-
题名基于注意力机制轻量化模型的植物病害识别方法
被引量：1
- 1
-
-
作者
苏航
陈旭昊
寿德荣
张朝阳
许彪
孙丙宇
-
机构
重庆三峡学院机械工程学院
中国科学院合肥物质科学研究院智能机械研究所
中国工程物理研究院
-
出处
《江苏农业学报》
CSCD
北大核心
2024年第8期1389-1399,共11页
-
基金
国家自然科学基金项目(61773360)
2019年重庆市人工智能+智慧农业学科群开放基金项目(ZNNYKFA201901)。
-
文摘
针对现有植物病害识别模型存在响应速度慢、参数量多、计算机内存资源消耗大等问题,本研究提出了一种轻量化神经网络模型,该模型由特征提取层、特征增强层和分类器组成。为了减小模型大小并提高网络响应速度,在特征提取层中使用深度可分离卷积进行特征提取。为了防止网络传播过程中的梯度消失并增强病害像素特征融合,在特征提取层中引入了大卷积核倒置残差结构(IRBCKS)模块。此外,在特征增强层集成了轻量级卷积块注意力模块(CBAM)注意力机制,以捕捉植物病害相关图像中像素之间的关系,增强关键信息的提取。最后,采用剪枝技术剔除模型中冗余特征信息,从而再次减少模型参数量,形成最终的轻量级网络模型Cut-MobileNet。为验证该模型的先进性,将其与轻量化模型(MobileNet V2、SqueezeNet、GoogLeNet)和非轻量化模型(Vision Transformer、AlexNet)进行性能对比,研究结果表明,Cut-MobileNet在浮点运算量、准确率、单张图片推理时间、参数量、F1值和模型大小等性能指标上都取得了较优的效果。
-
关键词
模型剪枝
卷积块注意力模块(CBAM)注意力机制
大卷积核倒置残差结构(IRBCKS)模块
植物病害
轻量化网络
-
Keywords
model pruning
convolutional block attention module(CBAM)attention mechanism
inverted residual block convolution kernel structure(IRBCKS)module
plant diseases
lightweight networks
-
分类号
S608
[农业科学—园艺学]
-
-
题名基于参数轻量化的井下人体实时检测算法
被引量：6
- 2
-
-
作者
董昕宇
师杰
张国英
-
机构
中国矿业大学(北京)机电与信息工程学院
-
出处
《工矿自动化》
北大核心
2021年第6期71-78,共8页
-
基金
国家自然科学基金项目(U1704242)。
-
文摘
针对现有井下人员目标检测方法因网络较深、计算量庞大而不能达到实时检测效果的问题,提出了一种基于参数轻量化的井下人体实时检测算法。采用深度可分离卷积模块和倒置残差模块构建轻量级特征提取网络:通过深度可分离卷积压缩参数量和运算量,提升特征提取网络的运算速度;倒置残差模块通过更高维度的张量来提取足够多的信息,保证特征提取网络的精确度。结合轻量级特征提取网络和SSD多尺度检测方法建立井下人体实时检测模型,该模型在轻量级倒置残差特征提取网络的基本结构上增添传统卷积层至27层进行卷积操作,其中6层特征图被抽取进行多尺度预测,测试结果表明,该模型的大小为18 MB,帧率约为35帧/s,性能优于常用的VGG16+Faster R-CNN模型和VGG16+多尺度检测模型。为适应井下特定环境的目标检测需求,设计了基于Faster R-CNN的人体数据半自动标注方法,可显著减少人工工作量,提高井下人体检测精度。利用矿工服装颜色信息对检测结果框进行二次筛选,剔除将背景检测为人体的误检框。测试结果表明,该算法实现了采煤工作面人员实时定位检测及框选,精度达92.86%,召回率为98.11%,有效解决了井下人员漏检及误检问题。
-
关键词
采煤工作面
井下人体实时检测
深度可分离卷积模块
倒置残差模块
参数轻量化
多尺度检测
半自动标注
-
Keywords
coal mine working face
underground human body real-time detection
depth separable convolution module
inverted residual module
parameter lightweight
multi-scale characteristic detection
semi-automatic annotation
-
分类号
TD76
[矿业工程—矿井通风与安全]
-
