改进YOLOv8n的花生品质检测方法

花生品质筛选在农业生产和食品安全中具有重要意义。针对传统花生品质筛选方法效率低的问题,提出改进YOLOv8n算法的轻量化花生品质检测模型LE-YOLO(lightweight and efficient)。提出一种分组重序颈部模块(grouped shuffling bottleneck,GSBottleneck),增加了模型非线性拟合能力,减少了模型推理时间;设计了残差分组重序模块(residual group shuffling block,ResGSBlock),并结合GSConv(grouped shuffle convolution)构建轻量颈部网络(lightweight neck,LW-Neck),减少了模型计算成本,提升了模型推理速度;提出自适应特征优化模块(adaptive feature optimization block,AFOB),增强了通道间信息交互和模型表征能力。在DW花生数据集上进行实验验证,相较于YOLOv8n算法,LE-YOLO的计算量减少了1 GFlops,FPS提升了25%,平均精度均值mAP@0.5达到了98%,验证了该算法在检测精度和速度上的良好性能,为花生品质筛选提供了一种有效的方法。

深度学习轻量化侦察图像压缩网络

为了满足小型侦察平台对低复杂度图像编码算法的应用需求,提出基于深度学习轻量化侦察图像压缩网络。轻量化侦察图像压缩网络编码端利用三个卷积模块直接将图像映射为服从均匀分布的二进制码流,得到压缩数据;在卷积模块中采用深度可分离卷积、分组卷积+通道重排等方式降低了编码端参数量和计算量。轻量化侦察图像压缩网络解码端采用转置卷积和残差连接等方式提高特征提取能力,进而提高解码图像质量。对分辨率为128×128实际采集图像的测试结果表明,与JPGE2000算法相比,基于深度学习轻量化侦察图像压缩网络PSNR提高了3.85 dB,编码时间降低了91%,实现了图像的轻量化编码压缩。

改进轻量化VTG-YOLOv7-tiny的钢材表面缺陷检测

针对钢材表面缺陷形态多样、结构复杂且存在检测目标漏检现象和算法参数量过大等问题,提出一种轻量化VTG-YOLOv7-tiny的钢材缺陷检测算法。该方法一是设计VoVGA-FPN网络,以减少信息传递过程中的丢失,增强网络特征融合能力;二是构建三重坐标注意力机制,提升模型对空间和通道信息的特征提取能力;三是引入鬼影混洗卷积,在提高精度的同时降低模型参数量和计算量;四是增加大目标检测层,改善特征图中部分缺陷占比较大,导致检测精度低的问题。在NEU-DET和Severstal钢材缺陷数据集进行实验验证,改进后算法与原模型相比,mAP分别提升5.7%和8.5%;参数量和计算量分别降低0.61 M和4.2 G;精确度和召回率分别提升7.1%,1.8%和8.9%,7.0%。实验结果表明,改进后的算法更好地平衡了检测精度和轻量化,为边缘终端设备提供了参考。

基于自适应特征增强分组卷积网络的电能质量扰动分类

分布式电源在接入电网时会产生复杂的电能质量扰动(power quality disturbances,PQDs),为提高对PQDs信号分类识别的准确率,构建了自适应特征增强分组卷积神经网络(grouping convolutional neural network with adaptive feature enhanced network,GCNN-AFEN)。GCNN-AFEN模型的核心:首先,对PQDs信号进行S变换形成时频矩阵图像,利用CNN与结构稀疏的GCNN相结合作为特征学习的基础框架以减少模型参数,进而提高运算速度;然后,AEFN模块通过通道注意力机制、频域特征增强和软阈值去噪环节,自适应学习扰动类型与对应特征图的相关性,增加信噪比,突出能够代表扰动类别的深层特征;最后,通过全连接层(fully connected layers,FC)和Softmax分类器进行分类识别。仿真实验表明,提出的模型对于电能质量扰动信号具有较高的分类识别准确率和噪声鲁棒性,能够用于电能质量扰动的快速识别和分类。

结合CWT和LightweightNet的滚动轴承实时故障诊断方法

针对普通的深度学习算法用于轴承故诊断分类时计算量大、消耗成本高的问题,提出一种结合连续小波变换和轻量级神经网络的滚动轴承实时故障诊断方法。首先,使用Morlet母小波函数对轴承振动加速度数据进行连续小波变换,提取出时频域特征并将一维信号转换成二维图片;然后,结合分组卷积、通道混洗、倒残差结构等轻量级神经网络设计元素设计一个轻量级卷积神经网络LightweightNet用于时频图片的故障分类,LightweightNet网络在保证具有足够特征提取能力的同时还具有轻量级特点。使用凯斯西储大学轴承故障数据集进行实验表明,本方法相比于其他使用经典轻量级神经网络的方法具有更少的参数、最高的准确率和更快的诊断速度,基本可以实现滚动轴承的实时故障诊断,且在内存消耗与模型存储占用空间方面远小于其他同类方法。

基于组卷积特征融合的One-Stage目标检测模型

由于移动终端计算能力和内存大小的限制,在移动设备上进行实时目标检测具有非常大的挑战性。为了更好地在无人驾驶汽车等移动设备上进行目标检测,该文以YOLOv3单阶段目标检测模型为基础,对部署在移动设备上的目标检测模型进行优化,以提高模型的检测精度(MAP)并降低计算复杂度。具体改进措施为:基于DarkNet-53为主干网络引入组卷积和通道洗牌技术;基于M.G.Hluchyj等学者提出的网络设计指导原则,对主干网络的残差单元和下采样单元进行修改优化;为减轻YOLOv3模型对于密集目标的漏选和标签重写问题,引入特征混合金字塔模型。通过在Pascal VOC2007和VOC2012数据集上进行实验对比,优化模型的整体精度较YOLOv3提高8.17%,模型参数量降低1.21 M,在与YOLOv4的参数量大体相等的情况下达到了YOLOv4的检测精度。

基于交错组卷积与稀疏全局注意力的轻量级图像超分辨率重建

卷积神经网络已在图像超分辨率领域得到广泛应用,Transformer近年来在该类图像处理任务中的扩展更是具有里程碑的意义,然而这些大型网络具有过多的参数量和计算量,其在部署和应用上存在很大局限性。考虑到上述发展现状,提出一种基于交错组卷积与稀疏全局注意力的轻量级图像超分辨率重建网络,该网络引入了以交错组卷积为主的特征提取模块,对Transformer的多头自注意力机制进行优化,设计了一种稀疏全局注意力机制以增强特征学习能力,并提出了一种多尺度特征重构模块来提高重建效果。实验结果表明:相比其他几种基于深度神经网络的方法,所提方法的PSNR、SSIM、参数量、计算量等性能指标都表现较好。而与基于Transfomer的方法相比,所提方法在PSNR、SSIM指标上平均提高0.03、0.0002,在参数量、计算量、运行时间上平均降低2.66×10^(6)、130×10^(9)、930 ms。