检索结果-南通市图书馆

基于mobilenetv2的自然场景口罩检测算法

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

传感器与微系统 2023年第9期42卷 137-140页

作者：郭松尹明臣鄂尔多斯应用技术学院数学与计算机工程系内蒙古鄂尔多斯017000 苏州微光电子融合技术研究院有限公司江苏苏州215000

新型冠状病毒(COVID—19)可以通过呼吸道飞沫等方式传播,自然场景中的遮挡、密集、小尺度等复杂因素会对口罩检测任务产生影响。针对以上问题,采用mobilenetv2网络作为全文的主干网络提取面部特征,构造特征金字塔,并结合视觉注意力机制... 详细信息

新型冠状病毒(COVID—19)可以通过呼吸道飞沫等方式传播,自然场景中的遮挡、密集、小尺度等复杂因素会对口罩检测任务产生影响。针对以上问题,采用mobilenetv2网络作为全文的主干网络提取面部特征,构造特征金字塔,并结合视觉注意力机制,提出了一种口罩检测新算法,以实现在复杂场景下检测口罩佩戴情况的目标。算法利用空间注意力机制处理浅层特征,强化面部区域,利用通道注意力机制学习高层语义特征分布并强化语义信息,从而提高面部区域检测精度。实验结果表明:该算法在有遮挡、密集和小尺度的场景下取得了较高的精度,而且能够实时对视频进行口罩检测,鲁棒性较好。

关键词：口罩检测空间注意力通道注意力 mobilenetv2

水体微纤维图像识别的改进mobilenetv2算法

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

郑州大学学报（工学版） 2021年第5期42卷 25-31页

作者：吕璐璐陈树越王利平许霞常州大学微电子与控制工程学院江苏常州213164 常州大学环境与安全工程学院江苏常州213164

针对人工识别水体微纤维耗时耗力,以及传统图像处理算法识别水体微纤维图像鲁棒性弱等问题,构建了一种改进的mobilenetv2网络识别微纤维算法。在特征提取部分采用特征重构策略,先压缩深度卷积特征,获取全局感受野;再利用多层全连接为每... 详细信息

针对人工识别水体微纤维耗时耗力,以及传统图像处理算法识别水体微纤维图像鲁棒性弱等问题,构建了一种改进的mobilenetv2网络识别微纤维算法。在特征提取部分采用特征重构策略,先压缩深度卷积特征,获取全局感受野;再利用多层全连接为每个通道生成权重,建立通道之间的相互依赖关系;最后逐通道加权到原特征上,完成对原始特征的重构。此外,采用不同大小的下采样器捕获不同尺度的特征信息并融合,增强微纤维的细节特征信息,提升模型对微纤维的学习能力与识别效果。改进mobilenetv2网络的微纤维识别准确率达到97.96%,与原始mobilenetv2网络相比高2.54%,同时,误识率和漏识率也有显著的降低。相较于ResNet、DenseNet、VGG16和NasNet网络,模型大小压缩了若干倍,微纤维识别准确率有所提升,误识率与漏识率大大降低。实验表明:该网络模型能够提取更加完整的微纤维特征信息,加强微纤维特征判别指向性的同时减小了模型尺寸,降低了在移动设备中部署的难度,并且使识别微纤维具有更高的准确率和更好的稳定性。

关键词：水体微纤维识别 mobilenetv2 池化融合特征重构

基于mobilenetv2的目标检测算法研究与应用

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于MobileNetV2的目标检测算法研究与应用

作者：周博文湖北工业大学

学位级别：硕士

随深度学习的发展和硬件设备的完善,目标检测逐渐成为计算机视觉方向的重要研究内容之一。它具备自动化和智能化属性,能够确定图像中是否包含指定目标,并给出目标准确的位置信息,在智慧交通、视频监控等诸多场景有着广泛应用。然而在图... 详细信息

随深度学习的发展和硬件设备的完善,目标检测逐渐成为计算机视觉方向的重要研究内容之一。它具备自动化和智能化属性,能够确定图像中是否包含指定目标,并给出目标准确的位置信息,在智慧交通、视频监控等诸多场景有着广泛应用。然而在图像背景复杂和目标被遮挡等的情况下,很难得到较好的检测效果,而且卷积神经网络的使用让模型复杂度有所提升,进而带来了计算成本的增加,导致算法应用在算力较低的设备上时出现计算速度慢等问题。基于此,本文对基于深度学习的目标检测方法展开了深入研究,构建了一种轻量化的目标检测模型,并在自制装甲板数据集上对本文所设计模型进行应用。其中,主要的工作如下。1.在目标检测任务中,传统的方法大多使用手工设计的特征算法对图像进行分类,因此存在鲁棒性差,耗时过长等问题。基于此,本文引入卷积神经网络作为目标检测的依赖结构。在对卷积神经网络结构进行分析的基础上,分别研究了基于单阶段和基于两阶段的检测模型,采用了单阶段检测器（SSD）中锚点框回归的方式来设计网络模型,在不同尺度的特征图上实现对目标的预测。2.针对现有SSD模型参数量过大、检测效率较低的问题,引入了mobilenetv2网络中的深度可分离卷积和倒置残差块结构作为模型的特征提取网络,设计了以mobilenetv2网络为骨干网络的多尺度目标检测模型,实现对网络的剪枝,轻量化算法模型;针对后置算法中非极大值抑制（NMS）操作容易使重叠度较高的同类目标出现漏检的问题,引入置信度衰减函数,提出了改进的非极大值抑制策略;通过Tensorflow框架完成了网络模型的设计,并以均值平均精度、参数量和帧率作为性能指标,在VOC数据集上对改进后的算法进行性能分析,实验证明本文提出的基于mobilenetv2和改进NMS的目标检测算法在主观评价和客观评价上均有良好的表现。3.将所设计的改进mobilenetv2-SSD模型应用在“全国大学生机器人大赛Robomaster”项目上,实现对智能车上装甲板的检测。构建了自制装甲板数据集,并通过参数调整对模型进行了训练,设计了不同环境下的装甲板检测实验,达到了快速、准确地识别待测目标的效果,最终取得了92.4%的AP性能指标。实验结果表明,改进后的检测模型具有较高的精度以及较快的检测速度,可以在低算力设备上实现对复杂环境下装甲板的检测,实际应用效果较好。

关键词：深度学习目标检测 mobilenetv2 SSD算法智能车装甲板检测

基于mobilenetv2-YOLOv4模型的行人车辆检测算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

电脑与信息技术 2023年第4期31卷 1-5,37页

作者：龚凯陈垣衡侯斐斐樊欣宇王一军长沙逸凯智能科技有限公司湖南长沙410221 中南大学自动化学院湖南长沙410083

无人驾驶关键技术不断突破,并在更多场景中得到应用。研究车辆行人自动化检测算法具有十分重要的意义。为了提升系统的检测效果,解决因目标物体尺寸太小、目标遮挡以及复杂环境等因素影响所导致的检测精度不高的问题,提出了一种改进的YO... 详细信息

无人驾驶关键技术不断突破,并在更多场景中得到应用。研究车辆行人自动化检测算法具有十分重要的意义。为了提升系统的检测效果,解决因目标物体尺寸太小、目标遮挡以及复杂环境等因素影响所导致的检测精度不高的问题,提出了一种改进的YOLOv4模型对数据集进行训练,采用轻量化网络mobilenetv2代替YOLOv4中原有的主干网络,以此获取有效特征层,降低原有网络的运算量和参数量。实验结果表明,改进的mobilenetv2-YOLOv4模型可以达到40.76%的平均精度,每个epoch的学习时间仅约12 min,既保证了识别精度又提高了检测速度。

关键词：目标检测车辆行人检测 mobilenetv2 YOLOv3 改进YOLOv4

基于改进mobilenetv2特征提取的SCN表情识别算法的研究与应用

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于改进MobileNetV2特征提取的SCN表情识别算法的研究与应用

作者：刘忠旭哈尔滨师范大学

学位级别：硕士

机器学习和深度学习的发展给人脸表情识别研究带来了空前的发展机遇,在深度神经网络算法的应用结合下人脸表情识别获得了骄人的成果。现阶段人脸图像和视频识别任务大多是基于卷积神经网络进行特征提取的。然而,深度神经网络在实际应用... 详细信息

机器学习和深度学习的发展给人脸表情识别研究带来了空前的发展机遇,在深度神经网络算法的应用结合下人脸表情识别获得了骄人的成果。现阶段人脸图像和视频识别任务大多是基于卷积神经网络进行特征提取的。然而,深度神经网络在实际应用中存在计算量大、模型参数多等问题,对于嵌入式设备、移动端设备等资源受限的场景,其应用受到了较大的限制。因此,轻量级卷积神经网络的研究以及轻量级卷积神经网络在人脸表情识别算法中的应用具有重要意义。本研究针对卷积神经网络的轻量化和人脸表情识别技术进行研究。利用自修复网络(Self-Cure Network,SCN)表情识别算法的优势,采用改进的mobilenetv2做人脸表情图像的特征提取网络。调整mobilenetv2的网络层结构;在模型中嵌入CA(Coordinate Attention)注意力机制增强模型对重要特征的学习;采用全局逐深度卷积(global depthwise convolution,GDConv)代替全局平均池化层;调整深度卷积(DW)的卷积核大小;调整Mobile Net宽度因子进一步降低模型的参数。最终以宽度因子为0.5的条件下设计构建了MSCN模型。在没有预训练的前提下,模型在RAF-DB和FERPlus两个数据集上的识别正确率分别为79.46%和81.65%较原SCN算法分别提升7.81%和5.37%。模型参数量和计算量分别减少了11511608和1731.21 MFlops,分别是原模型的1.52%和4.95%得到了大幅度降低。同时将改进后的MSCN模型与经典卷积神经网络模型做对比,MSCN在精度保持最高的前提下计算量和参数量也远低于其他对比模型。为了实现MSCN在移动端设备上的应用,随即利用训练好的模型构建人脸表情识别系统,以微信小程序为系统平台,开发了一款表情识别微信小程序。经过系统测试结果表明该系统的表情识别准确率高、操作方便、运行流畅、功能完备、证明MSCN轻量级人脸表情识别系统具有广泛的应用前景。总之,本文提出了一种轻量级人脸表情识别模型,具有高准确率、小体积和参数量计算量低的特点,并成功地将其应用在移动端设备上运行。

关键词：人脸表情识别技术 mobilenetv2 注意力机制特征提取自修复网络卷积神经网络

基于mobilenetv2的轻量化柑橘虫害识别方法研究

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MobileNetV2的轻量化柑橘虫害识别方法研究

作者：张鹏程华中农业大学

学位级别：硕士

我国是全球最大的柑橘生产国,但果园虫害问题发生频繁,每年柑橘总产量的10%～20%会因虫害侵蚀而损失,严重限制柑橘产业的健康发展。在实际虫害防治过程中,虫害识别是实现精准高效防治的前提,但目前果园虫害种类通常由农户凭经验进行识别... 详细信息

我国是全球最大的柑橘生产国,但果园虫害问题发生频繁,每年柑橘总产量的10%～20%会因虫害侵蚀而损失,严重限制柑橘产业的健康发展。在实际虫害防治过程中,虫害识别是实现精准高效防治的前提,但目前果园虫害种类通常由农户凭经验进行识别,费时费力,准确率也无法得到保证。因此,亟需开发轻量化柑橘虫害的自动化识别工具,为农户提供高效率、高精度的虫害分类识别服务,针对性地开展虫害精准防治,提高经济效益。本文收集了10类常见的柑橘虫害图像数据集,以mobilenetv2作为基准网络,开发虫针对柑橘虫害的智能识别方法,根据混淆矩阵和类激活图可视化分析结果对柑橘虫害训练集进行背景分割,并比较了多种注意力机制的mobilenetv2模型对虫害识别能力的优化提升程度,具体研究内容如下:(1)针对柑橘果园中最常见的10种虫害,本文共收集了4191张图片,并按照60%、20%、20%的比例随机划分为训练集、验证集和测试集,使用mobilenetv2网络进行柑橘虫害分类,并在模型训练过程中使用数据增强操作来强化网络的鲁棒性,测试结果表明模型准确率达到91.95%。根据训练、测试结果生成loss曲线图和混淆矩阵,并分析模型对每类虫害的分类能力;同时,对训练后的模型进行类激活图可视化分析,发现由于虫害图像的背景较为复杂,在网络进行分类时占有一定的权重,影响了分类精度。(2)为减少复杂背景的影响,使用语义分割和图像掩膜方法去除训练集图片背景,并在未分割的验证集、测试集上分别进行网络验证和测试。经过分割训练集训练后的mobilenetv2模型的测试准确率达到92.60%,分类性能优于原数据集模型;但经过混淆矩阵分析后发现,分割数据集模型对部分虫害的分类能力依然较弱,需要提升基准网络模型的特征提取能力;比较两类数据集模型的可视化热力图,发现分割数据集模型的关注区域更集中在虫害区域,但仍存在少量关注区域分散在背景部分。(3)为提升基准网络模型对虫害特征的提取能力,在mobilenetv2模型瓶颈层中分别添加SE、CBAM和ECA三种注意力机制,在相同参数设置下使用柑橘虫害分割数据集对三种改进网络进行训练、验证和测试,测试结果表明ECA＿mobilenetv2模型的分类准确率达到93.87%,优于其他改进网络,并且该模型的复杂度较低,能够满足在边缘设备中计算需求。对ECA＿mobilenetv2模型进行网络参数对比试验,当图像输入尺寸为336×336、学习率为0.001时,模型的分类性能最高。(4)为开发出能够应用在柑橘产区的柑橘虫害实时检测工具,本文基于边缘计算的安卓APP,可适用于网络信号差的柑橘产区中。为搭建基于边缘计算的安卓APP,对ECA＿mobilenetv2模型进行基于Paddle Lite格式的轻量化转换,并移植部署在应用端中,从而实现虫害分类推理功能。对柑橘虫害识别APP进行虚拟机和实机功能测试,均能够实现柑橘虫害的分类预测功能。

关键词：柑橘虫害数据集深度学习 mobilenetv2 注意力机制边缘计算虫害识别APP

基于mobilenetv2的大田玉米病虫害识别系统

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MobileNetV2的大田玉米病虫害识别系统

作者：廉政山西农业大学

学位级别：硕士

玉米亩产量高、种植面积广,是我国粮食战略储备中非常重要的农作物。而玉米生长过程中遭受的病害和虫害问题,是导致玉米减产的主要原因。因此,精准识别病虫害问题并能及早采取防治措施是粮食增产的关键手段。本文针对玉米生长过程中面... 详细信息

玉米亩产量高、种植面积广,是我国粮食战略储备中非常重要的农作物。而玉米生长过程中遭受的病害和虫害问题,是导致玉米减产的主要原因。因此,精准识别病虫害问题并能及早采取防治措施是粮食增产的关键手段。本文针对玉米生长过程中面临的复杂的病虫害问题,研究了一种可以有效诊断玉米病虫害的识别系统。本研究的主要工作如下:(1)针对训练玉米病虫害诊断模型需要大量带标记的病虫害数据集问题,本文调研并整理了10种玉米病害和10种玉米虫害的形态特征、危害方式、防治方法,同时借助先前研究者构建的农作物病虫害数据集以及网络爬虫收集了大量玉米病害和虫害图片,为设计玉米病虫害诊断系统的标记数据提供基础。(2)在Tensor Flow深度学习平台上,使用Mobile Net V2预训练模型,通过在玉米病虫害数据集上训练实现特征迁移,最终获得一个对玉米病害和虫害具有较高识别率的分类器。使用验证集对该分类器进行验证,得到该分类器的识别准确率达到82%左右。文中对影响分类器识别准确率的原因做出分析,并给出提高识别准确率的方法。(3)采用C/S架构,设计并实现了Android应用的玉米病虫害识别系统,该系统包括病害和虫害即时检测、类别查询、与专家沟通求助等模块,提高了农民防治玉米病虫害问题的科学性、灵活性、时效性。

关键词：玉米病害玉米虫害图像识别 mobilenetv2 Android应用

基于mobilenetv2和DeepLabV3+的Android人像背景虚化系统

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MobileNetV2和DeepLabV3+的Android人像背景虚化系统

作者：谢林江西安电子科技大学

学位级别：硕士

现如今人们越来越多地使用手机进行拍照,人像背景虚化系统是目前手机拍照领域的一大热门研究方向。背景虚化效果通常通过手机多摄像头镜头之间的叠加完成,但多摄像头为手机机身重量带来了更多负担,增加了手机制造成本,对于用户来说便增... 详细信息

现如今人们越来越多地使用手机进行拍照,人像背景虚化系统是目前手机拍照领域的一大热门研究方向。背景虚化效果通常通过手机多摄像头镜头之间的叠加完成,但多摄像头为手机机身重量带来了更多负担,增加了手机制造成本,对于用户来说便增加了手机购买价格。因此本文依托某手机单摄像头人像背景虚化项目,借助神经网络算法完成Android手机人像背景虚化系统。本文实现并训练人像分割模型,利用移动端算法移植框架对其进行移植并部署到手机本地,使用户在无网络的状态下也能随时使用本系统,降低网络延迟并很好地保护用户的隐私。本文具体研究内容如下:（1）本文使用DeepLabV3+网络作为人像分割模型的整体网络架构,对其进行的改动为将DeepLabV3+的主干网络部分Xception替换为轻量化网络mobilenetv2,并为mobilenetv2网络添加空洞卷积。在2312张图片训练集上进行训练,loss最终收敛于0.115,在450张图片测试集上达到了0.889m Io U。（2）本文利用MACE与Tensorflow Lite两种移动端算法移植框架对训练好的人像分割模型进行移植并将其部署到Android端。MACE使用Bazel与CMake编译工具将模型编译为动态库,利用JNI调用模型预测推理。Tensorflow Lite使用Tensorflow接口将模型转换为tflite格式,导入至Android端资源文件夹assets,直接利用Android接口调用模型预测推理。（3）本文利用Android Studio构建Android客户端,在Android端利用Renderscript完成后续背景虚化处理。输入图片经过移植好的人像分割模型预测推理得到人物部分为白背景部分为黑的mask图,编写Renderscript脚本对原图和mask图进行处理,最终得到完整的人像背景虚化图。（4）本文测试人像分割模型移植部署后的效果,在预测推理效果方面,移植后预测推理出的mask图与原模型预测推理出的mask图两者的m Io U为0.878-0.943;在耗时方面,移植后的模型预测推理处理耗时为198-530ms;在资源占用方面,移植后的模型预测推理CPU占用为10%-40%,内存占用为24M-53M。经过完整测试,本文实现的人像背景虚化系统效果良好,整体运行时间在3s以内,整个过程无需将图片上传到网络,很好地保护了用户的隐私,系统具有一定的反编译能力和良好的实用性。

关键词：背景虚化人像分割 DeepLabV3+ mobilenetv2 Android

Android系统下基于mobilenetv2的画面场景识别技术研究与实现

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

Android系统下基于MobileNetV2的画面场景识别技术研究与实现

作者：高彦龙西安电子科技大学

学位级别：硕士

在计算机视觉领域,深度学习技术的发展取得了比传统方法更好的性能。但是深度学习模型在不断提高性能的同时,还带来了诸如网络参数大、模型结构复杂、计算成本高以及内存消耗大等缺点,这使得在资源有限的嵌入式移动设备上运行深度学习... 详细信息

在计算机视觉领域,深度学习技术的发展取得了比传统方法更好的性能。但是深度学习模型在不断提高性能的同时,还带来了诸如网络参数大、模型结构复杂、计算成本高以及内存消耗大等缺点,这使得在资源有限的嵌入式移动设备上运行深度学习模型变得困难。因此研究如何降低深度学习模型尺寸、降低计算量,在移动端部署深度学习具有重要意义。针对上述问题和特点,本文研究了卷积神经网络的压缩和优化技术,对轻量级神经网络模型mobilenetv2进行优化与加速,构建Android系统下画面场景识别系统,并依托实际项目将其部署于企业移动端电视产品上,为嵌入式终端设备的画质调整功能提供更加准确、快速、稳定的电视画面场景识别技术。首先,本文通过移除mobilenetv2模型中的7层倒置的线性残差块以精简模型结构,压缩效果为降低了0.9M的参数量和56M的计算量。然后对模型采用Slimming方法进行channel剪枝,将每个神经元作为channel进行处理,为每个通道引入一个比例因子γ充当通道选择的代理,对比例因子施加L1惩罚项,并采用Image Net数据集得到预训练模型,剪枝效果为模型尺寸降低25%,准确为69.9%。最后,对channel剪枝后的预训练模型更改最后一层softmax层并保留其余权重进行迁移学习,用电视画面场景数据集重新微调训练,准确率为70%。然后通过MACE框架提供的训练后量化技术对模型进行量化,将模型尺寸压缩3-4倍,运行速度提升2-3倍,准确率仅降低不到0.1%。最后,将训练完成的模型通过MACE框架移植到Android移动端,并开发Android应用程序,在Android端运行速度在30.9ms左右,识别准确率为71%左右,占用内存为70～90MB之间,内存占用率在%2～%1之间,CPU占用率在40%～%15之间;在手机端测试达到项目需求之后将模型结合画面调整功能部署于TCL 75P8人工智能网络平板电视端,用于电视画面增强,模型的识别时间为165ms,识别准确率为75%左右,内存占用为80～90MB之间。最终的实验结果表明,改进后的模型相较于原模型,能够稳定的运行在手机、电视等嵌入式设备上,模型运行效率取决于测试设备的软硬件配置。本文在降低模型较低的准确率的同时也很大程度降低了模型参数量、尺寸和计算量,并提升了模型运行速度,这对于资源稀缺的嵌入式设备至关重要。该模型已成功移植到电视平台并与画面调整功能对接,目前正在推进项目的产品化;该项目的具体功能效果已在公司内部进行了效果演示,并在CES 2019展上展出。

关键词：深度学习卷积神经网络 mobilenetv2 MACE Android