基于改进MobileNetV3网络煤矸识别方法研究

为了解决煤矸识别中经典卷积神经网络有着计算量大、识别速度慢等问题,提出基于改进MobileNetV3网络对煤和矸石进行识别的方法。以MobileNetV3模型为基础模型,对激活函数、注意力机制进行改进并对网络层数进行缩减,最后通过测试准确率,F1分数,浮点运算次数(FLOPs)作为模型评估的基准,结果表明:改进MobileNetV3后的测试准确率为99.5%,F1分数为0.995,FLOPs为50455003次,通过该模型与MobileNetV3,EfficientNet, AlexNet模型对比,可知该模型的各项指标均高于其他模型,适合做煤矸识别模型。

基于改进型RFB-MobileNetV3的棉杂图像检测

针对深度卷积神经网络模型复杂导致嵌入式设备难以满足实时在线检测的问题,提出改进型RFB-MobileNetV3(RFB-MNV3)的棉杂检测方法。首先,根据高精度轻量化网络模型的构建和保证检测准确率高的前提下,减少MNV3冗余网络结构;其次,将3×3卷积层取代5×5卷积层,1×3+3×1卷积层折叠取代3×3卷积层作为改进型感受野(RFB)模块部署到改进型MNV3的池化层中,以提升棉杂的在线检测速度和准确率;最后,将改进前后的算法与其它检测算法进行比较。结果表明,改进型RFB-MNV3算法的单张检测速度可达到0.02 s,在线检测平均准确率达到89.05%。通过对MNV3网络结构进行改进,在保证高检测准确率的前提下,可满足嵌入式设备在线棉杂检测的需求。

基于YOLOX-MobileNetV3模型的路面病害智能识别研究

目前处理探地雷达(GroundPenetrating Radar,GPR)数据主要依赖于人工,容易造成病害识别误判、漏判率大、速度慢等问题,因此GPR智能目标识别已成为近几年的研究热点。本文提出基于卷积神经网络中的YOLOX-MobileNetV3模型来实现路面病害自动识别,利用三维数据的高信息量和深度学习智能提取特征的优势,实现路面病害的智能化识别。首先对三维探地雷达得到的GPR图片进行预处理,然后以3∶1的训练集和测试集数量比例对数据进行3轮训练和测试,并利用平均精确度、全类平均精确度、精确度、召回率、F1值、平均漏检率等指标来评价3次训练和测试的结果。结果表明:YOLOX-MobileNetV3模型的训练损失权重平均为5.014,测试准确率平均为61.35%。该模型识别路面结构病害尤其是裂缝、层间黏结不良的准确率较高。同时随着训练与测试轮数的增加,其精确度也会随之增加,召回率会随之减小。由此可见,YOLOX-MobileNetV3模型能够实现路面病害自动识别。

融合MobileNetV3特征的结构化剪枝方法

传统的深度神经网络由于计算量和内存占用庞大,难以部署到嵌入式平台中发挥实用价值,所以轻量级的深度神经网络得到快速发展.其中,谷歌提出的轻量级架构MobileNet具有广泛的应用.为了进一步提高性能,MobileNet的模型由MobileNetV1发展到MobileNetV3,但模型变得更为复杂,导致其规模不断扩大,难以发挥轻量级模型的优势.为了在能保持MobileNetV3性能的前提下,降低部署于嵌入式平台的难度,提出一种融合MobileNetV3特征的结构化剪枝方法,对MobileNetV3-Large模型进行裁剪,得到一个更加紧凑的模型.首先对模型进行稀疏正则化训练,得到一个较为稀疏的网络模型;然后使用卷积层的稀疏值和批量归一化层的缩放系数的乘积判别冗余滤波器对其进行结构化剪枝,并在CIFAR-10和CIFAR-100数据集上进行实验.实验结果表明:提出的压缩方法可以有效压缩模型参数,并且压缩后模型仍然能保证良好性能;在准确率不变的前提下,CIFAR-10上模型的参数量减少44.5%,且计算量减少40%.

基于MobileNetV3多尺度特征融合的人脸表情识别

针对人脸表情识别中普通卷积神经网络特征提取能力不足且识别效率低下的情况,本文提出了一种基于MobileNetV3多尺度特征融合的人脸表情识别。首先利用MobileNetV3进行特征提取以获得高层次情感信息;其次在骨干网络中借鉴DenseNet结构,增强特征复用并提升网络重要面部特征表达能力;然后利用特征金字塔模块充分获取人脸图像的深层和浅层多尺度融合特征,从而提高了MobileNetV3的特征提取能力和实时性;最后利用全连接层构建分类器对表情进行分类,从而完成了人脸表情识别。通过实验验证,结果表明,在CK+和FERPlus数据集上识别准确率可以达到88.3%和98.8%,与现有方法相比分别提高了2.3%和1.5%,表明了所提方法识别效果好,泛化能力强。

基于改进DeeplabV3+的遥感图像道路分割模型

针对遥感图像道路分割边界模糊和遮挡难以区分的问题,提出了基于改进DeeplabV3+的遥感图像道路分割模型。该模型在主干网络中引入MobileNetV3和高效通道注意力机制(ECA),减少了参数量并关注连续的道路特征信息。在解码过程中采用多级上采样,增强了编码器和解码器之间的紧密连接,全面保留了细节信息。同时,在ASPP模块中采用深度可分离膨胀卷积DS-ASPP,显著减少了参数量。实验结果表明,该模型在Massachusetts Roads数据集上的交并比达到了83.71%,准确率达到了93.71%,分割精度最优,模型参数量为55.57×10^(6),能够有效地避免边界模糊和遮挡导致的错漏检问题,在遥感道路分割中提高了精度和速度。

基于改进YOLOv5s的轻量化交通灯检测算法

针对目前交通灯检测算法网络模型参数量过大、实时性差的问题,提出了一种基于改进YOLOv5s的轻量化交通灯检测算法.首先,用轻量化网络MobileNetv3替换原主干网络并引入注意力机制,在对检测精度影响不大的前提下降低模型参数量;然后,使用深度可分离卷积替换颈部网络中的传统标准卷积,进一步降低模型参数量;接着,针对交通灯尺度小的特点,删除检测大目标的检测层;最后,改进边框回归损失函数,提升边框检测精度.同时,为了能实时部署在嵌入式平台,该算法对网络进行通道剪枝实现模型压缩和加速.实验结果表明,该算法在嵌入式平台NVIDIA Jetson Xavier NX上能达到48.1帧/s的检测速度,相比原始YOLOv5s牺牲了1.5%的mAP,但是该模型体积压缩了54.3%,检测速度提高为原来的2.6倍,可以满足在交通道路中实时对交通灯检测的需要.

基于SSD-MobilenetV3模型的车辆检测

针对自动驾驶平台车辆检测问题,提出一种结合迁移学习的卷积神经网络(CNN)模型SSD-MobilenetV3。网络结合SSD检测速度较快与MobilenetV3占用内存小的优点,将SSD模型的基础网络替换成MobilenetV3。首先,结合迁移学习的方法,在COCO数据集上对网络进行预训练,再使用自建融合车辆数据集对预训练模型全连接层进行重新训练,可在短时间训练下得到收敛,并有较好的准确率。实验结果表明:相比原SSD模型,检测准确率达到85.6%,提高了3.1%;参数量减为16.9 Mbyte,减少了83.1%。模型在准确率小幅上升的同时,大幅度减少占用内存,更适用于自动驾驶平台。

基于MBE-YOLOv5的轻量化化工袋目标检测方法

针对化工厂中化工袋种类繁多、遮挡干扰、放置复杂等因素,导致化工袋识别模型的定位效果较差、实时性不佳等问题,提出一种基于MBE-YOLOv5的轻量化化工袋目标检测方法。首先,用MobileNetV3网络替换YOLOv5的主干网络,降低模型的参数和运算量,提高模型的检测速度;然后,在YOLOv5的颈部网络引入双向特征金字塔网络结构进行多尺度特征融合,提高模型的识别准确率;最后,采用EIoU函数优化损失,提高模型的定位精度。实验结果表明,MBE-YOLOv5模型相比YOLOv5模型,参数量下降了37.7%,运算量降低了58.1%,检测速度提升了9.5%,mAP@0.5提高了0.7%;在检测速度和检测精度之间取得较好的平衡,能满足化工袋在线检测识别定位的要求。

基于改进YOLOv4模型的番茄成熟度检测方法

目的:解决现有番茄成熟度检测方法存在的检测精度低和模型参数量多等问题。方法:基于番茄图像采集系统,提出了一种改进的YOLOv4模型用于番茄成熟度自动检测。将轻量级网络MobileNetv3网络引入模型替换CSPDarkNet53网络,降低模型复杂度。在SPP模块中采用平均池化替代最大池化,提高算法对小目标的检测精度。在上采样过程中引入注意力机制CBAM增强深浅层特征融合能力,并通过试验验证所提模型的可行性。结果:与常规方法相比,试验方法在番茄成熟度检测中具有较高的检测mAP值和运行效率,且模型参数量较少,mAP值为92.50%,检测速度为37.1 FPS,模型参数量为48 M。结论:该番茄成熟度检测方法能有效降低模型参数和检测时间,具有较高的检测mAP值。

基于改进YOLOv4模型的群养生猪姿态检测

为了提升猪舍环境下生猪姿态检测的速度和性能,在YOLOv4模型的基础上提出一种改进的Mini_YOLOv4模型。首先,该模型将YOLOv4的特征提取网络改为轻量级的MobileNetV3网络结构,以降低模型参数量;其次,在检测网络的CBL_block1、CBL_block2模块中使用深度可分离卷积代替传统卷积,避免了复杂模型导致的内存不足和高延迟问题;最后,将原YOLOv4网络每个尺度的最后一层3×3卷积改为Inception网络结构,以提高模型在生猪姿态检测上的准确率。应用上述模型,对生猪的站立、坐立、腹卧、趴卧和侧卧5类姿态进行识别。结果显示,Mini_YOLOv4模型较YOLOv4模型在检测精度上提升了4.01百分点,在检测速度上提升近1倍,在保证识别精度的同时提升了实时性,可为生猪行为识别提供技术参考。

轻量化网络模型的道路目标检测算法

根据实际需求,在道路目标检测过程中需要快速、准确地识别出目标的种类,针对YOLOv3目标检测算法在道路目标检测过程中存在速度慢、检测精确率不高的问题,提出了一种兼顾轻量化与检测精确率,并且可部署于移动端的轻量化卷积神经网络算法YOLOv3_M。使用ISODATA动态聚类算法对BDD与KITTI混合数据集聚类分析,找出更适合目标的Anchor Box;用MobileNetv3-Large网络代替原始YOLOv3网络中的特征提取网络Darknrt53,在降低主干网络复杂度的同时可以减小模型的参数;在特征融合网络部分加入CBAM注意力机制。实验结果表明,改进后的YOLOv3_M算法在混合数据集上测试的平均精度均值(mean Average Precision,mAP)提升了3.45%,推断速度比YOLOv3算法增加了17.5帧/秒,具有较好的实用性。

基于改进YOLOv5s的轻量化车辆目标检测算法

针对现有的车辆检测算法对小目标的识别存在漏检、误检以及精度识别较低,模型参数较多的问题,为实现对车辆运行情况的实时监测,提出了一种基于改进YOLOv5s的轻量化车辆检测算法,通过使用轻量级MobileNetv3网络对YOLOv5s的骨干网络进行替换,且将原算法中的损失函数CIOU替换成EIOU。实验证明,改进后的YOLOv5s-M3算法的参数量降低了0.94 M,降低了模型的复杂程度,检测速度提升了7帧/s,提高了实时检测速度。

改进YOLOv5s的摩托车头盔佩戴检测算法

针对摩托车头盔佩戴检测准确率低和检测速率慢的问题,提出一种基于YOLOv5s的改进摩托车头盔检测算法。首先,在YOLOv5s的多尺度特征检测中增加浅层检测尺度和4倍上采样特征融合结构,以提升检测准确率。其次,引入卷积注意力模块(Convolutional Block Attention Module,CBAM),以提升对聚集目标的关注,有效解决因遮挡、重叠导致的漏检和误检问题。最后,使用MobilenetV3的Block结构替换主干网络及颈部中的瓶颈结构,实现了降低网络参数量的目的。实验结果表明,相较于YOLOv5s算法,改进算法的mAP提高了2.91%,检测速率达到了36 frame/s,在保证较高检测速率的同时检测精度更高,具有一定的应用价值。

基于轻量化YOLOv4的发电机定子表面缺陷检测算法

目前大型发电机定子表面缺陷检测主要以抽转子的人工检测为主,存在检测周期长,准确率差等问题,论文提出一种基于轻量化YOLOv4的发电机定子表面缺陷检测算法,以腔内爬壁机器人为载体进行定子缺陷检测。将改进的MobileNetv3作为算法的主干特征提取网络,通过在特征融合层引入CSP结构,融合卷积层和BN层的方法,使得论文算法模型体积较YOLOv4大幅减小。实验结果表明,论文算法在本文发电机定子表面缺陷数据集上的平均检测精度为98.3%,优于原始YOLOv4,模型体积比YOLOv4缩小了84.5%,检测速度提高了45.4%,表明了该方法在嵌入式平台上进行发电机定子缺陷实时检测的应用前景。

一种轻量化YOLOv4的遥感影像桥梁目标检测算法

深度学习技术发展迅速,在目标检测中表现出良好的适应性。针对YOLOv4算法在遥感影像桥梁目标检测任务中的检测效率较低和模型轻量化不足问题,使用轻量化的MobileNetv3骨干网络替换原始CSPDarkNet53骨干网络,将传统卷积层替换为深度超参数化卷积层(DO_Conv),提出一种兼具精度和检测效率的轻量化模型。实验表明:比较原始YOLOv4算法,本文算法将模型权重降低55%,检测效率提升70%以上,证明了本文改进之处的有效性;在精度方面,本文算法在与SSD、RetinaNet、YOLOv3和CenterNet等经典目标检测算法比较中仍保持精度优势。与YOLOv4算法相比,本文算法在难度较低的检测任务中精度损失较低,但在检测难度较高的DOTA桥梁数据集中精度损失明显。

基于深度学习的绝缘子缺失检测方法研究

绝缘子缺陷严重影响输电线路安全,航拍图像绝缘子缺失的有效识别是无人机线路巡检。提出一种轻量级网络的绝缘子缺失检测模型,使用轻量级网络MobileNetV3替换YOLOv4模型的CSPDarknet53网络。以分割性能和计算速度为判据,综合分析比较了YOLOv4模型和使用轻量型网络对其主干网络替换后的模型在绝缘子缺失检测上的性能,实验结果表明:筛选的YOLOv4-MobileNetV3轻量级网络绝缘子缺失检测模型能够准确定位图像中单、多目标绝缘子;改进后YOLOv4-MobileNetV3检测模型比原模型的体积减少了78%,FPS提升了4.85 f/s,而mAP仅降低0.6%。提出的绝缘子缺失检测方法能够满足无人机电力线路巡检的需求。

对SSD模型改进与优化的人脸检测算法研究

本文提出基于MobileNetV3 CBAM+SSD的人脸检测模型,首先将MobileNetV3轻量化网络代替SSD模型的主干特征提取网络VGG 16,提高了模型的检测速度,然后在SSD模型中引入CBAM轻量级注意力机制,提高了模型的检测精度,最后将本文所提算法与SSD和MobileNetV3 SSD算法进行实验性能对比。实验结果表明,本文提出的人脸检测模型在DataSet数据集下平均精度均值达到94.58%,提高了9.91%,检测速度提高了42帧/s,计算参数和模型大小减少,基本满足应用要求。

轻量化MSP-CenterNet目标检测方法

针对目标检测算法参数多、计算量大以及上下文信息融合度较差的问题,本文提出一种基于CenterNet的融合上下文的轻量化MSP-CenterNet模型。首先,MobileNetV3轻量化网络作为骨干网络,实现参数量和模型的缩减;其次,用SPP模块增加网络的感受野;最后,结合简化版PANet,将上下文信息更好的融合,从而提升网络的检测精度。在PASCAL VOC数据集上进行测试,MSP-CenterNet模型的mAP为80.2%,速度为42FPS,模型大小为38.7MB。相比CenterNet在准确率仅低3.2个百分点的情况下,检测速度FPS提升约40%,模型缩减约2/3,更具有适用性。

多尺度特征融合轻量化夜间红外行人实时检测

针对辅助驾驶中夜间小目标红外行人检测精度低、网络模型占用内存空间大、检测速度难以满足实时检测要求等问题,提出了一种轻量化的夜间红外图像行人检测神经网络YOLO-Person。首先提出一种以MobileNetV3轻量化网络为骨干网络,以多尺度融合目标检测层为预测模块的网络模型,以解决网络模型大、推理速度慢的问题,大幅减少了模型计算量,初步实现轻量化;然后通过在网络中添加空间金字塔池化模块与更小感受野的检测层,增强网络输出特征图的表征能力,解决数据集中行人目标尺度大小不均衡的问题,提高模型的红外行人检测精度;最后应用通道剪枝对模型进行剪枝,减少特征图的通道数,获得最终网络模型YOLO-Person。通过Jetson Nano移动开发平台,在夜间红外图像行人数据集上验证YOLO-Person轻量化模型,结果表明:与YOLOv3网络模型相比,提出的YOLO-Person网络模型更适于移动端的夜间红外行人检测,平均检测精度达到了92.2%,检测速度由26frame/s提高到了69frame/s,模型大小也由246MB减少到了11.7MB。