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MPSoC的轻量化汽车检测系统及硬件加速平台设计与优化

针对车辆分类检测在精度和实时性方面存在的挑战,提出了一项改进方案,以优化YOLOv5s模型,旨在实现轻量化的汽车检测。通过在MPSoC硬件架构的现场可编程门阵列(FPGA)上设计系统,成功打造了一个具备高精度、快速检测和低能耗的解决方案。为了使得模型更适合嵌入式设备部署,采用了MobileNetv3 Small替代YOLOv5s的主干网络,并引入卷积块注意力模块(CBAM)注意力机制和Inner-IoU Loss优化方法,使模型在轻量化的同时提升了检测精度和速度。改进后的模型相较于原始Yolov5s模型,平均精度均值(mAP)提升了14.8%,参数量减少了49.7%,模型体积减小了40.7%,计算量减少了48.9%,在NVIDIA 3060上,改进后的检测速度提升了48.8%,达到了82 fps。此外,还利用FPGA对YOLOv5s进行了硬件加速。经过优化的系统达到了45 fps的检测帧率,并保持了较高的精度和速度,这一系统易于部署,适用于智能交通系统,满足其高效实时监测的需求。

改进YOLOv5s算法的无人机小目标检测方法

针对无人机视角小目标检测出现目标漏检、误检和精度不高的问题,研究适用于无人机视角下的YOLOv5目标检测算法。首先,为了使网络学习到更多的特征,在主干网络中引入轻量化的MobileNetV3_Small算法,增强模型特征提取能力的同时降低了参数量和运算量,方便部署到无人机设备。然后,为了加强模型在目标聚集的情形下以降低漏检并提升检测精度,替换原始非极大值抑制算法为Soft-NMS。实验结果表明,改进的模型在VisDrone2019数据集上检测精度达到34.7%,相比于YOLOv5s算法精度提高5.4个百分点,同时降低了模型的参数和浮点运算量,便于部署到无人机设备,使得改进后的算法可以更好的应用于无人机视角下的图像目标检测任务中。

基于MobileNetV3的轻量级智能垃圾分类系统

本文就卷积神经网络(Convolutional Neural Networks,CNN)选择和算法在实际垃圾分类中的应用展开讨论,并提出了基于MobileNetV3的轻量级智能垃圾分类系统设计。该系统图像分类算法以MobileNetV3为网络模型,以3000张图片为数据集,得出模型测试集与训练集的准确率在迭代次数超过25次之后逐渐收敛于85%~90%,已能满足基础分类需求。

改进YOLOv5s的轻量化钢材表面缺陷检测模型

针对现有钢材表面缺陷检测模型结构复杂、参数量多、检测精度和实时性较差等问题,提出了一种改进YOLOv5s的轻量化钢材表面缺陷检测模型。首先采用MobileNetv3-Small网络替换YOLOv5s主干提取网络,实现模型轻量化,提升检测速度;其次在特征融合阶段采用加权双向特征金字塔网络(Bidirectional Feature Pyramid Network,BiFPN)加强特征提取,通过融合不同尺度的特征,提升检测的准确率和鲁棒性。同时引入CBAM(Convolutional Block Attention Module)注意力机制增强模型对小尺度目标的检测能力;最后使用K-means++算法聚类先验框,提高先验框聚类的准确性和收敛速度。改进后的模型在NEU-DET数据集上的平均精度均值(mAP@0.5)达到77.2%,在NVIDIA 1080Ti上检测速度达到102FPS。相较于原始YOLOv5s模型,mAP提升3.90%,参数量减少58.6%,体积减小34%,检测速度提升29.7%。实验结果表明改进的YOLOv5s模型在保证轻量化的同时能够有效提升钢材表面缺陷检测的精度和速度,易于部署,满足带钢实际生产中的需求。

基于改进YOLOv5s的无人机火灾图像检测算法

为了解决现有火灾检测算法模型复杂,实时性差,难以部署在无人机平台的问题,通过改进YOLOv5s算法对无人机火灾图像目标检测进行分析研究;利用搭载高清摄像头的无人机设备获取的火灾图像、公开数据集、互联网航拍视频自主建立无人机火灾图像数据集;采用轻量化模型YOLOv5s为基础模型,MobileNetV3作为特征提取主干网络,降低模型参数和计算量,解决实时性差和模型部署的问题;模型颈部引入注意力模块CBAM,综合了通道和空间信息,加强网络对高层次语义信息的传递;修改模型检测头部结构,增强小目标检测能力;通过消融试验对比分析各个模块对模型的影响,与常见火灾模型进行对比分析,分析本文算法的优劣;算法在自建数据上的平均精度达到76.9%,模型大小为6.7 M,单帧(640×640)图像处理时间为15.2 ms;实验结果表明,本文算法模型简单、实时性好,为火灾检测算法部署在无人机平台奠定技术基础。

一种改进YOLOv5s小目标无人机实时检测算法

为满足对小目标无人机检测高精度、实时性的要求,提出一种基于YOLOv(You Only Look Once version) 5s的轻量化小目标无人机实时检测改进算法。采用MobileNetV3代替原有的骨干网络,以提取小目标无人机的浅层特征信息;在网络中添加轻量级卷积注意力模块,以提取小目标无人机的深层特征信息;在原有3个检测层基础上增加小目标检测层,以提高对小目标无人机的关注度。实验结果表明,与经典YOLOv5s检测算法相比,改进算法的参数量下降30.5%,权重减少5.3 MB,实现了算法的轻量化。另外,网络精度提高3.16%,网络召回率提高1.14%,帧率增加了8。改进算法的检测精度与检测速率均得到提升,并且有效地改善了小目标无人机的漏检问题。

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RFB网络的特征融合管制物品检测算法研究

为了提高对管制物品的检测精度,本文提出一种结合RFB(receptive field block)网络结构和特征融合的目标检测算法。首先对采集的安检数据进行无效内容剔除、滤波;接着对安检数据进行人工标注和数据增强;然后在MobileNetV3-SSD算法的基础上,通过引入RFB网络改进其网络结构,以加强网络的特征提取能力,并利用特征融合的方法提高模型的小目标检测能力;最后,构建了一个安检数据集SCCI2020来验证算法的性能,该数据集包含91767张图片。实验结果表明,本算法在安检数据集SCCI2020上的检测精度为87.0%,比MobileNetV3-SSD算法的检测精度高2.7个百分点;在COCO2014和COCO2017通用数据集上的检测精度分别为21.9%和23%,相对于VGG16-SSD、MobileNetV3-SSD算法均有一定提升。

基于改进SSD的高速路面资产检测算法研究

为提高我国高速路面资产巡检效率,文章提出了一种有效改进SSD算法用于高速路面资产检测。首先,在单发多盒探测器(Single Shot MutiBox Detectior,SSD)算法的基础上引入MobileNetV3-Small网络与VGG16网络构成M&V(MobileNetV3-Small&VGG16)同步特征提取结构;其次,针对SSD中间4层特征图提出相邻三层融合机制(Adjacent Three Layer Fusion,ATLF),增强中低层特征图的语义信息。实验结果表明,所提算法在中国交通数据集上具有良好的检测精度,相较于SSD算法mAP提高了13%,在自定义资产数据集上也有良好的表现,mAP达到91.81%。