基于SimCC-ShuffleNetV2的轻量化奶牛关键点检测方法

针对现有深度学习技术在奶牛关键点检测研究中尚存在网络复杂度高、检测速度慢等问题,提出了一种轻量化奶牛关键点检测模型SimCC-ShuffleNetV2。在模型中,主干网络采用ShuffleNetV2用于特征提取,有利于实现网络的轻量化;检测头采用SimCC用于关键点位置预测,SimCC采取坐标分类的方法使得检测更加简单高效。为了验证模型的性能,本研究设计了奶牛的关键点及骨架结构,并标注了3600幅图像用于模型的训练与测试。试验结果表明,SimCC-ShuffleNetV2模型的AP50:95为88.07%,浮点运算量为1.5×10^(8),参数量为1.31×10^(6),检测速度为10.87 f/s,可以实现奶牛关键点的精确与高效检测。与基于回归的DeepPose网络、基于热力图的HRNet网络进行了对比试验,结果表明SimCC-ShuffleNetV2取得了精度与速度的良好平衡。同时,本研究通过更换不同主干与不同检测头的方式,对比验证了不同模块对模型性能影响,本研究所提出的模型在所有试验中均取得了最佳结果,表明ShuffleNetV2与SimCC的组合具备良好的关键点检测性能。为了验证模型的有效性,将模型应用于4种动作视频中提取骨架序列并将其送入ST-GCN网络以实现不同动作的分类,其分类准确率为84.56%,表明本研究提出的SimCC-ShuffleNetV2模型是良好的关键点提取器,可为奶牛行为识别等任务提供关键信息支撑。

基于改进ShuffleNetV2模型的光伏板灰尘识别

鉴于灰尘积聚是光伏组件功率损失的主要因素之一,针对灰尘颗粒的特性及克服利用扫描电子显微镜成本昂贵问题,提出了一种利用改进的ShuffleNetV2模型来识别光伏板上的灰尘.以ShuffleNetV2网络模型为基础模型,采用Mish激活函数,将更好的特征信息深入神经网络;然后运用混合深度卷积保证特征提取的丰富性;最后利用坐标注意力机制模块替换ShuffleNetV2模型中基本单元右分支尾部的逐点卷积,从而在提高精度的同时也减少了计算量.实验结果表明,所提改进的ShuffleNetV2模型与已有的经典模型相比,准确度更高,模型复杂度更低,有效地证明了所给方案是可行的.

基于改进ShuffleNetV2的图像分类算法

对ShuffleNetV2的轻量级分类网络进行了研究,提出了一种改进图像分类方法,来提高图像分类的准确性。相比于传统的卷积神经网络,可以提高模型的分类准确度和速度。首先,改进的模型引入6 × 6的深度分离卷积来替代原来3 × 3的深度分离卷积,来增加分类的准确度,其次,改进的模型应用了扁平层对数据进行降尺度和增加全连接层来提升学习能力。此外,改进的模型还对比了其他传统CNN模型的图像分类表现,选取cifar10/100数据集进行实验,实验结果表明改进的模型在准确度上提高了2%以上。

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ShuffleNetV2的织物颜色恒常性算法

针对工业生产中织物色差检验存在色偏、部署在计算机资源有限的移动终端的算法适配性不强、实时准确校正织物的色偏准确率不高的问题,提出一种基于改进ShuffleNetV2的轻量级织物颜色恒常性算法。以ShuffleNetV2的框架为基础,使用H-Sigmoid激活函数代替ReLU激活函数,引入注意力机制,使用多通道置信加权估计出全局场景光源。然后,在Gehler-shi和NUS-8数据集上的进行实验。实验结果表明,相较于已有的颜色恒常性算法,所提的轻量级网络各项评价指标提高约0.2,可用于织物的颜色校正任务中。

基于改进ShuffleNetV2模型的声目标识别方法研究

轻量级神经网络模型参数量大幅减少,且速度得到了很大的提升,然而,检测的准确率却不高。因此,对轻量级ShuffleNetV2模型进行改进,加入3×3的Depthwise卷积核,同时降低1×1的卷积核和引入注意力机制SE模块。在ImageNet数据集中进行ShuffleNetV2模型预训练。然后,将改进的ShuffleNetV2模型与其他4种网络模型进行了实验对比。结果表明:改进ShuffleNetV2模型的综合性能最佳;与SE-ShuffleNetV2模型相比,在参数量和计算量一样时,其准确率提高了7.25%。改进的ShuffleNetV2模型为移动端的声目标精确识别进一步奠定了基础。

基于改进ShuffleNetV2的轻量级花色布匹瑕疵检测

布匹瑕疵检测是纺织业质量管理的重要环节.在嵌入式设备上实现准确、快速的布匹瑕疵检测能有效降低成本,因而价值巨大.考虑到实际生产中花色布匹瑕疵具有背景复杂、数量差异大、极端长宽比和小瑕疵占比高等结构特性,提出一种基于轻量级模型的花色布匹瑕疵检测方法并将其部署在嵌入式设备Raspberry Pi 4B上.首先在一阶段目标检测网络YOLO的基础上用轻量级特征提取网络ShuffleNetV2提取花色布匹瑕疵的特征,以减少网络结构复杂度及参数量,提升检测速度;其次是检测头的解耦合,将分类与定位任务分离,以提升模型收敛速度;此外引入CIoU作为瑕疵位置回归损失函数,提高瑕疵定位准确性.实验结果表明,本文算法在Raspberry Pi 4B上可达8.6 FPS的检测速度,可满足纺织工业应用需求.

基于SKPE-ShuffleNetv2的药片缺陷识别方法

针对现有企业在药片生产过程中使用的缺陷识别方法识别精度低、网络参数量多、移动端模型部署难的问题,提出了一种基于SKPE-ShuffleNetv2的药片缺陷识别算法。首先,将ShuffleNetv2模型中的ShuffleNetv2 Unit1和Unit2模块分别与SK-Net注意力机制进行融合,提出新的Shuffle-SK Unit1和Unit2模块;其次,设计MPECA混合池化通道注意力机制,利用最大池化和平均池化共同抑制通道维度中冗余信息的干扰,从而加强缺陷药片显著性特征的表达;最后,减少Shuffle-SK Unit1模块的重复堆叠次数,在保证识别精度的同时,使模型更加轻量化。实验结果表明,改进后的SKPE-ShuffleNetv20.5×和1.0×网络模型的平均准确率分别为97.70%和98.37%,相较于原ShuffleNetv20.5×和1.0×网络模型分别提高了5.05%和3.19%,且与其他比较模型相比,也具有更好的识别性能。

基于改进ShuffleNetv2的轻量化遥感影像地面目标检测方法

提出一种用于遥感影像地面目标检测的轻量化检测模型,以ShuffleNetv2作为模型的特征提取骨干网络,在网络前三层引入基于风格重新校准通道注意力模块来提高模型对小尺寸样本的学习能力;使用多级特征图融合机制构建特征图金字塔,将浅层特征与深层充分融合,以进一步增强模型对不同尺寸目标特征的学习能力。基于RSOD Dataset创建训练和测试数据集,并在消融实验中验证了所使用改进策略对精度提高的实际效果,在模型对比试验中验证了本文模型在检测精度、速度以及模型体量方面的优越性。

一种基于改进ShuffleNetV2的轻量化负荷识别方法分析

近年来,非侵入式负荷监测技术对硬件资源要求越来较高,为了加快计算速度,保持精度的同时,减少参数和计算量,加速网络运算,用于硬件资源较少的嵌入式设备,本文提出基于改进ShuffleNetV2的轻量化负荷识别方法,并提出了名为S-Net的轻量化网络模型,它基于ShuffleNetV2的基本单元加入SE注意力机制,提升网络的表现,同时减少网络的参数量。S-Net的基本结构使用SE模块和S-Moudle模块来构建卷积层,SE模块能够让网络在学习特征时更加注重有用的特征,同时削弱无用的特征,从而提高网络的表现。实验结果与分析表明,S-Net在参数和准确率上都有明显的性能提升,S-Net在处理高污染和低信噪比的电荷数据集方面表现较好,相比于ShuffleNetV2,在准确率上得分方面略高。在参数量上,S-Net的参数约为ShuffleNet V2的2/7。

基于改进ShuffleNetV2模型的荔枝病虫害识别方法

为更好地助力荔枝病虫害防治工作,推进荔枝产业健康发展,本文以所收集的荔枝病虫害图像数据集为研究对象,基于轻量型卷积神经网络ShuffleNetV2模型,提出一个高精度、稳定且适用于荔枝病虫害的识别模型SHTNet。首先,在ShuffleNetV2模型中引入注意力机制SimAM,不额外增加网络参数的同时,增强重要特征的有效提取,强化荔枝病虫害特征并抑制背景特征。其次,在保证模型识别精度的同时,采用激活函数Hardswish减少网络模型参数量,使网络更加轻量化。最后,在改进模型上采用迁移学习方法,将源数据(Mini-ImageNet数据集)学习到的知识迁移到目标数据(数据增强后的荔枝病虫害图像数据集),增强模型识别不同的荔枝病虫害种类的适应性。实验结果表明,与原始ShuffleNetV2模型相比,本文提出的荔枝病虫害识别模型SHTNet的准确率达到84.9%,提高8.8个百分点;精确率达到78.1%,提高9个百分点;召回率达到73.2%,提高8.8个百分点;F1值达到75.8%,提高10.2个百分点;且综合性能明显优于ResNet34、ResNeXt50和MobileNetV3-large模型。本文提出的荔枝病虫害识别模型具有较高的识别精度和较强的泛化能力,为荔枝病虫害实时在线识别奠定了技术基础。

基于ShuffleNetv2-YOLOv3模型的静态手势实时识别方法

针对移动端平台下计算资源有限、存储空间小的特点,提出高效的ShuffleNetv2及YOLOv3集成网络静态手势实时识别方法,以减小模型对硬件的计算能力需求.通过将轻量化网络ShuffleNetv2代替Darknet-53作为主干网络,减小模型的计算复杂度.引入CBAM注意力机制模块,加强网络对空间和通道的关注度.采用K-means聚类算法,重新生成Anchors的长宽比和数量,使重新生成的Anchors尺寸对目标进行精确定位来提高模型的检测精度.实验结果表明,提出算法在手势识别上的平均识别准确率为99.2%,识别速度为44帧/s,单张416×416图片在GPU上的推理时间为15 ms,CPU上的推理时间为58 ms,模型所占内存为15.1 MB.该方法具有识别精度高、识别速度快、内存占用率低等优点,有利于模型在移动终端上部署.

基于SPRRD-ShuffleNetV2的GF-2图像茶种植区快速提取方法

由于茶树在光谱特征上与其他农作物种植区具有相似性,导致茶种植区的遥感识别具有比较大的难度。为了在保证提取精度能达到基本实际需求的前提下,有效提高高分辨率遥感图像茶区提取速度,提出了一种基于SPRRD-ShuffleNetV2的遥感图像茶种植区快速提取方法。首先,以去除了最后1×1卷积层、全局池化层和全连接层的ShuffleNetV2网络作为编码器,并增加解码器以实现像素级分类;然后,在几乎不增加参数量、不影响推理速度的前提下,在编码器部分增加增强条纹池化模块和混合池化模块,用于捕获全局和局部依赖关系,在解码器部分增加残差优化块,用于优化输出特征。使用高分二号图像作为实验数据源。结果表明,该方法能够满足基本提取精度需求,并有效提高了提取速度。

基于ShuffleNetv2-plus-YOLOX算法的压铸件缺陷检测

针对压铸件缺陷检测的数据集难以收集、检测效率较低以及工作环境较差等问题,开发了基于YOLOX模型的压铸件缺陷检测软件。用自开发软件的数据增强模块对原始数据集进行增强,解决了压铸件缺陷数据集不充裕的问题;随后将YOLOX算法的Darknet53结构替换为ShuffleNetv2-plus结构,使得利用YOLOX模型检测压铸件缺陷的平均检测精度由原模型的86.51%提升至89.19%,提升了YOLOX模型识别压铸件缺陷的准确率。

基于改进ShuffleNetV2的男西服领型识别与分类模型

针对男西服领型款式识别分类效果不佳的问题,提出一种基于改进ShuffleNetV2的识别与分类模型。首先收集男西服样本图像,建立包含9类男西服领型的样本库;其次以ShuffleNetV2模型为基础,引入CBAM注意力机制、H-Swish激活函数来增强模型特征提取能力,有效防止神经元坏死;另外利用迁移学习的方法再次增强模型的特征提取能力,提高模型的识别适应性和识别精度;最后对样本库数据集进行数据增强后开始训练验证。实验结果对比表明,本文的改进模型可以实现对男西服领型的有效识别和分类,平均准确率达到92.82%。本文为解决男西服领型识别与分类困难等问题提供了有效的解决方案,对服装定制行业的分类识别具有借鉴意义。

基于改进的ShuffleNetV2模型的农作物病害识别

针对传统数字图像处理技术的底层特征提取复杂,卷积神经网络的识别方法参数多、计算量大、网络结构复杂、实用性不高等问题,论文以构建一个能用于移动端应用的农作物病害识别模型为目标,以苹果黑星病、苹果锈病、苹果健康三种叶部图像为研究对象,从提升精度、降低计算量两个维度出发,提出一种基于改进的ShuffleNetV2卷积神经网络的病害识别模型:1)嵌入SK注意力机制;2)扩大DepthWise卷积核;3)裁剪无用卷积;4)改用PReLU激活函数。实验结果表明,改进后的模型在APPLE_Mix数据集上的准确率为98.75%,较原ShuffleNetV2准确率提升2.05%,Flops计算量降低18.9%,参数量增加6.9%,内存增加0.03 MB(均在可接受范围之内),能较好地平衡模型复杂度与识别精度。

结合波段选择与改进 Shufflenetv2 的土地利用变化检测

为了使轻量级深度分类模型准确检测遥感图像中的土地利用变化区域,提出结合波段选择与改进Shufflenetv2的土地利用变化检测技术。首先通过基于波段选择的图像增强方法,针对性选择遥感图像的RGB波段组成突出图像中的地物特征;然后引入自适应卷积核尺度注意力机制对轻量级深度分类模型Shufflenetv2进行改进,自适应选取最佳尺度卷积核,提高模型特征提取能力,同时使用空洞卷积替换注意力机制模块中的普通卷积在获得相同感受野的条件下减少模型参数量;最后训练模型并应用于土地利用变化检测。将本文方法在Euro SAT数据集中进行实验。结果表明,基于波段选择的图像增强方法能够有效提高深度学习模型的检测精度。改进模型SK_Shufflenetv2在保持模型轻量化的同时具有良好的检测性能。

基于轻量化网络与增强多尺度特征融合的绝缘子缺陷检测

随着无人机搭载目标检测算法在输电杆塔绝缘子巡检领域的发展,针对绝缘子缺陷检测速度较低,网络复杂度高且缺陷小目标难以准确检测的问题,提出一种基于轻量化网络与增强多尺度特征融合的YOLOv5-3S-4PH模型进行绝缘子缺陷实时检测。首先将重构的ShuffleNetV2-Stem-SPP(3S)网络作为YOLOv5的主干网络,显著减小了网络的参数量和计算量;其次引入针对小目标的增强多尺度特征融合网络以及4个预测头,来增强网络对绝缘子缺陷的感知能力,并结合Mosaic-9数据增强、CIoU损失函数进一步补偿轻量化导致的检测精度损失;最后将其应用到自制绝缘子数据集进行验证。实验结果表明,该文所提出的模型相对于未改进的YOLOv5,全类平均精度提高了3%,检测速度提高了81.8%,参数量、计算量分别压缩了82.4%、67%。因此,所提出的模型更适合部署在无人机平台上进行绝缘子缺陷的实时监测。

基于改进YOLOv5-LITE轻量级的配电组件缺陷识别

为对配电组件缺陷进行精确快速的定位和识别,提出一种基于改进YOLOv5-LITE轻量级的配电组件缺陷识别方法。为使模型便于部署至移动设备终端,该方法使用ShuffleNetV2作为骨干网提取特征构建YOLOv5-LITE轻量级神经网络模型,并摘除ShuffleNetV2的1024卷积和5×5池化,采用全局平均池化操作替代,降低网络参数量,提升模型检测速度;通过引入有利于细粒度目标检测的152×152特征层,实现了对大、中、小尺度的缺陷检测;在PANet架构中采用深度可分离卷积代替下采样使得网络更加轻量化。实验结果表明:该方法能够识别电缆脱离垫片、电缆与绝缘子脱落、无环绝缘子3种缺陷,其检测精度分别达到92%、95%、95%,网络参数量约为YOLOv5的1/4,检测速度达到2 ms/张。所提出的方法具有实时性、准确率高、轻量化等特点。

基于锚点的快速三维手部关键点检测算法

在人机协作任务中,手部关键点检测为机械臂提供目标点坐标,A2J(Anchor-to-Joint)是具有代表性的一种利用锚点进行关键点检测的方法。A2J以深度图为输入,可实现较好的检测效果,但对全局特征获取能力不足。文中设计了全局-局部特征融合模块(Global-Local Feature Fusion,GLFF)对骨干网络浅层和深层的特征进行融合。为了提升检测速度,文中将A2J的骨干网络替换为ShuffleNetv2并对其进行改造,用5×5深度可分离卷积替换3×3深度可分离卷积,增大感受野,有效提升了骨干网络对全局特征的提取能力。文中在锚点权重估计分支引入高效通道注意力模块(Efficient Channel Attention,ECA),提升了网络对重要锚点的关注度。在主流数据集ICVL和NYU上进行的训练和测试结果表明,相比于A2J,文中所提方法的平均误差分别降低了0.09 mm和0.15 mm。在GTX1080Ti显卡上实现了151 frame·s^(-1)的检测速率,满足人机协作任务对于实时性的要求。