出一种基于改进MobileNetV3-SSD的深度学习模型。在MobileNetV3-SSD模型的基础上,使用K-means聚类算法和遗传算法,对先验框的宽高比进行调整,使得预测框更好地匹配真实框。引入多尺度特征融合模块,提高模型对小排污口的检测能力。引入改进的CBAM注意力模块,减少模型在排污口检测时计算的参数数量。使用可变形卷积替代普通卷积,自适应地捕获不同排污口的形态与尺度信息,提升模型的特征提取能力。实验结果表明,改进后MobileNetV3-SSD模型的平均精度为89.36%,F1分数为91.88%,较改进前分别提升4.83%和5.03%。

基于改进MobileNetV3的水稻病害识别模型

针对水稻病害识别方法准确度低、模型收敛速度缓慢的问题,本文提出了一种高性能的轻量级水稻病害识别模型,简称为CA(Coordinate attention)-MobileNetV3。通过微调的迁移学习策略完善了模型的训练,提升了模型收敛速度。首先创建10个种类的数据集,其中包含9种水稻病害和1种水稻健康叶片。其次使用CA模块,在通道注意力中嵌入空间坐标信息,提高模型的特征提取能力与泛化能力。最后,将改进后的MobileNetV3网络作为特征提取网络,并加入SVM多分类器,提高模型精度。实验结果表明,在本文构建的水稻病害数据集上,初始的MobileNetV3识别准确率仅为95.78%,F1值为95.36%;加入CA模块后识别准确率和F1值分别提高至96.73%和96.56%;再加入SVM多分类器,通过迁移学习后,改进模型的识别准确率和F1值分别达到97.12%和97.04%,参数量和耗时仅为2.99×106和0.91 s,明显优于其他模型。本文提出的CA-MobileNetV3水稻病害识别模型能够有效识别水稻叶部病害,实现了轻量级、高性能、易部署的水稻病害分类识别算法。

基于改进DeeplabV3+的遥感图像道路分割模型

针对遥感图像道路分割边界模糊和遮挡难以区分的问题,提出了基于改进DeeplabV3+的遥感图像道路分割模型。该模型在主干网络中引入MobileNetV3和高效通道注意力机制(ECA),减少了参数量并关注连续的道路特征信息。在解码过程中采用多级上采样,增强了编码器和解码器之间的紧密连接,全面保留了细节信息。同时,在ASPP模块中采用深度可分离膨胀卷积DS-ASPP,显著减少了参数量。实验结果表明,该模型在Massachusetts Roads数据集上的交并比达到了83.71%,准确率达到了93.71%,分割精度最优,模型参数量为55.57×10^(6),能够有效地避免边界模糊和遮挡导致的错漏检问题,在遥感道路分割中提高了精度和速度。

基于MobileNetV3-large模型的葡萄品种识别

葡萄品种繁多、性状各异,识别葡萄品种速度慢、精度低、成本高,且主观性强、时效性差。因而,开发识别速度快、精度高、成本低、时效性强的葡萄品种识别技术具有重要理论意义和实践价值。为实现葡萄品种的无损、高效识别,为精准农业提供理论基础,以早黑宝、无核早红、夏黑、红地球和阳光玫瑰等5个鲜食葡萄品种为试材,基于其叶片形态特征,采用迁移学习网络模型MobileNet-large,分析该模型在5个葡萄品种上迁移学习的效果,比较3种MobileNet-large网络模型的训练结果,从而构建基于叶片图像的MobileNetV3-large葡萄品种识别模型。结果表明,训练前迁移学习能够显著提高葡萄品种的识别率,无核早红正确识别率可达100%;MobileNetV3-large训练结果的准确率、召回率、F1-score、AUC等因葡萄品种、学习率不同而不同,当学习率为0.005时,MobileNetV3-large模型网络训练损失值最小,其中,红地球葡萄准确率最高。比较3种MobileNet-large网络模型可知,MobileNetV3-large模型整体表现最佳,在训练中第27轮开始收敛,Top-1准确率高达90.56%,平均准确率为97.50%。说明MobileNetV3-large模型是适宜的葡萄品种识别网络模型。

融合MobileNetV3特征的结构化剪枝方法

传统的深度神经网络由于计算量和内存占用庞大,难以部署到嵌入式平台中发挥实用价值,所以轻量级的深度神经网络得到快速发展.其中,谷歌提出的轻量级架构MobileNet具有广泛的应用.为了进一步提高性能,MobileNet的模型由MobileNetV1发展到MobileNetV3,但模型变得更为复杂,导致其规模不断扩大,难以发挥轻量级模型的优势.为了在能保持MobileNetV3性能的前提下,降低部署于嵌入式平台的难度,提出一种融合MobileNetV3特征的结构化剪枝方法,对MobileNetV3-Large模型进行裁剪,得到一个更加紧凑的模型.首先对模型进行稀疏正则化训练,得到一个较为稀疏的网络模型;然后使用卷积层的稀疏值和批量归一化层的缩放系数的乘积判别冗余滤波器对其进行结构化剪枝,并在CIFAR-10和CIFAR-100数据集上进行实验.实验结果表明:提出的压缩方法可以有效压缩模型参数,并且压缩后模型仍然能保证良好性能;在准确率不变的前提下,CIFAR-10上模型的参数量减少44.5%,且计算量减少40%.

基于改进MobileNetV3的PCB裸板缺陷检测

为解决传统PCB裸板缺陷检测效率低、误检率高、通用性差等问题,提出一种基于改进MobileNetV3的PCB表面缺陷检测模型。首先对PCB数据集进行预处理,然后采用多方向协调注意力代替原网络中的挤压和激励注意力模块,提升特征定位精度从而增强感受野;最后利用软池化优化MobileNetV3的末端结构,以在简化后的激活映射中保留更多的特征信息。实验结果证明,提出的模型对PCB裸板缺陷检测的平均准确率可达96.1%,图片平均检测速度为25.1 ms,能够高效识别PCB裸板的多种缺陷类型,对工业生产中PCB裸板的质量检测有实际应用价值。

一种基于Mobilenetv3的行人检测算法研究

针对实时的行人检测算法要求模型具有轻量型和良好的鲁棒性,文中提出一种基于Mobilenetv3的行人检测算法。该算法首先采用Mobilenetv3作为模型的主干特征提取网络;然后通过深度可分离卷积替换PANet中的普通卷积,减少网络的复杂度;最后引入注意力机制SE和ECA关注网络中重要的通道信息,加强模型的特征融合能力。实验结果表明:与YOLOv4算法相比,基于Mobilenetv3的行人检测算法模型体积缩小78.03%,参数量也降低82.44%;且在实验数据集和INRIA数据集上,所提算法的平均精度(AP)分别提升3.98%和1.10%,检测速率分别提升8.08 f/s和7.89 f/s,检测时间也显著缩短,具有良好的检测性能。

基于知识蒸馏与RP-MobileNetV3的电能质量复合扰动识别

针对复合电能质量扰动(power quality disturbance,PQD)识别中特征提取复杂、识别正确率低和模型难以轻量化等问题,提出一种利用递归图(recurrence plot,RP)对PQD信号可视化方法和基于知识蒸馏的模型训练方法。首先,基于RP挖掘PQD信号隐含特征并构建图像数据集,并利用深度残差收缩网络(deep residual shrinkage network,DRSN)对图像数据集进行更深层次特征提取并完成自主分类。然后,基于知识蒸馏(knowledge distillation,KD)让已训练的DRSN指导轻量化网络MobileNetV3进行训练,通过蒸馏实现知识的跨网络传输。最后,仿真实验和硬件实验表明,利用知识蒸馏训练的MobileNetV3能实现高精度且轻量化的复合扰动识别,同时在30 dB噪声环境下正确率能提升1.06%,对实际扰动信号识别效果良好,具有良好的噪声鲁棒性。

基于电子舌和电子眼结合改进MobileNetv3的黄芪快速溯源检测

目的:实现对不同产地黄芪的快速溯源检测。方法:提出了一种基于电子舌和电子眼结合改进MobileNetv3网络的黄芪产地快速检测方法。采用电子舌和电子眼分别采集不同黄芪样本的一维指纹图谱信息和二维外观图像信息。利用格拉姆角场(Gramian angular field,GAF)将一维电子舌信号转换为二维图像信息,保留电子舌信号中时间序列相关特征,再将其与电子眼采集的图像信息进行数据融合,采用基于金字塔切分注意力机制(Pyramid split attention,PSA)改进的MobileNetv3模型实现对不同产地黄芪样本的分类识别。结果:相较于单独使用电子舌或者电子眼,该方法具有更高的识别准确率,其测试集准确率、精确率、召回率和F_(1)-Score分别达到98.8%,98.8%,98.8%和0.99。改进的MobileNetv3网络分类准确率较原始模型提高了8%,参数量仅为原参数量的20%左右。结论:改进的MobileNetv3网络可以有效减少参数的计算量,提高不同产地黄芪识别的准确率。

基于MobileNetV3多尺度特征融合的人脸表情识别

针对人脸表情识别中普通卷积神经网络特征提取能力不足且识别效率低下的情况,本文提出了一种基于MobileNetV3多尺度特征融合的人脸表情识别。首先利用MobileNetV3进行特征提取以获得高层次情感信息;其次在骨干网络中借鉴DenseNet结构,增强特征复用并提升网络重要面部特征表达能力;然后利用特征金字塔模块充分获取人脸图像的深层和浅层多尺度融合特征,从而提高了MobileNetV3的特征提取能力和实时性;最后利用全连接层构建分类器对表情进行分类,从而完成了人脸表情识别。通过实验验证,结果表明,在CK+和FERPlus数据集上识别准确率可以达到88.3%和98.8%,与现有方法相比分别提高了2.3%和1.5%,表明了所提方法识别效果好,泛化能力强。

基于改进MobileNetV3烧结断面火焰图像识别

烧结机尾断面火焰图像蕴含大量与烧结终点相关的特征信息,充分利用烧结火焰图像特征信息进行在线判断烧结终点状态,具有可行性及工程实际意义。针对烧结机尾断面火焰图像特征信息难以提取、识别精度低以及难以满足实时性等问题,提出一种基于改进的MobileNetV3烧结断面火焰图像识别算法。以MobileNetV3作为烧结终点火焰状态特征信息提取的基础模型,引入注意力机制;改进通道注意力结构,减少特征损失提高识别精度;引入空间注意力机制,设计双分支通道空间注意力模块精确捕捉了红火区在烧结断面火焰图像中的位置和内容信息;引入数据增强和余弦退火学习率来提高模型的泛化能力,并采用冻结训练策略加速模型收敛。在烧结火焰数据集上的实验表明,该算法能够充分利用烧结火焰图像中的特征信息,识别准确率达到97.54%,较改进前提高了6.41%。

基于改进的MobilenetV3苹果叶片病害图像识别技术

针对传统深度学习网络模型因权重参数过大而不适宜在移动端部署的问题,提出了一种基于改进的轻量级MobileNetV3网络模型对苹果叶片病害进行识别。利用PyTorch框架,选取26 377张图片,按6∶2∶2的比例划分数据集,以MobileNetV3网络模型为基础,引入迁移学习,加入空洞卷积,并调整原模型结构,形成新模型进行训练学习。经过多轮迭代,损失曲线实现收敛,模型训练成功,训练集上的准确率为95.72%,测试集上的准确率为93.41%;经过改进的MobileNetV3网络模型对苹果叶片病害图像识别效果较好,为将来在移动端实现部署与推广提供了技术方案支撑。