检索结果-南通市图书馆

融合mobilenetv3与Transformer的钢板缺陷实时检测算法

在线全文

学校读者我要写书评

暂无评论

计算机集成制造系统 2023年第12期29卷 3951-3963页

作者：张林谢刚谢新林张涛源太原科技大学电子信息工程学院山西太原030024 先进控制与装备智能化山西省重点实验室山西太原030024

钢板表面的缺陷检测是分析和判断钢板质量的基础和关键。针对钢板表面龟裂等小缺陷检测效率低、精度差的问题,提出一种融合Transformer的钢板表面缺陷实时检测算法。首先,融合协调注意力(CA)模块以及最大动态转移(DY)激活函数构建CA-Bn... 详细信息

钢板表面的缺陷检测是分析和判断钢板质量的基础和关键。针对钢板表面龟裂等小缺陷检测效率低、精度差的问题,提出一种融合Transformer的钢板表面缺陷实时检测算法。首先,融合协调注意力(CA)模块以及最大动态转移(DY)激活函数构建CA-Bneck模块,提高缺陷特征的表示能力;其次,将mobilenetv3、CA-Bneck以及Transformer编码模块相融合,构建一种新的主干特征提取网络mobilenetv3-CATr,用于减轻模型的复杂度;最后,提出一种BiFPN-Lite模块,使得模型复杂度不增加的条件下融合更多缺陷特征;并通过YOLO Head输出缺陷的信息。在热轧钢公开数据集NEU-DET上实验结果表明,所提算法在性能和速度之间取得了平衡,mAP值相较于YOLOv4提升了5.96%,速度达到了20.1FPS,能够有效地完成钢板表面缺陷的实时和高精度检测。

关键词：机器视觉缺陷检测 MobileNetV3网络 Transformer模块

基于Dim env-YOLO算法的昏暗场景车辆多目标检测

在线全文

学校读者我要写书评

暂无评论

计算机工程 2023年第3期49卷 312-320页

作者：郭克友王苏东李雪张沫北京工商大学人工智能学院北京100048 交通运输部公路科学研究院北京100088

低照度的夜间路况复杂,现有夜间车辆识别相关研究较少,且存在识别方法实时性不高、过多占用硬件资源等不足。针对夜间场景车辆识别干扰因素较多、检测效果不佳的问题,提出一种基于YOLOv4的Dim env-YOLO车辆目标检测算法。利用mobilenetv... 详细信息

低照度的夜间路况复杂,现有夜间车辆识别相关研究较少,且存在识别方法实时性不高、过多占用硬件资源等不足。针对夜间场景车辆识别干扰因素较多、检测效果不佳的问题,提出一种基于YOLOv4的Dim env-YOLO车辆目标检测算法。利用MobileNetV3网络替换原始YOLOv4中的主干网络,以减少模型参数量。在改进的YOLOv4模型上使用图像暗光增强方法,提高车辆目标在昏暗环境中的可识别性。在此基础上,引入注意力机制加强特征信息选择,同时利用深度可分离卷积降低网络计算量。选取北京部分道路的夜间场景图片自制数据集并进行实验验证,结果表明,在存在高斯噪声、模糊扰动、雨雾夜晚等情况下,Dim env-YOLO算法的测试结果较稳定,对于照度低于30 lx的昏暗条件下的车流,其检测mAP值达到90.49%,对于最常见的轿车类别,mAP值达到96%以上,优于Faster-RCNN、YOLOv3、YOLOv4等网络模型在昏暗光照条件下的检测效果。

关键词：昏暗场景车辆检测深度可分离卷积 Dim env-YOLO算法 MobileNetV3网络

基于改进YOLOv4模型的群养生猪姿态检测

在线全文

学校读者我要写书评

暂无评论

浙江农业学报 2023年第1期35卷 215-225页

作者：李斌刘东阳时国龙慕京生徐浩然辜丽川焦俊安徽农业大学信息与计算机学院安徽合肥230036 蒙城县京徽蒙农业科技发展有限公司安徽亳州233524

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... 详细信息

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。

关键词： YOLOv4模型 MobileNetV3网络生猪姿态检测

基于改进YOLOv4模型的番茄成熟度检测方法

在线全文

学校读者我要写书评

暂无评论

食品与机械 2023年第9期39卷 134-139页

作者：吕金锐付燕倪美玉曹为刚杜子涛太原城市职业技术学院山西太原030027 西安科技大学陕西西安710054 浙江金华科贸职业技术学院浙江金华321019 河北工业大学天津300401

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。... 详细信息

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。

关键词：番茄成熟度 YOLOv4模型 MobileNetV3网络注意力机制CBAM 平均池化

在线全文

学校读者我要写书评

暂无评论

基于改进U-net网络的液压管路分割方法

电子测量与仪器学报 2023年第1期37卷 123-129页

作者：张平佟昆宏王学珍西安建筑科技大学机电工程学院西安710055 上海宝冶集团有限公司上海201999

针对液压管路背景多变、管道弯折、管道重叠排布等复杂现象且现有图像分割方法对管路分割精度不高等问题,提出一种以U-net网络为基础,结合MobileNetV3网络、SE注意力机制模块、自校正卷积模块的液压管路分割方法。该方法以mobilenetv3-l... 详细信息

针对液压管路背景多变、管道弯折、管道重叠排布等复杂现象且现有图像分割方法对管路分割精度不高等问题,提出一种以U-net网络为基础,结合MobileNetV3网络、SE注意力机制模块、自校正卷积模块的液压管路分割方法。该方法以mobilenetv3-large模型作为骨干网络,结合LR-ASPP网络处理特征图;在解码过程中,融入SE注意力模块和SC自校正模块,提升了特征提取能力;最后采用Dice函数和BCE函数的组合来作为网络的损失函数,有效地提升了网络的收敛能力。实验结果表明本文提出的方法在交并比、像素精度指标上的均值分别达到90.8%、95.2%,且模型体积为16.9 M,推理每张图像所耗时间20 ms,可应用于需实时部署的场景,为液压管路渗漏的准确识别提供了基础。

关键词：液压管路图像分割 MobileNetV3网络注意力机制 SC自校正模块

在线全文

学校读者我要写书评

暂无评论

改进的YOLOv5蛋类缺陷自动检测模型

食品与机械 2022年第11期38卷 155-159,183页

作者：姚学峰李超沈阳职业技术学院辽宁沈阳110045 辽宁科技大学辽宁鞍山114051

目的:解决现有蛋类缺陷图像自动检测方法存在的检测效率低、精度差等问题。方法:在蛋类检测系统的基础上,提出一种改进的YOLOv5自动检测模型。将轻量级网络mobilenetv3添加到YOLOv5模型中,以降低模型复杂度,删除颈部网络和输出端小目标... 详细信息

目的:解决现有蛋类缺陷图像自动检测方法存在的检测效率低、精度差等问题。方法:在蛋类检测系统的基础上,提出一种改进的YOLOv5自动检测模型。将轻量级网络mobilenetv3添加到YOLOv5模型中,以降低模型复杂度,删除颈部网络和输出端小目标检测。结果:与传统的控制方法相比,该方法能够更准确、高效地实现蛋类目标表面缺陷检测,复杂度降低了35%以上,单幅图像的检测时间为14.25 ms,检测准确率>95%,满足食品缺陷检测的需要。结论:改进的YOLOv5检测模型可以有效提高蛋类缺陷检测效率。

关键词：蛋类缺陷自动检测 YOLOv5 MobileNetV3网络轻量化网络

在线全文

学校读者我要写书评

暂无评论

基于深度学习的海面漂浮垃圾检测研究及应用

基于深度学习的海面漂浮垃圾检测研究及应用

作者：韦波上海海洋大学

学位级别：硕士

随着我国沿海工业的持续发展以及海洋开发的不断深入,海面漂浮垃圾(Sea surface floating garbage)污染已经成为我国亟急需解决一个难题。海面漂浮垃圾不仅造成视觉污染,影响沿海旅游业,还可能破坏区域生态链。近年来,基于AI视频处理的... 详细信息

随着我国沿海工业的持续发展以及海洋开发的不断深入,海面漂浮垃圾(Sea surface floating garbage)污染已经成为我国亟急需解决一个难题。海面漂浮垃圾不仅造成视觉污染,影响沿海旅游业,还可能破坏区域生态链。近年来,基于AI视频处理的人工智能技术在医疗、遥感等领域得到了广泛应用,但利用视频监控实时识别海面漂浮垃圾的研究仍然较少。利用智能摄像头监测海面漂浮垃圾,可以实时掌握目标海域海面漂浮垃圾污染状况,为科学治理目标海域的垃圾污染提供支持。基于此,本文提出基于深度学习的海面漂浮垃圾检测及其应用的方法,该方法使用在不同地区拍摄的海面漂浮垃圾数据集,结合海康HEOP(Hikvision Embeded Open Platform,海康嵌入式开放平台)智能摄像头开展对海面漂浮垃圾的自动识别与分类等研究,并对所检测到海面漂浮垃圾进行数量统计,此外还提出了计算海面漂浮垃圾大小的方法,研究结果可以对我国的海面漂浮垃圾治理提供一定的参考。本文主要完成的工作如下:(1)计3D-CNN模型判断目标海域是否存在漂浮垃圾。对2021年5月-2022年8月之间不同地区拍摄的视频数据进行人工标注,分别以0、1表示无目标与有目标,对全部做好标注的视频数据进行分类,最终获得432段视频,其中背景单一的视频1678段。设计3D卷积神经网络模型,其中包括9个Conv3d层,8个Batch Norm3d层,10个PRe LU层,1个FC层以及1个Batch Norm1d层。将做好标注的单一背景数据集与复杂背景数据集分别放入模型中进行训练,并使用未参与训练的数据对模型性能进行测试。最终实验结果表明:在训练集上,单一背景下模型的Precision、Recall与F1值分别为98.88%、99.13%与98.88%,而复杂背景下模型的Precision、Recall与F1值分别为96.2%、95%与95.2%;在测试集上,模型的三个评价指标在单一背景与复杂背景下的值也均在98%与94%以上。说明本文所设计的3D-CNN模型具有较高的判断准确率,可以进行实际应用。(2)利用2D-CNN模型检测海面漂浮垃圾的类别与位置,计算垃圾的数量与大小。对2021年5月-2022年8月之间于不同地区拍摄的图片进行数据标注,分为“Driftwood”、“platic”与“other”三类。接着对YOLOV4模型进行优化,将原始特征提取网络修改为Mobile Net V3网络;并在Mobile Net V3网络第八层中加入SENet,将第三与第五层的Re LU修改为HS激活函数,以提高模型对目标区域的敏感度,同时避免Re LU激活函数出现的神经元死亡问题;最后利用Kmean++算法优化YOLOV4模型的先验框。最终结果表明,与传统two-stage模型以及同系列的YOLO模型相比,优化后的m AP值高达91.75%,是所有对比模型中最高,且实际检测效果也是所有模型中最优;此外,为探究加入后各个模块对优化后模型的影响,设计了消融实验分别计算加入各个模块后模型参数量与计算量的变化。同时,结合模型检测出的目标类别与位置,分别设计一种判断视频前后两帧所检测到目标是否为同一目标的方法与计算目标物体大小的方法,在视频前后两帧所检测到目标类别相同的情况下,通过计算前后两帧所检测到目标物体的面积之比、重合度大小、色差大小判断是否为同一物体,从而计算一段时间内所检测到目标的数量;计算目标物体大小的方法为根据海天线与摄像头所成夹角以及相机距离水面的距离,运用几何方法计算出所检测目标物体的大小。(3)利用HEOP完成对深度学习模型的实际应用,借助HIKFlow平台将训练好的深度学习模型转化为二进制bin文件,接着利用对转化好的bin文件再次通过HIKFlow平台完成推理库Demo文件的编写,最后利用HIKFlow平台的打包功能完成对深度学习模型的app转化并嵌入HEOP智能摄像头中。最终实地测试结果表明,将训练好的深度学习模型嵌入HEOP智能摄像头中能够准确检测出目标区域的漂浮垃圾。本研究的创新点主要体现在以下三点:(1)提出了3D-CNN模型,利用该模型判断目标区域是否存在漂浮垃圾,可以为相关工作人员提供较为准确的判断结果。确定有目标后用2D-CNN模型检测目标的类别与位置,减少海面浪花、光影等对2D-CNN模型检测的干扰。(2)对原始YOLOV4模型进行优化,使模型对漂浮垃圾检测的m AP值高达91.75%;同时还设计了计算检测区域目标数量的方法与计算目标大小的方法。为准确了解检测海域垃圾污染情况提供较多的参考信息。(3)借助HIKFlow平台将所训练的深度学习模型嵌入到海康HEOP智能摄像头中进行实际应用,实现数据的边缘计算,直接传回检测到目标的类别与位置等文本信息,避免了海上通信昂贵而传统摄像头直接传回图像导致的通讯费用较大的问题。

关键词：海面漂浮垃圾深度学习卷积神经网络 MobileNetV3网络 K-mean++ HEOP 边缘计算

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的小目标织物缺陷在线检测方法

基于深度学习的小目标织物缺陷在线检测方法

作者：李杨西安理工大学

学位级别：硕士

纺织品质量检测是纺织品生产过程中极其重要的环节,对纺织品进行有效的质量管理,对于及时发现织物的缺陷,降低产品次品率,提高产品品质具有十分重要的意义。传统的织物疵点人工检测方法尽管能辨识缺陷,但由于有些织物缺陷细微难以观测,... 详细信息

纺织品质量检测是纺织品生产过程中极其重要的环节,对纺织品进行有效的质量管理,对于及时发现织物的缺陷,降低产品次品率,提高产品品质具有十分重要的意义。传统的织物疵点人工检测方法尽管能辨识缺陷,但由于有些织物缺陷细微难以观测,受验布人员主观影响造成的漏检和误检现象已经成为制约纺织行业进一步发展的“瓶颈”。此外,传统的织物缺陷检测方法大多对于某类特定织物有很好的检测效果,难以适应多样化的缺陷和织物类型。深度学习方法因其强大的特征提取能力,为织物缺陷的自动化检测提供了新的手段,但现有的算法模型通常过于庞大,对硬件设备要求较高,且检测速度也难以满足大规模工业化生产的需求。针对以上问题,本文以深度学习为基础,提出基于轻量型卷积神经网络的织物缺陷检测方法。本文的主要工作内容如下:(1)构建织物缺陷数据集。对常见织物缺陷(断经、断纬、粗经、纬档、吊边、松边、花针、漏针、污迹、孔洞等)的几何特征和颜色特征进行分析,将织物缺陷分为经向缺陷、纬向缺陷、破洞、布边缺陷、针眼、污渍6类。通过几何变换、颜色变换、多目标图像构建三种数据增强策略对织物缺陷数据集进行扩充,对图像数据标注后完成织物缺陷数据集的建立。(2)针对传统的织物缺陷检测算法对小目标分类检测效果不佳的问题,提出一种基于EfficientNet-Yolov4的织物缺陷检测方法。使用轻量级卷积神经网络EfficientNet作为主干特征提取网络;引入空间金字塔池化结构增大特征图的感受野;引入路径聚合网络PANet进行特征图的多尺度特征融合,提高网络模型对小目标织物缺陷的辨识能力;采用K-means聚类算法对训练数据集中织物缺陷的先验框尺寸进行聚类分析,优化先验框宽高尺寸。实验结果表明,基于EfficientNet-Yolov4的织物缺陷检测方法在自制织物缺陷数据集上获得了 98.33%的平均准确率;相比于SSD、YOLOv4等当前主流单阶段检测算法,本章所提出算法对小目标织物缺陷图像信息的利用更加充分,大幅降低了各类织物缺陷检测的漏检率。(3)针对第三章所提出网络检测速度难以达到工业检测实时性要求的问题,提出一种基于改进mobilenetv3的织物缺陷检测方法。采用规模更小的mobilenetv3作为主干网络提取图像特征;引入多尺度加权双向特征融合网络BiFPN,在特征融合时通过增加可学习权重使网络能自适应调整不同输入特征的权重;用深度可分离卷积块替代结构中的3×3卷积轻量化网络结构;使用CIOU优化回归框位置损失函数。实验结果表明,基于改进mobilenetv3的织物缺陷检测方法在自制织物缺陷数据集上获得了 97.52%的平均准确率,检测速度达到了 30.82FPS。较第三章所提出方法,在损失少量检测精度的条件下,使其检测速度满足了工业生产实时性的需求。

关键词：织物缺陷检测深度学习 EfficientNet 网络 MobileNetV3网络

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

多尺度特征融合轻量化夜间红外行人实时检测

中国激光 2022年第17期49卷 115-124页

作者：何自芬陈光晨陈俊松张印辉昆明理工大学机电工程学院云南昆明650500

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... 详细信息

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。

关键词：成像系统夜间红外行人检测多尺度融合 MobileNetV3网络模型剪枝