基于改进ShuffleNetV2的荔枝叶片病虫害图像识别

【目的】探索及时、准确识别危害荔枝叶片病虫害的方法,做好防护和治理工作。【方法】以常见荔枝叶片病虫害图像为研究对象,针对荔枝病虫害图像的病斑分布区域广、面积大小不一等特点,对ShuffleNet V2模型进行相应改进。首先,采集荔枝5类叶片病虫害制作数据集,采用数据增强操作构建更加丰富的数据集;其次,在网络特征提取模块采用混合空洞卷积,避免传统卷积在下采样过程中造成图像分辨率降低及信息丢失;然后,通过嵌入轻量型通道注意力模块ECA(efficient channel attention),增进特征图之间相互依赖关系。此外,删减模型中不必要的层数和通道数,降低模型的参数量及运算量。【结果】研究所改进模型在5类荔枝病虫害图像(毛毡病、炭疽病、煤烟病、叶瘿蚊、藻斑病)中达到了99.04%的识别准确率,比原网络ShuffleNet V2高出2.55%。相较于经典网络AlexNet、ResNet-18、DenseNet和MobileNet V2等,改进模型不仅有着更高的识别准确率,并且改进后模型参数量仅为0.059×10^(6),为原模型的4.92%,浮点运算量仅为0.183×10^(9)。【结论】研究结果适合部署在移动终端等嵌入式资源受限设备上,有助于实现对作物病虫害实时、准确地识别。

基于改进ShuffleNet V2网络的核桃破壳物料壳仁分类识别方法

核桃破壳后壳仁物料的高效无损分类检测是云南深纹核桃加工的关键技术缺口。本研究首先使用单独的下采样模块、网络浅层不使用深度卷积及网络深层使用H-Swish激活函数替代ReLu激活函数等优化策略,将ShuffleNet V2-0.5网络模型改进为C-ShuffleNet网络模型,实现轻量化的核桃破壳物料壳仁分类检测;然后,用核桃破壳物料壳仁数据集对改进前后的模型进行训练,进而对改进后的模型进行评估与检验;最后,将改进后的模型C-ShuffleNet与AlexNet、ResNet、EfficientNet、MobileNet等经典分类网络模型进行综合性能比较。结果表明,改进后的C-ShuffleNet模型大小比改进前的ShuffleNet V2-0.5压缩了8.9%,测试集准确率达到98.34%,比改进前提高了1.28个百分点,模型推理速度两者相差不大;与AlexNet、ResNet、EfficientNet、MobileNet等模型相比,C-ShuffleNet模型不但能保证较高的识别准确率,同时所占内存空间较小,识别时间更短,更加适合在嵌入式平台上开发应用。本研究结果为深纹核桃破壳物料壳仁自动化分类检测平台的开发提供了算法支持。

基于改进ShuffleNet V2的轻量级防风药材道地性智能识别

[目的/意义]目前,对于防风药材产地和品质的鉴别方法主要是根据其物理或化学特征,其方法需对中药材进行分离提取,存在耗时长,费用高,专业性强,技术难度大等问题,不利于推广应用。随着深度学习的不断发展,其无需人工提取特征、分类精度高等优点被广泛应用在中药材的识别之中。[方法]针对大多数卷积神经网络模型在识别防风药材时计算量大、精度低的问题,本研究提出了一种改进的ShuffieNet V2的轻量级防风道地性识别模型。在不降低网络性能的情况下调整模型架构,减少模型参数量和计算量,用沙漏残差网络(Hourglass Residual Network)代替传统残差网络,同时引入SE(Squeeze-and-Excitation)注意力机制,把具有附加信道注意力的沙漏残差网络嵌入到ShuffleNet V2中,使用SiLU激活函数替换ReLU激活函数,丰富局部特征学习,从而提出轻量化的中药防风道地性识别模型Shuffle-Hourglass SE。为了验证本文所提出模型的有效性,选用VGG16、MobileNet V2、ShuffleNet V2和SqueezeNet V2四种经典网络模型进行对比实验。[结果和讨论]结果表明,本研究提出的模型Shuffle-Hourglass SE获得了最佳性能。在测试集上取得95.32%的准确率、95.28%的召回率,F_(1)分数达到95.27%,测试时间、模型大小为246.34 ms和3.23 M,不仅在传统CNN网络中是最优的,在轻量级网络中也具有较大优势。[结论]本研究所提出的模型在保持较高识别精度的同时占用较少的储存空间,有助于在未来的低性能终端上实现防风道地性的实时诊断。

基于改进ShuffleNet V2的轻量化农作物害虫识别模型

及时准确地识别害虫是有效防治的重要前提。针对现有基于卷积神经网络的害虫识别模型实时性差、识别率低、结构复杂不易部署等问题,提出基于改进ShuffleNet V2的农作物害虫识别模型。首先,在ShuffleNet V2中引入多尺度特征融合模块LMFF(Lightweight Multi-scale Feature Fusion),加强模型对不同尺度害虫的特征提取能力;其次,在ECA(Efficient Channel Attention)注意力机制中增加并行路径,并通过可学习参数自适应更新不同路径的权重,提出AECA(Adaptive and Efficient Channel Attention)注意力机制,将AECA注意力机制嵌入到ShuffleNet V2中,提高模型的跨通道交互能力;然后,使用SiLU(Sigmoid Weighted Liner Unit)替换ReLU激活函数,增强模型的泛化能力;最后,通过调整输出通道数和核心模块的堆叠次数重新设计ShuffleNet V2的整体架构,降低模型的计算量和参数量,从而提出轻量化的农作物害虫识别模型SNPF(ShuffleNet for Pest Field)。试验结果表明,SNPF模型在自建害虫数据集上的平均识别准确率和F1分数为79.49%和78.54%,较改进前分别提高了4.00个百分点和3.09个百分点,而参数量和浮点运算量为3.74 M和0.48 G,较改进前分别下降了30.60%和18.60%。SNPF模型对单张害虫图像的平均推理时间为11.9 ms,与ResNet 50、GoogLeNet、EfficientNet B1等模型相比,SNPF模型的识别精度更高,并且识别时间分别减少了57.04%、50.21%和40.50%。该研究提出的SNPF模型能够较好地识别农作物害虫、并且具有识别速度快和轻量化的特点,可以为农作物害虫的防治提供帮助。

基于改进YOLOv8的小麦叶片病虫害检测轻量化模型

[目的/意义]针对小麦叶片病虫害在自然环境下形态和颜色特征较为复杂、区分度较低等特点,提出一种高质量高效的病虫害检测模型,即YOLOv8-SS (You Only Look Once Version 8-SS),为病虫害的预防与科学化治理提供准确的依据。[方法]基于YOLOv8算法,采用改进的轻量级卷积神经网络ShuffleNet V2作为主干网络提取图像特征即YOLOv8-S,在保持检测精度的同时,减少模型的参数数量和计算负载;在此基础上增加小目标检测层和注意力机制SEnet (Squeeze and Excitation Network),对YOLOv8-S进行改进,在不降低检测速度和不损失模型轻量化程度的情况下提高检测精度,提出YOLOv8-SS小麦叶片病虫害检测模型。[结果与讨论]YOLOv8-SS模型在实验数据集上的平均识别精度和检测准确率分别达89.41%和91.00%,对比原模型分别提高10.11%和7.42%。因此,本研究所提出的方法可显著提高农作物病虫害的检测鲁棒性,并增强模型对小目标图像特征的提取能力,从而高效准确地进行病虫害的检测和识别。[结论]本研究使用的方法具有广泛适用性,可应用于大规模农作物病虫害检测的实际场景中。

基于机器视觉的带式输送机落料口堆煤检测

针对带式输送机落料口堆煤检测存在准确性、实时性和可靠性差的问题,提出一种基于机器视觉的带式输送机落料口堆煤检测方法,利用工业相机采集落料口图像,通过以太网传输给堆煤检测器,堆煤检测器利用堆煤检测算法对图像进行处理与分析,实现堆煤检测,并通过以太网将检测结果传输给上位机。改进了ShuffleNetV2网络模型,用空洞卷积替代模型中的标准卷积,在不增加计算量的前提下增大感受野,在基本单元中增加了高效通道注意力模块ECA,提高特征提取能力。提出了改进ShuffleNetV2网络模型的堆煤检测算法,利用暗通道的图像去雾增强算法对采集的图像进行去雾和增强处理,构建了落料口图像数据集,利用该数据集训练改进ShuffleNetV2网络模型,再利用训练好的网络模型进行堆煤检测。采用Cortex-A57架构4核JetsonNano开发板设计了堆煤检测器的硬件和软件。研究结果表明:该方法能够实现带式输送机落料口堆煤的实时检测,准确率达到98.34%,图像处理速度为23帧/s。

基于边缘计算的实时目标检测算法

为了解决目标检测算法——SSD算法存在模型参数过多、存储需求大、对小目标检测效果不理想、难以应用于边缘计算设备的问题,提出一种基于SSD的改进算法SFF-SSD。该算法将SSD骨干网络改为ShuffleNet V2,并将网络中的Stage2_3和Stage3_7进行特征融合,形成新的特征提取层N_Stage3_7进行目标检测。同时,使用焦点损失函数处理不均衡正负样本的方法,改善SSD算法检测精度不稳定的问题。最后,采用对不同特征通道的重要性进行重标定的方式,引入SENet,提高网络的表示能力。实验结果表明:SFF-SSD算法在VOC2007数据集上参数量为5.465 MB,检测速度为77 fps,检测精度为73.96%,因此该研究方法可以在保证实时性和检测精度的同时满足边缘设备部署的要求。

轻量化的YOLOv4目标检测算法

YOLOv4目标检测算法主干网络庞大且参数量和计算量过多,难以部署在算力和存储资源有限的移动端嵌入式设备上。提出一种改进的YOLOv4目标检测算法,使用轻量化的ShuffleNet V2网络作为主干特征提取网络,更换模型激活函数及扩大卷积核,同时将YOLOv4网络中的普通卷积替换为深度可分离卷积,降低算法参数量、计算量和模型占用空间。在ShuffleNet V2网络结构的改进过程中分析并剪裁其基本组件,利用2个3×3卷积核级联的方式增强网络感受野,并使用Mish激活函数进一步提升网络检测精度和模型推理速度。在GPU平台和VisDrone 2020数据集上的实验结果表明,与YOLOv4算法相比,改进的YOLOv4算法在牺牲1.8个百分点的检测精度情况下,提高了27%的检测速度,压缩了23.7%的模型容量,并且能够充分发挥ZYNQ平台并行高速数据处理及低功耗的优势。