基于非对称混洗卷积神经网络的苹果叶部病害分割 被引量：20

1

作者 何自芬 黄俊璇 +1 位作者 刘强 张印辉 《农业机械学报》 EI CAS CSCD 北大核心 2021年第8期221-230,共10页

针对苹果叶部病害由于数据集类间样本不均衡和拍摄角度、光照变化等实际成像与环境因素造成的精度低和泛化能力差的问题,本文提出了一种新型的非对称混洗卷积神经网络ASNet。首先,通过在ResNeXt骨干网络中添加改进的scSE注意力机制模块... 针对苹果叶部病害由于数据集类间样本不均衡和拍摄角度、光照变化等实际成像与环境因素造成的精度低和泛化能力差的问题,本文提出了一种新型的非对称混洗卷积神经网络ASNet。首先,通过在ResNeXt骨干网络中添加改进的scSE注意力机制模块增强网络提取的特征;其次,针对多数叶片病害特征分布相对分散的问题,使用非对称混洗卷积模块代替原始的残差模块来扩大卷积核的感受野和增强特征提取能力,从而提升模型的分割精度和泛化能力;最后,在非对称混洗卷积模块中使用通道压缩和通道混洗的方式弥补了分组卷积造成的通道间关联性不足的缺陷,降低了由于叶部病害类间不均衡导致的传统网络模型精度偏低的问题。在COCO数据集评价指标下,实验结果表明,相比于骨干网络为ResNeXt-50的原始Mask R-CNN模型,本文模型的平均分割精度达到96.8%,提升了5.2个百分点,模型权重文件减小为321 MB,减小了170 MB。对实地采集和AI Challanger农作物病害分割挑战赛的240幅苹果叶片图像进行测试,结果表明,本文模型ASNet对苹果黑腐病、锈病与黑星病3种病害和健康叶片的平均分割精度达到94.7%。 展开更多

关键词 苹果叶部 病害分割 ASNet模型 非对称混洗卷积 通道压缩 注意力机制

在线阅读 下载PDF 职称材料

高光谱成像技术结合深度学习的藕粉识别和掺假检测

2

作者 彭健恒 胡新军 +4 位作者 张嘉洪 田建平 陈满骄 黄丹 罗惠波 《光谱学与光谱分析》 北大核心 2025年第6期1759-1767,共9页

藕粉营养价值高,工艺复杂,一些不法商家受到利益的驱使,利用廉价的普通淀粉冒充藕粉或在藕粉中掺入普通淀粉。传统的藕粉真伪检查方法耗时耗力,具有破坏性。高光谱成像技术凭借其快速、无损且精确的优点在食品安全检测领域得到广泛应用... 藕粉营养价值高,工艺复杂,一些不法商家受到利益的驱使,利用廉价的普通淀粉冒充藕粉或在藕粉中掺入普通淀粉。传统的藕粉真伪检查方法耗时耗力,具有破坏性。高光谱成像技术凭借其快速、无损且精确的优点在食品安全检测领域得到广泛应用。因此,为了准确区分藕粉和其他普通淀粉并识别掺假藕粉,提出了一种高光谱成像技术结合深度学习的快速鉴别藕粉真伪的方法。利用高光谱成像技术采集900~1700 nm波段范围内的纯藕粉、四种普通淀粉以及掺假淀粉的高光谱图像。在纯藕粉和四种普通淀粉的高光谱图像中划分若干个感兴趣区域(ROI),计算每个ROI的平均反射率作为构建分类模型的原始光谱数据。去除掉原始光谱前后受噪音影响的异常波段,保留了940~1675 nm之间的443个波段。接着通过孤立森林(IF)算法剔除掉光谱数据中的异常数据。为提高模型训练效率,采用竞争性自适应重加权算法(CARS)、自助软收缩算法(BOSS)和通道注意力模块(CAMM)三种方法分别从443个波段中提取出45、32和12个特征波长。基于提取出的特征波长的光谱数据,构建了偏最小二乘判别(PLS-DA)分类模型,其中CAMM-PLS-DA模型识别效果最好,测试集准确率达到了95.25%。为了确定最佳分类模型,基于CAMM提取不同特征波长数目下的光谱数据,建立PLS-DA、支持向量机(SVM)和卷积神经网络(CNN)分类模型,其中CAMM-CNN模型的分类性能最好,测试集准确率最高达到了99.69%。为进一步检验CAMM-CNN模型对掺假藕粉的鉴别能力,将掺假藕粉高光谱图像所有像素点的光谱数据输入到训练好的CAMM-CNN模型中进行判别,从可视化图像看出,模型成功识别出掺假藕粉中的多种普通淀粉。研究结果表明,高光谱成像技术结合深度学习方法可以有效地应用于藕粉的真伪鉴别,这为打击藕粉掺假行为和保障藕粉安全提供了一种新的检测手段。 展开更多

关键词 藕粉 掺假 高光谱成像技术 深度学习 通道注意力机制模块 卷积神经网络

在线阅读 下载PDF 职称材料

基于MDL-U2-Net的盆底超声图像轻量级分割及参数测量

3

作者 刘孝保 甘博敏 +1 位作者 姚廷强 申吉泓 《计算机辅助设计与图形学学报》 北大核心 2025年第2期277-292,共16页

准确地分割超声图像中盆底区域,是实现盆底疾病计算机辅助诊断的重要环节.针对盆底形态复杂、边界模糊、分割算法参数量庞大以及参数测量精度有限等问题,搭建了一种轻量级语义分割网络MDL-U2-Net并提出修补算法AC-F.首先,对基准U2-Net... 准确地分割超声图像中盆底区域,是实现盆底疾病计算机辅助诊断的重要环节.针对盆底形态复杂、边界模糊、分割算法参数量庞大以及参数测量精度有限等问题,搭建了一种轻量级语义分割网络MDL-U2-Net并提出修补算法AC-F.首先,对基准U2-Net进行结构优化和通道数调整,以有效地降低模型参数量;其次,融入复合损失函数以缓解训练损失波动并提升边界保持能力,提高网络对模糊边界的分割准确性;之后,提出深度非对称多尺度混洗卷积模块,以捕获特征空间采样的位置偏移信息,弥补轻量网络感受野不足和特征提取能力较弱的缺陷,提高网络对盆底复杂形态的建模能力;最后,采用修补算法对分割盆底进行精细化填补,以提高盆底完整性和参数测量的精度.在自制数据集上的实验结果表明,MDL-U2-Net对盆底分割的Jaccard,Recall和HD95指标分别达到91.226%,93.589%和1.074,与基准U2-Net相比,模型参数量缩减了94.37个百分点;此外,经AC-F算法处理后的区域面积测量百分误差降至1.25%,ICC达到0.998且有95%(76/80)的数据在95%LoA内,能够实现轻量级分割和精确参数测量. 展开更多

关键词 盆底超声图像 轻量化 复合损失函数 深度非对称通道混洗卷积模块 参数测量

在线阅读 下载PDF 职称材料

面向表情识别的重影非对称残差注意力网络模型 被引量：2

4

作者 闫河 李梦雪 +1 位作者 张宇宁 刘建骐 《智能系统学报》 CSCD 北大核心 2023年第2期333-340,共8页

针对ResNet50中的Bottleneck经过1×1卷积降维后主干分支丢失部分特征信息而导致在表情识别中准确率不高的问题,本文通过引入Ghost模块和深度可分离卷积分别替换Bottleneck中的1×1卷积和3×3卷积,保留更多原始特征信息,提... 针对ResNet50中的Bottleneck经过1×1卷积降维后主干分支丢失部分特征信息而导致在表情识别中准确率不高的问题,本文通过引入Ghost模块和深度可分离卷积分别替换Bottleneck中的1×1卷积和3×3卷积,保留更多原始特征信息,提升主干分支的特征提取能力;利用Mish激活函数替换Bottleneck中的ReLU激活函数,提高了表情识别的准确率;在此基础上,通过在改进的Bottleneck之间添加非对称残差注意力模块(asymmetric residual attention block, ARABlock)来提升模型对重要信息的表示能力,从而提出一种面向表情识别的重影非对称残差注意力网络(ghost asymmetric residual attention network, GARAN)模型。对比实验结果表明,本文方法在FER2013和CK+表情数据集上具有较高的识别准确率。 展开更多

关键词 表情识别 特征提取 ResNet50 Ghost模块 Mish 非对称残差注意力 深度可分离卷积 深度学习

在线阅读 下载PDF 职称材料

基于改进EfficientNet v2模型的玉米叶片病害识别

5

作者 谢琬 崔艳荣 《江苏农业科学》 北大核心 2025年第9期207-215,共9页

针对真实环境下玉米叶片病害识别准确率不高、传统模型难以适应复杂背景等问题,提出一种改进轻量化模型EfficientNet v2的识别方法。首先,收集患有玉米细菌性枯萎病、普通锈病、玉米灰斑病3种病害的玉米叶片和玉米健康叶片,通过4种数据... 针对真实环境下玉米叶片病害识别准确率不高、传统模型难以适应复杂背景等问题,提出一种改进轻量化模型EfficientNet v2的识别方法。首先,收集患有玉米细菌性枯萎病、普通锈病、玉米灰斑病3种病害的玉米叶片和玉米健康叶片,通过4种数据扩充方法进行数据增强,提升模型识别和泛化能力;其次,以EfficientNet v2模型为基础,在Fused-MBConv模块中引入无参数注意力模块SimAM,不增加模型计算负担的同时提高对病害的识别能力;再次,为了增加组间通信,在模型中每1层的MBConv模块和Fused-MBConv模块中引入通道混洗操作,促进不同通道之间的信息流动和融合;最后,将模型中stem层中的传统卷积替换为空洞卷积,增大感受野,使模型在初始阶段就捕捉到更多有用的信息,有助于提升网络的整体特征提取能力。相比原模型,改进后的EfficientNet v2在Top-1准确率提高了1.52百分点,平均精确率提高了1.62百分点,平均召回率提高了1.68百分点,平均F_(1)分数提高了1.65百分点,参数量仅为20.2 M,在保持轻量化的同时提高了对3类常见玉米叶片病害以及健康叶片的识别效果。 展开更多

关键词 玉米叶片病害 EfficientNet v2 SimAM注意力模块 通道混洗操作 空洞卷积 图像识别

在线阅读 下载PDF 职称材料

基于压缩图像与YOLOv5模型的架空输电线路缺陷检测技术 被引量：1

6

作者 刘敏 姜亮 +2 位作者 田杨阳 张璐 陈岑 《沈阳工业大学学报》 北大核心 2025年第2期152-159,共8页

【目的】输电线路作为电能传输和使用过程中的重要环节,其安全稳定对电力系统的正常运行起着至关重要的作用,因此输电线路日常巡检具有重要作用。重大事故通常由微小缺陷隐患发展而来,日常巡检通常采用人工、无人机、可视化通道等手段,... 【目的】输电线路作为电能传输和使用过程中的重要环节,其安全稳定对电力系统的正常运行起着至关重要的作用,因此输电线路日常巡检具有重要作用。重大事故通常由微小缺陷隐患发展而来,日常巡检通常采用人工、无人机、可视化通道等手段,无论何种方式都需要处理大量可视化、红外或者紫外照片。但由于输电线路的特殊性,架设条件涉及多种环境,其巡检图像背景通常较为复杂,采用人工复核审查的方式精度较高,但对经验依赖较大且效率极低。如何快速、准确地识别架空线路巡检图片是架空输电线路缺陷识别的关键。传统输电线路巡检图片识别方法在复杂背景的干扰下,容易出现缺陷识别精确度不高的问题。【方法】为提高架空输电线路巡检图像复杂背景下的检测准确率,提出了一种兼顾识别效率和准确性的缺陷检测方法。基于压缩图像技术并结合YOLOv5模型,设计了一种基于稀疏卷积的非对称特征聚合压缩算法,将原始图像通过编码减少图像存储所需空间以便于存储和传输,经过信息通道传输到解密器后,再将压缩图像进行解码复原以提升局部集合特征的学习效率。同时,通过融入通道空间注意力模块从特征图中得到注意力通道权重矩阵和空间权重矩阵,并通过权重矩阵判断特征图区域的重要程度,完成对YOLOv5模型处理效率的提升。【结果】将压缩恢复后的图像输入改进YOLOv5模型中,利用通道注意力模块(CAM)和空间注意力模块(SAM)分别对图像进行通道与空间上的注意力数据处理,通过全局平均池化和最大池化处理增强目标区域的特征,并引入空间注意力模块增强通道注意力对特征位置信息的关注,以检测出存在缺陷的设备,并通过实验验证了方法的有效性。【结论】以某架空线路的巡检图像数据集为基础,对检测方法开展训练与测试,结果表明,巡检图像经所提技术压缩后,尺寸明显减小,恢复后的图像尺寸较原图约降低了3 MB且未出现失真;改进YOLOv5模型具有较高的检测精确度,其检测准确率和时间分别为0.91和0.87 s,算法在降低图像尺寸提升检测速度的同时保证了检测准确率。 展开更多

关键词 架空输电线路 缺陷检测 图像压缩 改进YOLOv5模型 非对称特征聚合编解码网络 通道空间注意力模块 逐通道稀疏残差卷积 检测准确率

在线阅读 下载PDF 职称材料

基于改进YOLOv8n的林草火灾检测算法

7

作者 赵佳硕 马晓春 刘舰泽 《森林工程》 北大核心 2025年第5期1013-1024,共12页

在林草火灾场景中,明火形态的多样性以及环境的复杂性可能导致误检或漏检的现象发生,为此,针对森林与草原火灾提出一种基于改进的YOLOv8n火灾检测算法(YOLOv8n-CSA),CSA(channel-spatial attention)为通道-空间注意力模块,引入分组混洗... 在林草火灾场景中,明火形态的多样性以及环境的复杂性可能导致误检或漏检的现象发生,为此,针对森林与草原火灾提出一种基于改进的YOLOv8n火灾检测算法(YOLOv8n-CSA),CSA(channel-spatial attention)为通道-空间注意力模块,引入分组混洗卷积模块(group shuffle convolution,GSConv)替换原YOLOv8n中第3层标准卷积模块(convolution,Conv),降低模型计算量,提高特征提取能力。并且在head中引入Slim-Neck结构进一步降低模型计算量。同时设计YOLOv8n-CSA融入Backbone部分,以增强输入特征图的表达能力。该模块结合通道注意力、通道洗牌和空间注意力机制,旨在捕捉特征图中的全局依赖关系。基于林草火灾数据集,在未导入预训练模型的情况下,提出的火灾检测网络模型在测试的数据集上相比原模型YOLOv8n,其精确率(Precision)提高了3.7%、召回率(Recall)提高了1.51%、平均精度均值(mAP50)提高了3.24%、计算复杂度(GFLOPs)下降5.62%。试验结果表明,该算法验证计算量减少的同时,能够提升火灾迹象目标的检测性能。 展开更多

关键词 火灾检测 YOLOv8 通道空间注意力 Slim-Neck结构 分组混洗卷积模块GSConv

在线阅读 下载PDF 职称材料

基于深度学习的偏光片缺陷实时检测算法 被引量：4

8

作者 刘瑞珍 孙志毅 +3 位作者 王安红 杨凯 王银 孙前来 《太原理工大学学报》 CAS 北大核心 2020年第1期125-130,共6页

针对现有的基于深度学习检测缺陷的方法虽然可以保证分类的准确率,但其检测速度慢,模型占用内存大,难以满足在线检测系统的实时性要求等问题,提出了一种基于深度学习的偏光片缺陷实时检测算法。首先,设计了一个新的并行模块用于构建偏... 针对现有的基于深度学习检测缺陷的方法虽然可以保证分类的准确率,但其检测速度慢,模型占用内存大,难以满足在线检测系统的实时性要求等问题,提出了一种基于深度学习的偏光片缺陷实时检测算法。首先,设计了一个新的并行模块用于构建偏光片缺陷检测网络,模块将不同尺寸大小的卷积核相混合,与传统的卷积层相比,可以融合不同尺度的特征并能提取到更丰富的缺陷特征;用深度可分离卷积替代模块中的标准卷积,这可以大大减少网络的参数量和乘法累计运算量(MACCs).其次,用非对称卷积代替并行模块中的深度可分离卷积得到并行非对称卷积模块,可以进一步减少网络的参数量。最后,使用全局均值池化层代替全连接层,大大减少了网络的参数量。实验结果表明,偏光片缺陷分类模型平均每张图片的测试时间为108 ms,模型在测试集上的准确率达到99.4%,同时模型占用内存为0.583 MB,能够满足工业中偏光片缺陷检测的实时性要求。 展开更多

关键词 偏光片 缺陷检测 深度学习 并行模块 并行非对称卷积 全局均值池化

在线阅读 下载PDF 职称材料

面向图像目标识别的轻量化卷积神经网络 被引量：6

9

作者 史宝岱 张秦 +1 位作者 李瑶 李宇环 《计算机工程》 CAS CSCD 北大核心 2022年第6期257-262,共6页

传统图像目标识别模型通常使用结构复杂、层数更深的神经网络以提升其在计算机视觉领域的准确率,但该类模型存在对计算机算力要求过高、占用内存较大、无法部署在手机等小型计算机上的问题。提出一种轻量化卷积神经网络ConcatNet,采用... 传统图像目标识别模型通常使用结构复杂、层数更深的神经网络以提升其在计算机视觉领域的准确率,但该类模型存在对计算机算力要求过高、占用内存较大、无法部署在手机等小型计算机上的问题。提出一种轻量化卷积神经网络ConcatNet,采用特征拼接的方式,通过多支路并行将通道注意力机制与深度可分离卷积相结合,在增强有效特征权重的基础上,降低模型的参数量和复杂度,实现网络的轻量化。在网络输出阶段,采用先筛选再混洗的方式提高模型的识别精度。利用全局平均池化和全局随机池化提取中间特征图的信息,其中全局平均池化可以较好地保留背景信息,全局随机池化按概率值选取特征,具有较强的泛化性,两者相结合能够减少信息的丢失。在CIFAR-10、CIFAR-100等数据集上的实验结果表明,与MobileNetV2等轻量化神经网络相比,ConcatNet网络在保持Top-1和Top-5精度相当的情况下,将参数量和计算复杂度均降低了约50%,极大降低了对承载设备的要求。 展开更多

关键词 轻量化 通道注意力 深度可分离卷积 通道混洗 特征拼接

在线阅读 下载PDF 职称材料

基于改进深度残差网络的电力系统暂态电压稳定评估 被引量：3

10

作者 刘浩然 任惠 +3 位作者 郑至斌 王威 夏静 杨金豪 《现代电力》 北大核心 2023年第6期879-889,共11页

传统的电力系统暂态电压稳定评估模型存在2方面问题:故障过程中的关键信息难以捕捉、暂态稳定样本与失稳样本不平衡导致模型对多数类样本存在倾向性。为此,提出了基于改进深度残差网络的电压稳定预警模型。首先,为了捕捉故障过程中的关... 传统的电力系统暂态电压稳定评估模型存在2方面问题:故障过程中的关键信息难以捕捉、暂态稳定样本与失稳样本不平衡导致模型对多数类样本存在倾向性。为此,提出了基于改进深度残差网络的电压稳定预警模型。首先,为了捕捉故障过程中的关键信息,在残差网络中嵌入卷积注意力模块,通过对时间通道与空间通道的双重注意力来挖掘电力系统动态轨迹中潜在的时空关系;其次,针对训练过程中模型倾向于多数类样本的问题,引入基于梯度平衡机制的损失函数来减小不平衡样本对评估结果的影响;第三,为了强化模型对数据特征的提取能力,将传统卷积核替换为非对称卷积模块。最后,通过在IEEE39节点系统上接入2种不同风电占比进行测试,进一步验证所提方法在暂态电压稳定评估中的优异性能。 展开更多

关键词 暂态电压稳定评估 深度残差网络 卷积注意力模块 梯度平衡机制 非对称卷积模块

在线阅读 下载PDF 职称材料

基于MDM-ResNet的脑肿瘤分类方法 被引量：8

11

作者 夏景明 邢露萍 +1 位作者 谈玲 宣大伟 《南京信息工程大学学报（自然科学版）》 CAS 北大核心 2022年第2期212-219,共8页

脑肿瘤是世界上最致命的癌症之一.由于脑肿瘤的多样性,其图像分类成为了当代研究的热点.近年来,深度神经网络(DNN)常用于医学图像分类,但随着深度的增加网络会出现梯度消失和过拟合的问题,而残差网络(ResNet)通过引入恒等映射可以缓解... 脑肿瘤是世界上最致命的癌症之一.由于脑肿瘤的多样性,其图像分类成为了当代研究的热点.近年来,深度神经网络(DNN)常用于医学图像分类,但随着深度的增加网络会出现梯度消失和过拟合的问题,而残差网络(ResNet)通过引入恒等映射可以缓解这些问题.因此,本文基于ResNet提出了一种MDM-ResNet网络,该网络由多尺寸卷积核模块(Multi-size convolution kernel module)、双通道池化层(Dual-channel pooling layer)和多深度融合残差块(Multi-depth fusion residual block)组成.本文实验在Figshare数据集上展开,采用数据增强操作对图像进行预处理,并利用5倍交叉验证方法对网络性能进行评估.最终实验结果表明MDM-ResNet能够对脑膜瘤(Meningioma)、胶质瘤(Glioma)和垂体瘤(Pituitary tumor)进行有效分类. 展开更多

关键词 脑肿瘤 深度神经网络(DNN) 残差网络(ResNet) 多尺寸卷积核模块 双通道池化层 多深度融合残差块

在线阅读 下载PDF 职称材料

基于多级上下文引导的实时语义分割网络 被引量：1

12

作者 文凯 熊俊臣 +1 位作者 邹伟 唐伟伟 《计算机应用研究》 CSCD 北大核心 2022年第4期1265-1269,1280,共6页

针对实时语义分割方法中因忽略其本质所导致的分割精度不高的问题,提出了一种多级上下文引导的轻量化网络。首先,将深度可分离卷积及非对称卷积相结合,设计了基于并行非对称卷积的上下文引导模型以学习局部特征及其周围上下文构成的联... 针对实时语义分割方法中因忽略其本质所导致的分割精度不高的问题,提出了一种多级上下文引导的轻量化网络。首先,将深度可分离卷积及非对称卷积相结合,设计了基于并行非对称卷积的上下文引导模型以学习局部特征及其周围上下文构成的联合特征;其次,将该模型堆叠于网络来实现特征的多级优化;最后,通过通道注意模型筛选出与更高阶段语义一致的浅层特征,从而提高分割效果。实验结果表明,所提网络在Cityscapes数据集上以94.7的帧速率获得了72.4%的平均交并比,并在CamVid数据集上取得显著的性能提升。同当前的其他实时语义分割方法相比,该网络性能更优。 展开更多

关键词 深度可分离卷积 非对称卷积 局部特征 上下文 通道注意

在线阅读 下载PDF 职称材料

矿井图像超分辨率重建研究 被引量：2

13

作者 王媛彬 刘佳 +1 位作者 郭亚茹 吴冰超 《工矿自动化》 CSCD 北大核心 2023年第11期76-83,120,共9页

受井下粉尘大、照度低等环境影响,矿井图像存在分辨率低、细节模糊等问题,现有的图像超分辨率重建算法应用于矿井图像时,难以获取不同尺度图像信息、网络参数过大而影响重建速度,且重建图像易出现细节丢失、边缘轮廓模糊、伪影等问题。... 受井下粉尘大、照度低等环境影响,矿井图像存在分辨率低、细节模糊等问题,现有的图像超分辨率重建算法应用于矿井图像时,难以获取不同尺度图像信息、网络参数过大而影响重建速度,且重建图像易出现细节丢失、边缘轮廓模糊、伪影等问题。提出了一种基于多尺度密集通道注意力超分辨率生成对抗网络(SRGAN)的矿井图像超分辨率重建算法。设计了多尺度密集通道注意力残差块替代SRGAN原有的残差块,采用2路并行且卷积核大小不同的密集连接块,可充分获取图像特征;融入高效通道注意力模块,加强对高频信息的关注度;采用深度可分离卷积对网络进行轻量化,抑制网络参数的增加;利用纹理损失约束网络训练,避免网络加深时产生伪影。在井下数据集和公共数据集上对提出的矿井图像超分辨率重建算法和经典超分辨率重建算法BICUBIC,SRCNN,SRRESNET,SRGAN进行实验,结果表明:所提算法在主客观评价上总体优于对比算法,网络参数较SRGAN减少了2.54%,峰值信噪比与结构相似度较经典算法指标均值分别提高了0.764 dB和0.05358,能更好地关注图像的纹理、轮廓等细节信息,重建图像更符合人眼视觉。 展开更多

关键词 矿井图像 超分辨率重建 超分辨率生成对抗网络 多尺度密集通道注意力残差块 高效通道注意力模块 深度可分离卷积 纹理损失

在线阅读 下载PDF 职称材料

融合注意力机制的轨道入侵异物检测轻量级模型研究 被引量：20

14

作者 管岭 贾利民 谢征宇 《铁道学报》 EI CAS CSCD 北大核心 2023年第5期72-81,共10页

基于智能视频分析的轨道线路环境入侵物自主识别是保障轨道交通运营安全的关键技术之一。然而基于神经网络的高精度目标检测模型严重依赖算力,部署成本高,很难普及运用。为此,提出一种改进yolov4-tiny的轻量级网络模型。在网络主干,通... 基于智能视频分析的轨道线路环境入侵物自主识别是保障轨道交通运营安全的关键技术之一。然而基于神经网络的高精度目标检测模型严重依赖算力,部署成本高,很难普及运用。为此,提出一种改进yolov4-tiny的轻量级网络模型。在网络主干,通过融合跨阶段结构和通道混洗策略,提出CSPShuffleNet结构,加快网络推理;在网络颈部,引入多头注意力机制,增强网络目标定位能力;在网络头部,使用深度可分离卷积替换传统卷积,进一步压缩网络参数量。基于铁路异物数据集的实验结果表明:相比于原始yolov4-tiny,本模型的均值平均精度最大提高1.4%,参数量减少49.9%,模型容量减少55.4%。验证了本模型对于固定平台和移动平台检测系统的普适性,从而为铁路安全保障提供决策支持。 展开更多

关键词 异物入侵检测 轻量化神经网络 深度可分离卷积 通道混洗 多头注意力机制

在线阅读 下载PDF 职称材料

改进残差结构的轻量级故障诊断方法 被引量：4

15

作者 刘芯志 彭成 +1 位作者 满君丰 刘翊 《计算机工程与设计》 北大核心 2022年第8期2303-2310,共8页

针对大型机械装备环境噪声复杂,深度学习网络层数过深导致的巨大计算开销以及故障诊断人工特征提取的复杂性,提出改进残差结构的轻量级SCARN模型。SCARN模型使用蓝图可分离卷积代替常规卷积层,减少大量参数,设计轻量级空间通道注意力结... 针对大型机械装备环境噪声复杂,深度学习网络层数过深导致的巨大计算开销以及故障诊断人工特征提取的复杂性,提出改进残差结构的轻量级SCARN模型。SCARN模型使用蓝图可分离卷积代替常规卷积层,减少大量参数,设计轻量级空间通道注意力结构,加强特征表达能力,改进深度残差收缩模块,提高模型复杂噪声场景的鲁棒性。通过增加不同幅值的高斯白噪声模拟轴承信号复杂环境场景。实验结果表明,该模型4种评价指标均优于对比算法,具有良好的抗噪性能。 展开更多

关键词 蓝图可分离卷积 空间通道注意力 深度残差收缩模块 轻量级 高斯白噪声

在线阅读 下载PDF 职称材料

多模式特征融合网络肺结节良恶性分类方法 被引量：3

16

作者 尹智贤 夏克文 武盼盼 《计算机工程与应用》 CSCD 北大核心 2023年第23期228-236,共9页

胸部计算机断层扫描(computed tomography,CT)中肺结节良恶性的精确分类对于肺癌的早期诊断具有重要意义。然而,CT影像中肺结节背景的复杂,以及图像特征提取不全面等问题,为实现肺结节良恶性的精确分类带来困扰。为此,提出了多模式特征... 胸部计算机断层扫描(computed tomography,CT)中肺结节良恶性的精确分类对于肺癌的早期诊断具有重要意义。然而,CT影像中肺结节背景的复杂,以及图像特征提取不全面等问题,为实现肺结节良恶性的精确分类带来困扰。为此,提出了多模式特征融合网络肺结节良恶性分类方法。具体地,以MobileNet V3为骨干网络,以原始肺结节CT图像及提取出的结节图像为输入,设计了一种双路径特征提取网络,不仅能够有效提取原CT图像的全局信息,还能有效挖掘肺结节区域的判别性特征,以弥补结节较小时网络过多关注其周围组织从而产生误判的问题。此外,在特征提取阶段引入convolutional block attention module(CBAM)和通道混洗机制,进一步增强了网络的特征表达能力。同时,对原MobileNet V3网络结构做出修改,删除最后四组基于倒残差结构的bottlenecks(bnecks)模块,使模型能够以较小的时间和空间复杂度精确诊断恶性结节。在LIDC-IDRI数据集上的实验表明,提出的方法能够在显著降低网络参数量和FLOPs的同时实现对肺结节良恶性的精确分类,分类准确率、敏感性、特异性、精确率、F1值和AUC值分别达到了93.71%、94.03%、93.48%、95.56%、92.65%和98.66%。 展开更多

关键词 肺结节良恶性分类 特征融合 卷积块注意力模块(CBAM) 通道混洗 MobileNet V3

在线阅读 下载PDF 职称材料

面向低算力设备的改进轻量化语音识别模型

17

作者 李政霖 介婧 +2 位作者 柴佳辉 郑慧 武晓莉 《计算机工程与设计》 2025年第10期2969-2977,共9页

针对语音识别模型在低算力设备上部署难且识别精度低的问题,提出一种改进的轻量化语音识别模型。该模型采用双通道多核卷积结构,以深度残差收缩网络为主要识别单元;引入卷积块注意力模块提高其对通道和空间位置的特征敏感度;结合门控线... 针对语音识别模型在低算力设备上部署难且识别精度低的问题,提出一种改进的轻量化语音识别模型。该模型采用双通道多核卷积结构,以深度残差收缩网络为主要识别单元;引入卷积块注意力模块提高其对通道和空间位置的特征敏感度;结合门控线性单元,提高对长序列语音信息的识别能力;采用非对称卷积策略减少参数量;通过像素注意力引导模块进行特征融合,增强对关键语音信息的捕捉能力。在中文数据集Aishell-1上的实验结果表明,该模型字错误率为12.13%,相较于结果最好的ResNet降低了5.76%,同时其参数量因引入非对称卷积策略降低了40.26%,有效降低了模型的复杂度。 展开更多

关键词 轻量化语音识别模型 双通道多核卷积结构 深度残差收缩网络 卷积块注意力模块 门控线性单元 非对称卷积策略 像素注意力引导模块

在线阅读 下载PDF 职称材料