基于轻量级RG-DenseNet的COVID-19 CT图像分类

目的:基于轻量级RG-DenseNet构建COVID-19 CT图像分类模型。方法:以DenseNet121为基础,添加通道和空间注意力机制模块减少无关特征的干扰,将DenseNet中的Bottleneck模块替换为前激活的RG-beneck2模块减少模型参数的同时保持精度尽可能不变。构建RG-DenseNet模型,在COVIDx CT-2A数据集上进行3分类实验。结果:RG-DenseNet准确率为98.93%、精确率为98.70%、召回率为98.97%、特异性为99.48%、F1分数为98.83%。结论:RG-DenseNet与原模型DenseNet121相比在保持准确度仅降低0.01%的情况下,减少92.7%的参数量和计算量,轻量化效果显著,具有实际应用价值。

基于改进YOLOv7-Tiny的成熟草莓识别模型研究

【目的】成熟草莓的快速、准确识别是高效机械采摘的关键技术,针对草莓生长环境中果实堆叠、叶片遮挡和小目标等问题,提出一种改进YOLOv7-Tiny的成熟草莓识别模型。【方法】该模型在YOLOv7-Tiny模型的基础上,将骨干网络中CBL卷积块的LeakeyReLU激活函数替换为SiLU函数,提高模型的非线性拟合程度与特征学习能力。为降低模型的参数量和计算量,实现模型轻量化,提高识别速度,引入轻量化RepGhost网络。在YOLOv7-Tiny模型的小目标层加入C3模块,降低模型参数量,增加网络深度,增强模型对小目标的信息提取能力,从而提高被遮挡草莓以及小目标草莓的识别准确度,进一步提高模型的识别速度。以设施草莓为试验样本对改进YOLOv7-Tiny模型进行对比试验。【结果】相较于YOLOv7-Tiny模型,改进YOLOv7-Tiny模型训练的收敛速度快,模型拟合后损失曲线的波动幅度小且稳定,训练的损失值小,模型的鲁棒性好。与原模型的对比试验结果表明,改进YOLOv7-Tiny模型的参数量降低26.9%,计算量降低55.4%,识别速度提高26.3%,识别平均准确率(mAP)为89.8%。消融试验验证SiLU激活函数、RepGhost网络和C3模块有效提高了YOLOv7-Tiny模型的识别速度和准确度。以SSD、Faster RCNN、YOLOv3、YOLOv4和YOLOv5s模型进行对比试验,试验结果表明改进YOLOv7-Tiny模型对被遮挡和小目标草莓的识别效果更佳,F1 Score为0.87,比其他深度学习模型高,mAP分别提高了14.2%、1.52%、3.15%、3.01%、2.6%,识别速度分别提高了79.3%、92.9%、80.4%、58.8%、69.6%,参数量分别降低了90%、89.7%、95%、47.8%、14.6%。【结论】改进YOLOv7-Tiny模型具有识别速度快、识别精度高和轻量化的特点,被遮挡成熟草莓和小目标草莓的识别准确度显著提高,为成熟草莓的高效识别提供了技术支撑。

基于改进YOLOv5s轻量化带钢表面缺陷检测方法

针对YOLOv5s模型参数量大、难以在嵌入式设备上部署的问题,设计了一种轻量化的YOLOv5s带钢表面缺陷检测方法。首先将主干网络中的部分卷积层替换为多分枝结构的RepGhost,增强了主干对特征信息的提取能力,推理时可以转化为单分支结构,保证了检测速度。其次提出了一种轻量级的FPN网络(GG-FPN),其中的G-Ghost用于削减C3模块中的冗余参数,而GSConv则利用大卷积核的深度可分离卷积和分支结构,保证精度和速度的双提升。实验表明,在NEU-DET数据集上,GG-FPN模型参数量较原FPN减少了24.7%,GFLOPs降低了20.6%。对于整个模型,改进的算法mAP仅损失1.9%,参数量较YOLOv5s减少了37.5%,GFLOPs降低了33.1%,检测速度达到187 frame/s,更好地均衡了检测的速度与精度。