基于SDP和改进SAM⁃MobileNetv2的滚动轴承故障诊断方法研究 被引量：1

1

作者 张天缘 孙虎儿 +1 位作者 朱继扬 赵扬 《机械强度》 CAS CSCD 北大核心 2024年第4期787-794,共8页

针对传统的滚动轴承故障诊断方法难以准确高效的实现故障分类,提出了一种融合对称点模式(Symmetrized Dot Pattern,SDP)和改进SAM⁃MobileNetv2的滚动轴承故障分类方法。首先,将轴承振动信号通过SDP算法转化为含有丰富特征信息的二维图... 针对传统的滚动轴承故障诊断方法难以准确高效的实现故障分类,提出了一种融合对称点模式(Symmetrized Dot Pattern,SDP)和改进SAM⁃MobileNetv2的滚动轴承故障分类方法。首先,将轴承振动信号通过SDP算法转化为含有丰富特征信息的二维图像。然后,将二维图像输入到改进SAM⁃MobileNetv2网络模型中,对故障特征信息进行提取和分类。在改进SAM⁃MobileNetv2网络中,使用自适应激活函数ACON(Activate or not)对SAM⁃MobileNetv2中的ReLU6激活函数进行替换,提高模型分类性能。最后,将本模型与多种网络模型做对比。试验结果表明,本模型可以准确高效地实现对滚动轴承故障的分类,使用凯斯西储大学轴承故障数据的准确率为99.5%,使用渥太华大学轴承故障数据的准确率为97.2%。 展开更多

关键词 滚动轴承 对称点模式 sam⁃mobilenetv2模型 故障诊断

在线阅读 下载PDF 职称材料

基于SAM2多任务学习的山区地块模糊边界提取

2

作者 黄启厅 凌玉荣 +6 位作者 谢国雪 杨绍锷 杨颖频 李海亮 梁存穗 何新洁 谢意 《南方农业学报》 北大核心 2025年第1期18-28,F0002,共12页

【目的】构建多任务模糊边界提取深度学习模型,解决模糊边界难提取及伪边界难消除的问题,为地块破碎地区的地块边界提取提供参考依据。【方法】以广西河池市宜州区为研究区,通过解译典型山区破碎遥感影像,建立模糊边界提取数据集,引入S... 【目的】构建多任务模糊边界提取深度学习模型,解决模糊边界难提取及伪边界难消除的问题,为地块破碎地区的地块边界提取提供参考依据。【方法】以广西河池市宜州区为研究区,通过解译典型山区破碎遥感影像,建立模糊边界提取数据集,引入SAM2视觉大模型及采用适配器Adapter微调优化其编码器,设计地块属性提取辅助任务,构建多任务模糊边界提取深度学习模型SAM2Xi,并通过对比试验证实该模型在山区地块破碎环境下的模糊边界提取效果。【结果】SAM2Xi模型在全局最佳阈值(ODS)和单图最佳阈值(OIS)上表现最佳,分别为0.663和0.672,显示出最高的边缘检测精度和适应性,但50%精度召回率(R50)略低于DexiNed模型。SAM2Xi模型结合语义信息与边缘特征,增强了模糊边界识别能力,在复杂场景下表现尤为出色;SAM2Xi模型在低对比度和复杂背景下仍然保持高精度,模糊边界区域的细节保留、连贯性和噪声抑制均优于其他模型;此外,SAM2Xi模型在伪边界清除任务中表现最佳,其先进特征提取和优化机制几乎完全消除了伪边界干扰,在各类场景下保持高精度边缘检测,具有更高的鲁棒性和准确性。SAM2Xi模型能成功提取研究区的地块信息(地块图斑数1587597个,总面积145696.646 ha),且提取的地块分布与实际情况高度吻合,具体表现为:(1)在大片耕地范围内可准确划分各地块;(2)可提取建筑物中的零星耕地或园地;(3)可提取林地中能被单独分割的地块(人工林),但自然林基本不会被误识。【结论】基于SAM2多任务学习构建的SAM2Xi模型实现了模糊边界识别与伪边界清除的双重突破,在复杂地形适应性、边界连贯性保持及噪声抑制方面具有明显优势,为我国西南山区复杂地形下地块边界提取及山区农业资源精准管理提供了技术支撑。 展开更多

关键词 地块边界提取 sam2 多任务学习 遥感影像 sam2Xi模型

在线阅读 下载PDF 职称材料

基于重参数化MobileNetV2的农作物叶片病害识别模型 被引量：17

3

作者 彭玉寒 李书琴 《农业工程学报》 EI CAS CSCD 北大核心 2023年第17期132-140,共9页

针对基于卷积神经网络识别农作物叶片病害存在参数众多,计算量大且实时性差的问题,提出一种轻量级农作物叶片病害识别模型RLDNet(reparameterized leaf diseases identification network)。首先,基于MobileNetV2利用重参数化倒残差模块... 针对基于卷积神经网络识别农作物叶片病害存在参数众多,计算量大且实时性差的问题,提出一种轻量级农作物叶片病害识别模型RLDNet(reparameterized leaf diseases identification network)。首先,基于MobileNetV2利用重参数化倒残差模块提升推理速度,并设计浅而窄的网络结构增强对浅层特征的提取,降低模型参数量。其次,使用轻量级ULSAM(ultra-lightweight subspace attention module)注意力机制,结合叶片病害特征,强化模型对病害区域的关注能力。最后,利用DepthShrinker剪枝方法对模型进行剪枝进一步减小空间占用。RLDNet在PlantVillage数据集上识别准确率达99.53%,参数量为0.65 M,对单张叶片病害图像的推理时间为2.51 ms。在自建叶片病害数据集上获得了98.49%识别准确率,比MobileNetV3、ShuffleNetV2等轻量级模型识别准确率更高,更为轻量。 展开更多

关键词 农作物 模型 病害识别 复杂背景 mobilenetv2 重参数化 轻量化

在线阅读 下载PDF 职称材料

基于改进MobileNetV2模型的农作物叶片病害识别研究 被引量：8

4

作者 王焕鑫 沈志豪 +1 位作者 刘泉 刘金江 《河南农业科学》 北大核心 2023年第4期143-151,共9页

为实现基于移动端的农作物叶部病害图像便捷识别,提高农作物病害识别效率进而更好地指导作物病害防治,基于改进的轻量级卷积神经网络MobileNetV2建立农作物病害识别模型。首先,建立含有15种病害叶片和4种健康叶片的农作物数据集,采用数... 为实现基于移动端的农作物叶部病害图像便捷识别,提高农作物病害识别效率进而更好地指导作物病害防治,基于改进的轻量级卷积神经网络MobileNetV2建立农作物病害识别模型。首先,建立含有15种病害叶片和4种健康叶片的农作物数据集,采用数据增强操作进行数据平衡。其次,对MobileNetV2进行改进,引入高效通道注意力(Efficient channel attention,ECA)与注意力特征融合(Attentional feature fusion,AFF),并通过模型剪枝去除冗余层,建立了高性能的轻量级农作物病害识别模型。结果表明:改进MobileNetV2模型参数量与初始MobileNetV2参数量相比减少15.37%,同时识别准确率提升0.9个百分点,达到了98.4%。相比EfficientNet-b0、ShuffleNetV2-0.5X等经典卷积神经网络模型,改进的模型不仅识别准确率最高,且训练过程收敛速度更快。 展开更多

关键词 mobilenetv2 卷积神经网络 农作物病害 轻量型 注意力机制 特征融合 模型剪枝

在线阅读 下载PDF 职称材料

基于MobileNetV2的圆形指针式仪表识别系统 被引量：20

5

作者 李慧慧 闫坤 +2 位作者 张李轩 刘威 李执 《计算机应用》 CSCD 北大核心 2021年第4期1214-1220,共7页

针对目前指针式仪表识别任务在使用深度学习算法时存在模型参数量大、计算量大、准确率较低的问题,提出一种基于改进预训练MobileNetV2网络模型与圆形Hough变换相结合的圆形指针式仪表智能检测和识别系统。首先,采用Hough变换解决复杂... 针对目前指针式仪表识别任务在使用深度学习算法时存在模型参数量大、计算量大、准确率较低的问题,提出一种基于改进预训练MobileNetV2网络模型与圆形Hough变换相结合的圆形指针式仪表智能检测和识别系统。首先,采用Hough变换解决复杂场景内非圆形区域的干扰问题;然后,提取圆形区域以构建数据集;最后,使用基于改进预训练MobileNetV2网络模型对圆形指针式仪表进行识别。为客观反映所提模型的性能优劣,采用平均混淆矩阵来衡量模型性能。实验结果表明,该系统在圆形指针式仪表识别任务中的识别率达到99.76%。同时,将所提模型与其他5种不同的网络模型进行对比的结果表明,该模型与ResNet50的准确率最高,但在模型参数量和模型计算量方面,所提网络模型相较于ResNet50分别降低了90.51%和92.40%,可见该模型有助于进一步在移动端或嵌入式设备中部署和实现工业级的实时圆形指针式仪表检测和识别。 展开更多

关键词 圆形指针式仪表 圆形Hough变换 预训练模型 mobilenetv2 平均混淆矩阵

在线阅读 下载PDF 职称材料

基于改进YOLOv5s的被遮挡交通标志检测算法

6

作者 蓝章礼 邢彩卓 张洪 《计算机工程》 北大核心 2025年第5期361-369,共9页

智能驾驶中道路交通标志的检测与识别极其重要,针对交通标志被遮挡时存在目标小、检测精度低的问题,提出一种基于改进YOLOv5s的被遮挡交通标志检测算法。通过自制中国遮挡交通标志数据集(COTSD),解决交通标志在被遮挡情况下数据集缺乏... 智能驾驶中道路交通标志的检测与识别极其重要,针对交通标志被遮挡时存在目标小、检测精度低的问题,提出一种基于改进YOLOv5s的被遮挡交通标志检测算法。通过自制中国遮挡交通标志数据集(COTSD),解决交通标志在被遮挡情况下数据集缺乏的问题,并根据细粒度物体检测需要模型提取丰富判别特征,提出一种基于MobileNetv2改进的主干网络。针对交通标志较小、被遮挡且分辨率较低,普通线性插值方式无法捕捉更高阶、更细节特征的问题,设计一种改进的动态权重上采样模块(DEUM),整合经过通道注意力加权之后的通道信息进行像素重排,生成高分辨率图像;针对综合交并比(CIoU)等损失函数对小目标位置变化敏感的问题,使用归一化高斯Wassertein距离(NWD)来优化边界框回归损失。实验结果表明,该算法在自制被遮挡COTSD上的准确率为93.60%,召回率为72.50%,F1值为81.71%,mAP@0.5为79%;在包含少量被遮挡交通标志的公开CCTSDB上的准确率为92.2%,召回率为78.8%,F1值为85%,mAP@0.5为88.5%。该算法有效提高了被遮挡后交通标志的检测精度。 展开更多

关键词 交通标志检测 遮挡条件 mobilenetv2模型 动态权重上采样模块 归一化高斯Wassertein距离

在线阅读 下载PDF 职称材料

基于改进YOLOv2的白车身焊点检测方法 被引量：13

7

作者 何智成 王振兴 《计算机工程》 CAS CSCD 北大核心 2020年第11期246-254,共9页

基于机器视觉的白车身焊点自动化检测为车身焊接质量控制提供了有效的途径,然而受环境光污染的影响,焊点自动化检测装备的机器视觉系统较难进行准确定位。为解决传统的图像处理方法受环境干扰大及鲁棒性差的问题,提出一种基于深度学习... 基于机器视觉的白车身焊点自动化检测为车身焊接质量控制提供了有效的途径,然而受环境光污染的影响,焊点自动化检测装备的机器视觉系统较难进行准确定位。为解决传统的图像处理方法受环境干扰大及鲁棒性差的问题,提出一种基于深度学习的焊点位置检测方法。引入MobileNetv2的卷积结构代替YOLOv2的卷积层,并借鉴YOLOv2的细粒度特征的方法,解决YOLOv2模型参数较多的问题。采用GIoU loss对模型的损失函数进行改进,利用K-means聚类算法得到适合焊点数据集的anchor,从而获得高可靠性的轻量化白车身焊点位置检测模型FGM_YOLO。在白车身焊点测试集上进行测试,结果表明,与原YOLOv2模型相比,该模型的平均精度提升了2.47%,模型参数约为原模型的1/16,检测速度提高2倍,大幅提高了检测效率。 展开更多

关键词 焊点检测 YOLOv2模型 mobilenetv2卷积 深度可分离卷积 交并比

在线阅读 下载PDF 职称材料

MDS-DeepLabV3+——一种轻量级的复杂山地耕地提取方法

8

作者 殷海倩 甘淑 +2 位作者 袁希平 朱智富 张家铮 《兰州大学学报(自然科学版)》 北大核心 2025年第3期341-349,356,共10页

针对复杂山地空间异质性显著、耕地信息破碎化严重、提取困难等问题,对DeepLabV3+模型进行改进,基于恐龙谷高分二号卫星影像,构建一种用于复杂山地耕地信息自动提取的MDS-DeepLabV3+模型.使用MobileNetV2作为特征提取器,引入其在ImageNe... 针对复杂山地空间异质性显著、耕地信息破碎化严重、提取困难等问题,对DeepLabV3+模型进行改进,基于恐龙谷高分二号卫星影像,构建一种用于复杂山地耕地信息自动提取的MDS-DeepLabV3+模型.使用MobileNetV2作为特征提取器,引入其在ImageNet数据集上的预训练权重,降低复杂度,加速模型拟合;提出密集连接的空间空洞金字塔池化模块与scSE注意力模块结合的DscASPP模块,获取多尺度图像特征,整合空间通道信息.采用CARAFE算子替代原始上采样方法,在较大的感受野范围内聚合上下文信息,实现更准确和高效的特征重建.结果表明,MDS-DeepLabV3+模型平均交并比DeepLabV3+提升6.5%,平均像素准确率增加4.08%,F_(1)上升4.04%,模型参数量仅有3.97 MB.在禄丰数据集上对各种耕地类型的提取效果均优于其他分割网络,有效降低耕地漏提率和误提率,提取效率及准确性较高. 展开更多

关键词 语义分割 高分二号卫星影像 mobilenetv2模型 scSE注意力模块 DeepLabV3+模型

在线阅读 下载PDF 职称材料

基于改进DeepLabV3+网络的荔枝种植面积提取方法

9

作者 刘振国 孙永旺 +2 位作者 张喜珍 刘宜浩 鲍荣中 《农业工程学报》 北大核心 2025年第12期191-197,共7页

现有的荔枝种植面积遥感提取方法存在提取精度不高、分割效果欠佳、训练时间长以及模型复杂度高等问题。为此该研究提出了改进的DeepLabV3+模型,将主干网络Xception替换为MobileNetV2,保证精度的同时节约时间;构建DenseASPP模块增强多... 现有的荔枝种植面积遥感提取方法存在提取精度不高、分割效果欠佳、训练时间长以及模型复杂度高等问题。为此该研究提出了改进的DeepLabV3+模型,将主干网络Xception替换为MobileNetV2,保证精度的同时节约时间;构建DenseASPP模块增强多尺度特征提取;引入通道注意力机制和条带池化,抑制干扰,提高精度。并与SegFormer、PSPNet和UNet图像分割模型进行对比。结果表明,改进模型的平均交并比(mean intersection over union,MIoU)、平均像素精度(mean pixel accuracy,mPA)和准确率(accuracy,Ac)分别为83.55%、91.58%、91.15%,相比于原始的DeepLabV3+模型分别提高了8.15、5.27、4.97个百分点,而与其他模型对比,该模型通过结构优化将参数量压缩至5.8 M,计算复杂度降为22.4 GFLOPs,较原始的DeepLabV3+降低94%,较PSPNet减少95%。研究结果为准确了解和掌握种植区的空间分布及变迁趋势提供参考。 展开更多

关键词 深度学习 荔枝 语义分割 种植面积提取 DeepLabV3+模型 mobilenetv2

在线阅读 下载PDF 职称材料

基于改进YOLOv4模型的无人机巡检图像杆塔缺陷检测方法研究 被引量：17

10

作者 陈杰 安之焕 +1 位作者 唐占元 卢志超 《电测与仪表》 北大核心 2023年第10期155-160,共6页

针对现有输电线路无人机巡检图像缺陷检测方法存在的精度低、耗时长等问题,为了实现输电线路杆塔鸟巢的快速和准确识别,基于无人机巡检图像采集与处理系统,提出了一种改进的YOLO4模型用于输电线路杆塔图像的鸟巢检测。采用轻型MobileNe... 针对现有输电线路无人机巡检图像缺陷检测方法存在的精度低、耗时长等问题,为了实现输电线路杆塔鸟巢的快速和准确识别,基于无人机巡检图像采集与处理系统,提出了一种改进的YOLO4模型用于输电线路杆塔图像的鸟巢检测。采用轻型MobileNetV2网络替换CSPDarkNet53网络,提高特征提取速度,在SPP模块中采用平均池化替换最大池化,提高算法对小目标的检测精度,引入注意力机制CBAM增强特征表达。通过试验验证了所提方法的可行性和优越性。结果表明,所提方法与常规检测方法相比,在输电线路杆塔图像缺陷检测中具有更优的检测精度和速度,检测精度达到94.40%,检测速度为60 FPS。所提研究为输电线杆塔缺陷检测方法的发展提供了一定的参考。 展开更多

关键词 输电线路 杆塔鸟窝 无人机巡检 YOLOv4模型 注意力机制CBAM mobilenetv2网络

在线阅读 下载PDF 职称材料

基于改进DeepLabv3+的光伏电站道路识别方法 被引量：2

11

作者 李翠明 王华 +1 位作者 徐龙儿 王龙 《上海交通大学学报》 EI CAS CSCD 北大核心 2024年第5期776-782,I0010,共8页

针对移动清洁机器人在光伏电站作业时需要精确快速识别道路的问题,提出一种改进的DeepLabv3+目标识别模型对光伏电站道路进行识别.首先,将原DeepLabv3+模型的主干网络替换为优化的MobileNetv2网络以降低模型复杂度;其次,采用异感受野融... 针对移动清洁机器人在光伏电站作业时需要精确快速识别道路的问题,提出一种改进的DeepLabv3+目标识别模型对光伏电站道路进行识别.首先,将原DeepLabv3+模型的主干网络替换为优化的MobileNetv2网络以降低模型复杂度;其次,采用异感受野融合和空洞深度可分离卷积结合的策略改进空洞空间金字塔池化(ASPP)结构,提高ASPP的信息利用率和模型训练效率;最后,引入注意力机制,提升模型识别精度.结果表明,改进后模型的平均像素准确率为98.06%,平均交并比为95.92%,相比于DeepLabv3+基础模型分别提高了1.79个百分点、2.44个百分点,且高于SegNet、UNet模型.同时,改进后的模型参数量小,实时性好,能够更好地实现光伏电站移动清洁机器人的道路识别. 展开更多

关键词 光伏电站 道路识别 DeepLabv3+模型 注意力机制 mobilenetv2

在线阅读 下载PDF 职称材料

自然场景下的挖掘机实时监测方法 被引量：3

12

作者 毛亮 薛月菊 +3 位作者 朱婷婷 魏颖慧 何俊乐 朱勋沐 《农业工程学报》 EI CAS CSCD 北大核心 2020年第9期214-220,共7页

为实时监测违法用地现象,对作业挖掘机等施工机械进行实时监测至关重要。针对自然场景下由于背景复杂、光照不均匀及遮挡等导致作业挖掘机难以准确检测出的问题,该文采用类似SSD(Single Shot Detector)方法的网络结构,提出一种自然场景... 为实时监测违法用地现象,对作业挖掘机等施工机械进行实时监测至关重要。针对自然场景下由于背景复杂、光照不均匀及遮挡等导致作业挖掘机难以准确检测出的问题,该文采用类似SSD(Single Shot Detector)方法的网络结构,提出一种自然场景下的挖掘机实时监测方法。该方法采用堆叠DDB(Depthwise Dense Block)模块组成基础网络,实现浅层特征提取,并与高层特征融合,提高网络模型的特征表达能力;在MobileNetV2网络的基础上进行改进,设计BDM(Bottleneck Down-Sampling Module)模块构成多尺度特征提取网络,使模型参数数量和计算量减少为SSD的68.4%。构建不同视角和场景下的挖掘机目标数据集,共计18537张,其中15009张作为训练集,3528张作为测试集,并在主流Jetson TX1嵌入式硬件平台进行网络模型移植和验证。试验表明,该文方法的m AP(Mean Average Precision)为90.6%,其检测精度优于SSD和Mobile Net V2SSD的90.2%;模型大小为4.2 MB,分别减小为SSD和Mobile Net V2SSD的1/25和1/4,每帧检测耗时145.2 ms,相比SSD和MobileNetV2SSD分别提高了122.7%和28.2%,可以较好地部署在嵌入式硬件平台上,为现场及时发现违法用地作业提供有效手段。 展开更多

关键词 农业机械 监测 模型 SSD mobilenetv2 自然场景 挖掘机 嵌入式硬件

在线阅读 下载PDF 职称材料