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ShuffleNet V2算法的三维视线估计

为了解决当前视线估计网络复杂度较深、精度不高的问题,同时为了未来将网络部署在移动设备端,提出了一种基于ShuffleNet V2算法的视线估计网络,其由脸部和眼睛两个子网络构成。脸部子网络通过ResNet V2网络对脸部图片进行特征处理,并加入人脸对齐算法,减少头部角度误差的影响。眼睛子网络通过ShuffleNet V2与ResNet V2算法进行眼睛图片的并行特征处理。网络对特征图片处理后得到角度参数,最后通过坐标变换得到视线角度。并在MPIIGaze数据集上进行了实验。针对精度的不足对算法进行改进,在ShuffleNet V2中加入注意力机制(逐点平方操作模块),并进行了改进算法的验证实验,最后和多种先进的算法进行了实验对比。实验表明,改进后的算法比其他算法的精度要高。

轻量级卷积神经网络在奶牛体况评分中的应用

为对奶牛体况信息进行高效地实时监测以便满足商业化的需求,提出一种改进轻量级注意力机制网络模型(Shuffle-ECANet)。首先,针对8972幅含有奶牛尾部的图像样本,通过专家对奶牛体况进行人工评分,并构建数据集;然后以轻量级ShuffleNet-v21×网络为基础,在特征提取过程中引入高效的通道注意力模块,强化网络对奶牛体况特征的提取能力。此外,采用H-Swish激活函数,避免神经元坏死现象;最后通过进一步精简网络结构得到Shuffle-ECANet网络模型。结果显示,Shuffle-ECANet模型针对各类别奶牛的识别准确率为97%以上,且在体况评分(body condition scoring,BCS)误差分别为0、≤0.25和≤0.5的体况评价结果中,Shuffle-ECANet模型均优于EfficientNet-v1、MobileNet-v3、ShuffleNet-v21×和ResNet34等模型,证明本研究方法的有效性。

基于改进ShuffleNet V2的室内可见光指纹定位算法

为增强室内可见光定位系统准确性及实时性,提出了基于改进ShuffleNet V2神经网络的可见光指纹定位算法。该算法使用参考节点的接收信号强度和到达角度作为联合指纹特征,并使用接收器坐标作为训练标签来创建指纹数据库。通过消融实验,改进了ShuffleNet V2网络结构,将指纹数据库引入改进ShuffleNet V2网络训练,实现不同数据通道之间的信息交流,提高了神经网络的特征提取能力。为比较和分析其他多种可见光室内定位算法的性能,体现所提算法的技术优势,进行了仿真实验,在室内5 m×5 m×3 m的定位场景下,提出的定位算法平均定位时间为174 ms,平均定位误差为2.30 cm,同时针对室内不同高度的定位精度也达到厘米级。

一种改进轻量化神经网络的齿轮箱故障诊断方法

针对齿轮箱故障诊断精度低以及深度神经网络模型对计算机硬件要求高等问题,提出了Shuffle-ECANet网络模型用于齿轮箱故障诊断。该模型以轻量化神经网络ShuffleNet V2为基础,在保留网络轻量化结构的同时对网络模型进行了优化,采用Gelu激活函数增强了模型非线性变换能力,嵌入高效通道注意力(efficient channel attention, ECA)模块以提高网络性能。深度可分离卷积提高了网络模型的运算效率,通道混洗技术使得信息更加流通,提高了特征表达能力。实验结果表明,本文所提网络模型在保证轻量化的同时适用于不同噪声工况的齿轮箱故障诊断,在原信号下可达99.6%的诊断准确率,在添加了信噪比为-8 dB的高斯白噪声下可达92.7%的诊断准确率。本文所提方法为神经网络更好地应用于齿轮箱故障诊断提供了一条新的途经。

基于改进深度学习的人体姿态识别方法研究

针对现有2D多人人体姿态识别方法存在的耗时长、准确率低等问题,在对人体姿态识别方法进行分析的基础上,提出了一种用于2D多人人体姿态识别的改进复合场。引入空洞卷积模块降低参数量的同时提高模型准确性,引入shuffleNet V2网络替换主干网ResNet提高模型识别速度。通过实验对所提方法的平均精确度、平均召回率和运行时间等进行分析。结果表明,与常规方法相比,所提方法对2D多人人体姿态识别具有较高的识别准确率和速度,1~8人的人体姿态平均识别时间为75ms。为计算机视觉的研究提供了一定的参考。

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。

改进CNN的供水管道泄漏声音识别

为了检测供水管道是否出现泄漏,同时针对人工检测精度低、背景噪音难以去除和现有检测设备的实用性低等问题,研究了一种基于卷积神经网络(convolutional neural network,CNN)的供水管道泄漏声音识别方法。首先设计水下机器人的供水管道内部声音实时采集系统,并利用用户数据报协议(user datagram protocol/internet protocol,UDP/IP)通信技术将该系统采集的声音信息上传至上位机,并对供水管道内的声音进行泄漏和不泄漏的划分且制作成数据集,提取泄漏音频和不泄漏音频样本的梅尔谱特征图,根据实时性选用轻量级卷积神经网络ShuffleNet V2进行训练和识别;其次引入卷积注意力模块(convolution block attention module,CBAM)到网络模型中,并对ShuffleNet V2的Unit1单元进行改进,提出了Unit1_y单元;最后将改进后的网络与MobileNet V3、ResNet18等轻量级网络进行对比。试验结果表明,改进后的网络模型相较于其他的模型对供水管道漏泄声音识别效果最佳且参数量低,占用上位机运算资源少,测试集识别率达到92.14%,验证了算法的有效性。

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。

改进的FCOS煤矿井下行人检测算法

针对煤矿井下对行人检测精度不足、实时性要求高、环境条件差、行人状态复杂等问题,提出一种改进的FCOS煤矿井下行人检测算法。该模型使用轻量级卷积神经网络ShuffleNet V2替换FCOS检测算法中的骨干网络ResNet-50,将原始网络中的特征金字塔结构改进为自上而下和自下而上的路径增强网络,同时利用由两组深度可分离卷积组成的轻量化检测头替换原始FCOS网络的检测头。在试验训练过程中,通过对井下行人检测数据进行尺度和颜色等数据增强来提升模型的泛化能力与鲁棒性。试验结果显示,改进的FCOS可以更好地实现检测精度与速度之间的平衡,该算法在基本不损失精度的情况下,平均精度均值(mean Average Precision)达51.9%,检测速度可以达到100帧/s。