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.

改进的MobileNetV3热轧钢带表面缺陷分类算法

热轧制品在工业制造领域有着重要作用,针对其在生产中的表面缺陷问题,提出了一个基于MobileNetV3算法改进的热轧钢带表面缺陷分类算法,通过引入改进的置换注意力机制SAMM替换原模型中的SE注意力机制,在降低参数量的同时提高分类准确率。同时,引入Mish激活函数来替换原模型中的Hard-Swish激活函数,进一步提高分类准确率。将两者结合,构造新的Bneck模块,在此基础上构造新的A-MobileNetV3热轧钢带表面缺陷分类算法。使用NEU-CLS热轧钢带表面缺陷数据集进行分类实验,实验结果表明,改进后的算法分类准确率达到了99.44%,相比于原模型提高了5.74%,而参数量仅为10.35 MB,相比于原模型减少了35.59%。表明改进后的分类算法可以胜任热轧钢带表面缺陷分类的任务。

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。

基于轻量化网络对植物叶斑病的目标检测研究

为了提高植物叶斑病的检测效率和精度,引入主流的目标检测模型YOLOv5对叶斑病进行检测。结果显示,模型在检测较小的叶斑病时精度不高,且模型权重体积较大,不利于在终端边缘设备上部署。为此,对YOLOv5模型进行改进。首先,采用经过SCSE模块修改的MobileNetv3轻量化网络结构替代原有的CSP-Darknet53主干网络,从而降低模型的参数量和计算复杂度;其次,使用K-means++聚类方法优化Anchors参数,使先验框更好地为目标检测模型提供信息,增强模型的性能和泛化能力,减少对标注数据的依赖;最后,在主干网络的最后一层引入ASPPF模块,提高模型在不同尺度上的检测性能。实验结果表明,与原YOLOv5s算法相比,改进方法在植物叶斑病检测任务中表现更优,精确率、召回率和mAP等指标分别提高了2%、2.7%和1.5%,模型大小降低了39.1%。通过优化YOLOv5模型,实现了对不同植物类型大小不一的叶斑病的高效检测,有效降低了模型的大小,并提高了模型的检测精度。

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。

一种基于改进YOLOv4的舰炮弹着点水柱检测方法

为解决弹着点水柱目标准确且快速检测的问题,充分平衡检测精度和实时性要求,首先通过将轻量级深度卷积神经网络MobileNetv3与YOLOv4算法结合,并利用3×3的深度可分离卷积代替PANet中的普通卷积,构建了用于水柱检测的网络模型M-YOLOv4;然后,从检测精度、模型容量和运行速度等方面将M-YOLOv4与YOLOv3、YOLOv4和YOLOv4-tiny等进行比较。研究结果表明:M-YOLOv4对水柱目标具有良好的检测效果,能够达到与YOLOv4相当的检测精度,并且参数量显著减少、运行速度更快。

基于加强特征融合的轻量化船舶目标检测

针对基于深度学习的海上船舶目标检测任务中存在检测网络复杂且参数量大、检测实时性差的问题,提出一种加强特征融合的轻量化YOLOv4算法——MA-YOLOv4.首先使用MobileNetv3替换主干网络,引入新的激活函数SiLU并使用深度可分离卷积代替普通3×3卷积降低网络参数量;其次加入自适应空间特征融合模块加强特征融合;最后使用MDK-means聚类算法得到适用于船舶目标的锚框,用Ship7000数据集进行训练和评估.实验结果表明,改进算法与YOLOv4相比,模型参数量降低82%,mAP提高2.57%,FPS提高30帧/s,能实现对海上船舶的高精度实时检测.

基于改进SSD和ISESAM融合的无人机弱小目标检测方法

针对低空无人机目标检测过程中出现的弱小目标、飞行模糊和背景相似,导致目标检测精度降低的问题,论文提出了改进SSD算法以提升目标检测精度。采用轻量化SSD(SSD-MobileNetV3)算法为检测框架,减少模型参数,降低计算复杂度。同时提出一种改进时空注意力(ISESAM)模块,构建通道和空间注意力机制,嵌入YOLOV4网络提高弱小目标检测精度。改进SSD算法的激活函数有效解决神经元可能“失活”的问题,可在低层网络中更有效地提取图像特征。在PASCAL VOC和COCO合成的数据集上实验,结果表明论文提出的改进SSD算法获得的检测精度为90.0%。与SSD-MobileNetV3相比,检测精度提高了4.0%,说明论文提出的改进SSD方法对低空无人机目标的检测更加具有鲁棒性。

一种轻量化YOLOv4的遥感影像桥梁目标检测算法

深度学习技术发展迅速,在目标检测中表现出良好的适应性。针对YOLOv4算法在遥感影像桥梁目标检测任务中的检测效率较低和模型轻量化不足问题,使用轻量化的MobileNetv3骨干网络替换原始CSPDarkNet53骨干网络,将传统卷积层替换为深度超参数化卷积层(DO_Conv),提出一种兼具精度和检测效率的轻量化模型。实验表明:比较原始YOLOv4算法,本文算法将模型权重降低55%,检测效率提升70%以上,证明了本文改进之处的有效性;在精度方面,本文算法在与SSD、RetinaNet、YOLOv3和CenterNet等经典目标检测算法比较中仍保持精度优势。与YOLOv4算法相比,本文算法在难度较低的检测任务中精度损失较低,但在检测难度较高的DOTA桥梁数据集中精度损失明显。

改进SSD算法在零部件检测中的应用研究

针对生产线上运动过程中的零部件类型检测的实时性和准确度要求高,部分零件体积较小难以检测的问题,提出一种基于改进SSD(Single Shot MultiBox Detector)目标检测算法的零部件检测方法。使用轻量级网络MobileNetV3-Large替代SSD算法的主干网络VGG-16,图像输入长宽尺寸由300×300像素改为224×224像素,利用特征金字塔网络提升对体积较小零件的检测效果。以气动马达零部件的检测为例进行仿真实验;网络训练中,利用数据增强提高模型的鲁棒性。实验结果表明,改进后的SSD算法在提高对零部件实时性检测速度的同时,保证了检测的准确率。

基于深度学习的壮锦纹饰图案轻量化检测算法分析

阐述一种基于深度学习的轻量化检测算法,通过MobileNetV3网络替换YOLOv5骨干网络提出轻量化MV3-YOLOv5算法,应用到收集的数据集中。实验表明,MV3-YOLOv5算法检测精度达到90%。