基于改进MobileNetV2的棉花颜色分级检测

针对棉花颜色级检验中感官检验容易受到主观因素影响、仪器检验不稳定的问题,提出一种使用改进MobileNetV2神经网络实现棉花颜色级检测的方法。通过自主设计的图像采集装置,收集白棉一级到白棉五级5种棉花颜色级样品,制作数据集。将MobileNetV2网络后三层进行特征融合,并嵌入CBAM注意力机制,同时与GhostNet、ShuffleNetV2和原始MobileNetV2模型进行对比,预测棉花颜色分级。结果表明:改进后的MobileNetV2在测试集的准确率达到92.10%,相对于GhostNet、ShuffleNetV2和原始MobileNetV2分别提高了3.01个百分点、4.61个百分点、1.24个百分点,具有较好的检测效果。

基于重参数化MobileNetV2的农作物叶片病害识别模型

针对基于卷积神经网络识别农作物叶片病害存在参数众多,计算量大且实时性差的问题,提出一种轻量级农作物叶片病害识别模型RLDNet(reparameterized leaf diseases identification network)。首先,基于MobileNetV2利用重参数化倒残差模块提升推理速度,并设计浅而窄的网络结构增强对浅层特征的提取,降低模型参数量。其次,使用轻量级ULSAM(ultra-lightweight subspace attention module)注意力机制,结合叶片病害特征,强化模型对病害区域的关注能力。最后,利用DepthShrinker剪枝方法对模型进行剪枝进一步减小空间占用。RLDNet在PlantVillage数据集上识别准确率达99.53%,参数量为0.65 M,对单张叶片病害图像的推理时间为2.51 ms。在自建叶片病害数据集上获得了98.49%识别准确率,比MobileNetV3、ShuffleNetV2等轻量级模型识别准确率更高,更为轻量。

基于改进MobileNetV2模型的农作物叶片病害识别研究

为实现基于移动端的农作物叶部病害图像便捷识别,提高农作物病害识别效率进而更好地指导作物病害防治,基于改进的轻量级卷积神经网络MobileNetV2建立农作物病害识别模型。首先,建立含有15种病害叶片和4种健康叶片的农作物数据集,采用数据增强操作进行数据平衡。其次,对MobileNetV2进行改进,引入高效通道注意力(Efficient channel attention,ECA)与注意力特征融合(Attentional feature fusion,AFF),并通过模型剪枝去除冗余层,建立了高性能的轻量级农作物病害识别模型。结果表明:改进MobileNetV2模型参数量与初始MobileNetV2参数量相比减少15.37%,同时识别准确率提升0.9个百分点,达到了98.4%。相比EfficientNet-b0、ShuffleNetV2-0.5X等经典卷积神经网络模型,改进的模型不仅识别准确率最高,且训练过程收敛速度更快。

融入协调注意力的MobileNetV2模型对铝带材表面缺陷识别的研究

在高端铝合金板带材生产过程中,准确、快速地识别和分析铝带材表面缺陷是控制带材表面质量的基础,也是现代智能生产过程智能感知的重要基础。针对气垫式连续热处理及表面处理生产线的高端铝合金汽车板、航空板的表面质量缺陷问题,采用融入协调注意力的MobileNetV2模型进行缺陷图像识别,提高模型对铝带材缺陷图像特征提取能力;融入协调注意力的MobileNetV2模型的准确率高达94.97%,准确率比原始MobileNetV2模型高1.34%,效果比肩ResNet50、VGG16模型;融入协调注意力的MobileNetV2模型的参数量仅1.52 MB,远远低于ResNet50、VGG16模型的参数量;该模型对缺陷识别精度高、识别速度快,具有很好的应用价值。

基于SSD-MobileNetv2和FPN的人脸检测

随着人工智能技术的不断发展,人脸检测与识别技术以其广泛的应用性成为学术研究的重点。提出了SSD-MobileNetv2-FPN人脸检测模型,首先用轻量级的MobileNetv2代替SSD中的VGG-16主干网络,减少模型训练参数以提高模型的检测速度,然后引入FPN网络提取多尺度特征信息使得模型更利于小目标人脸的检测,增加检测精度。最后引入Focal loss损失函数解决模型在训练过程中出现前景和背景类分布不平衡问题,提高模型性能。实验表明上述模型在Pascal Voc 2012人脸部分数据集中准确率为92.5%,且处理速度快,满足实时需求。

基于MobileNetV2的圆形指针式仪表识别系统

针对目前指针式仪表识别任务在使用深度学习算法时存在模型参数量大、计算量大、准确率较低的问题,提出一种基于改进预训练MobileNetV2网络模型与圆形Hough变换相结合的圆形指针式仪表智能检测和识别系统。首先,采用Hough变换解决复杂场景内非圆形区域的干扰问题;然后,提取圆形区域以构建数据集;最后,使用基于改进预训练MobileNetV2网络模型对圆形指针式仪表进行识别。为客观反映所提模型的性能优劣,采用平均混淆矩阵来衡量模型性能。实验结果表明,该系统在圆形指针式仪表识别任务中的识别率达到99.76%。同时,将所提模型与其他5种不同的网络模型进行对比的结果表明,该模型与ResNet50的准确率最高,但在模型参数量和模型计算量方面,所提网络模型相较于ResNet50分别降低了90.51%和92.40%,可见该模型有助于进一步在移动端或嵌入式设备中部署和实现工业级的实时圆形指针式仪表检测和识别。

基于SDP和改进SAM⁃MobileNetv2的滚动轴承故障诊断方法研究

针对传统的滚动轴承故障诊断方法难以准确高效的实现故障分类,提出了一种融合对称点模式(Symmetrized Dot Pattern,SDP)和改进SAM⁃MobileNetv2的滚动轴承故障分类方法。首先,将轴承振动信号通过SDP算法转化为含有丰富特征信息的二维图像。然后,将二维图像输入到改进SAM⁃MobileNetv2网络模型中,对故障特征信息进行提取和分类。在改进SAM⁃MobileNetv2网络中,使用自适应激活函数ACON(Activate or not)对SAM⁃MobileNetv2中的ReLU6激活函数进行替换,提高模型分类性能。最后,将本模型与多种网络模型做对比。试验结果表明,本模型可以准确高效地实现对滚动轴承故障的分类,使用凯斯西储大学轴承故障数据的准确率为99.5%,使用渥太华大学轴承故障数据的准确率为97.2%。

基于改进YOLOv4模型的无人机巡检图像杆塔缺陷检测方法研究

针对现有输电线路无人机巡检图像缺陷检测方法存在的精度低、耗时长等问题,为了实现输电线路杆塔鸟巢的快速和准确识别,基于无人机巡检图像采集与处理系统,提出了一种改进的YOLO4模型用于输电线路杆塔图像的鸟巢检测。采用轻型MobileNetV2网络替换CSPDarkNet53网络,提高特征提取速度,在SPP模块中采用平均池化替换最大池化,提高算法对小目标的检测精度,引入注意力机制CBAM增强特征表达。通过试验验证了所提方法的可行性和优越性。结果表明,所提方法与常规检测方法相比,在输电线路杆塔图像缺陷检测中具有更优的检测精度和速度,检测精度达到94.40%,检测速度为60 FPS。所提研究为输电线杆塔缺陷检测方法的发展提供了一定的参考。

基于改进DeepLabv3+的光伏电站道路识别方法

针对移动清洁机器人在光伏电站作业时需要精确快速识别道路的问题,提出一种改进的DeepLabv3+目标识别模型对光伏电站道路进行识别.首先,将原DeepLabv3+模型的主干网络替换为优化的MobileNetv2网络以降低模型复杂度;其次,采用异感受野融合和空洞深度可分离卷积结合的策略改进空洞空间金字塔池化(ASPP)结构,提高ASPP的信息利用率和模型训练效率;最后,引入注意力机制,提升模型识别精度.结果表明,改进后模型的平均像素准确率为98.06%,平均交并比为95.92%,相比于DeepLabv3+基础模型分别提高了1.79个百分点、2.44个百分点,且高于SegNet、UNet模型.同时,改进后的模型参数量小,实时性好,能够更好地实现光伏电站移动清洁机器人的道路识别.

基于改进YOLOv2的白车身焊点检测方法

基于机器视觉的白车身焊点自动化检测为车身焊接质量控制提供了有效的途径,然而受环境光污染的影响,焊点自动化检测装备的机器视觉系统较难进行准确定位。为解决传统的图像处理方法受环境干扰大及鲁棒性差的问题,提出一种基于深度学习的焊点位置检测方法。引入MobileNetv2的卷积结构代替YOLOv2的卷积层,并借鉴YOLOv2的细粒度特征的方法,解决YOLOv2模型参数较多的问题。采用GIoU loss对模型的损失函数进行改进,利用K-means聚类算法得到适合焊点数据集的anchor,从而获得高可靠性的轻量化白车身焊点位置检测模型FGM_YOLO。在白车身焊点测试集上进行测试,结果表明,与原YOLOv2模型相比,该模型的平均精度提升了2.47%,模型参数约为原模型的1/16,检测速度提高2倍,大幅提高了检测效率。

基于改进Deeplabv3+的电力线分割方法研究

针对已有的分割算法存在的复杂场景干扰大、分割不准确的问题,提出一种用于电力线分割任务的改进Deeplabv3+模型。将原始主干网络替换为轻量级Mobilenetv2网络,增加低水平特征,获得5路输入特征,充分提取特征信息;添加空洞空间金字塔池化(atrous spatial pyramid pooling,ASPP)的卷积分支数量,调整空洞率,提升图像的特征抓取能力,进一步在每个空洞卷积后加入1×1卷积操作,加快计算速度;提出一种基于坐标注意力机制的语义嵌入分支模块(coordinate attention semantic embedding branch,CASEB),融合第2、3路特征,增强目标特征的表示;引入卷积注意力机制模块(convolution block attention module,CBAM)抑制无用信息的传递,提高模型识别效率。实验结果表明,相对于原Deeplabv3+模型,改进模型在平均像素精度(mean pixel attention,MPA)和平均交并比(mean intersection over union,mIoU)上分别提升2.37%和3.42%,该方法可提供更加精确的电力线分割结果。

基于改进MobileNetV2的轻量化轴承故障诊断

针对现有深度学习故障诊断模型普遍计算成本、时间成本和通信成本高,轻量化模型诊断精度低、抗噪能力弱,不适宜边缘环境部署的问题,提出了一种基于连续小波变换和改进MobileNetV2的轻量化轴承故障诊断方法。通过连续小波变换将原始信号转变为时频图作为输入样本,结合高效通道注意力机制与MobileNetV2,在较低参数量与计算量的情况下,提升了模型的故障诊断精度与抗噪能力。基于凯斯西储大学轴承数据集的实验表明,该方法在2 dB信噪比下准确率可以达到98.27%,与其他模型相比,在轻量化的同时具有更好的故障诊断精度和抗噪性,更适用于边缘场景下的故障诊断。

轻量化YOLOv4的车辆目标检测研究

针对YOLOv4模型在目标检测过程中参数量和计算量较大而导致实时性不佳的问题,提出了一种轻量化模型L-YOLOv4(Light YOLOv4)。该模型以YOLOv4特征金字塔结构和多尺度检测为基础,对模型结构进行了整体的优化和改进,采用MobileNetV2网络代替主干特征提取网络,同时用深度可分离卷积替换加强特征提取网络的普通卷积,从而达到减少网络参数量的目的。实验时对UA-DETRAC车辆数据集进行了基于旋转不变性下的数据增强,以缩小图像预测框与真实框之间的误差。多模型对比实验结果表明,L-YOLOv4模型相较于其他常用的轻量级检测模型有着更小的参数量和更快的FPS,与YOLOv4模型相比,参数量减少了83.21%,FPS增加了11帧,并减少了车辆漏检情况。

自然场景下的挖掘机实时监测方法

为实时监测违法用地现象,对作业挖掘机等施工机械进行实时监测至关重要。针对自然场景下由于背景复杂、光照不均匀及遮挡等导致作业挖掘机难以准确检测出的问题,该文采用类似SSD(Single Shot Detector)方法的网络结构,提出一种自然场景下的挖掘机实时监测方法。该方法采用堆叠DDB(Depthwise Dense Block)模块组成基础网络,实现浅层特征提取,并与高层特征融合,提高网络模型的特征表达能力;在MobileNetV2网络的基础上进行改进,设计BDM(Bottleneck Down-Sampling Module)模块构成多尺度特征提取网络,使模型参数数量和计算量减少为SSD的68.4%。构建不同视角和场景下的挖掘机目标数据集,共计18537张,其中15009张作为训练集,3528张作为测试集,并在主流Jetson TX1嵌入式硬件平台进行网络模型移植和验证。试验表明,该文方法的m AP(Mean Average Precision)为90.6%,其检测精度优于SSD和Mobile Net V2SSD的90.2%;模型大小为4.2 MB,分别减小为SSD和Mobile Net V2SSD的1/25和1/4,每帧检测耗时145.2 ms,相比SSD和MobileNetV2SSD分别提高了122.7%和28.2%,可以较好地部署在嵌入式硬件平台上,为现场及时发现违法用地作业提供有效手段。

基于TinyML轻量化边缘侧处理的智能分类垃圾桶

提出了一种基于TinyML轻量化边缘侧处理的智能分类垃圾桶。首先,将分类垃圾桶分为3个模块:垃圾图像识别分类模块、垃圾投放模块和监测模块,解决了传统的垃圾桶结构较为单一的问题,实现了垃圾的全自动分类和投放。然后,对于垃圾图像的分类,将计算机视觉与深度学习相结合,使用MobileNetv2模型作为基本卷积神经网络模型,删除了网络中部分Bottleneck层来减少不必要的计算开支,在每个Bottleneck层后添加了SE注意力机制增强对图像的关注程度,更深层次地提取特征信息,提高分类准确率。经验证该模型识别准确率较高,且尺寸更小,计算时间更短。最后,将改进的MobileNetv2模型运用TinyML技术部署在Arduino板上,由云计算转为本地计算,独立性更强,实现了低功耗和低延时。该分类垃圾桶通过创新性引入TinyML轻量化边缘侧处理技术,在性能提升和功能创新方面均取得了显著效果,适用于家庭、办公场所、景区、商场等需对单个垃圾进行自动分类的场景,可以有效提升垃圾分类回收管理的智能化、自动化水平,具有很好的推广应用价值。

基于深度学习的中国标准手语视频分类方法

本文为辅助残疾人与正常人群之间简便手语交流,基于深度学习技术,提出中国标准手语视频的分类方法。研究通过RGB手语语句视频构建训练数据集,对Mobile Net V2-GRU(Gate recurrent unit)融合网络模型进行训练,获得手语视频识别分类模型。根据验证集数据对模型进行验证,结果表明对特定10个种类的手语语句视频,模型平均精度为0.856,平均loss为0.578,具有一定条件下较好的识别准确率。

基于改进DeeplabV3+的无人机影像土地利用分类——以岳城水库附近居民区为研究区

针对DeeplabV3+网络在土地分类中存在的分割不完全、边缘细节丢失等问题,以岳城水库附近居民区为研究区,提出一种基于改进的DeeplabV3+无人机影像土地利用分类模型。首先,获取研究区无人机影像数据并建立相应数据集;其次,引入轻量级网络MobileNetV2代替DeeplabV3+的主干特征提取网络,大幅度降低模型参数量,提高模型计算速度;最后,加入CA注意力机制,减少细节丢失,提高分割精度。实验结果表明,改进模型不仅在分割性能方面优于原始DeeplabV3+模型,有效解决了道路断连和分割不完全等问题,提高了地物的分割精度,在分割效率方面也有很大提高。

基于偏最小二乘法和深度学习的近红外糖度预测

为准确预测苹果糖度,基于傅里叶变换近红外光谱、偏最小二乘法和深度学习技术,建立了不同的苹果糖度预测模型。使用傅里叶变换近红外光谱仪和折光仪采集160个苹果的光谱与糖度信息,建立不同光谱预处理方法的偏最小二乘法(Partial least square,PLS)模型,通过常用的竞争性自适应重加权算法减少PLS模型计算量,对比得到最好的PLS模型预测精度;使用深度学习的MobileNetV2网络构建苹果糖度预测模型,调整最适合的模型构建参数。试验结果表明:经过标准正态变量变换(Standard normal variate,SNV)光谱预处理的PLS模型预测精度最高,其预测模型相关系数(RP)为0.9333、均方根误差(RMSEP)为0.4765°Brix,特征波长筛选可减少计算量,但会使预测模型精度稍微下降;经过数据增强处理的MobileNetV2模型可以获得一定的糖度预测精度,其RP为0.8431、RMSEP为0.8984°Brix。结果表明,基于深度学习的MobileNetV2网络结构训练得到的糖度预测模型具有一定的可行性,但SNV预处理的全波段PLS模型精度最高,PLS建模依然是小批量样本建模简单高效的方法。