检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于轻量级残差网络的无人机个体识别方法

兵器装备工程学报 2023年第6期44卷 246-253页

作者：杨雷郭恩泽刘益岑魏国峰杨宁郭道省中国人民解放军陆军工程大学通信工程学院南京210007 中国人民解放军陆军工程大学通信士官学校重庆400035 信号盲处理国家级重点实验室成都610041

在无人机的个体识别中,针对现有的识别方法存在分类准确率低、实时性差、网络模型参数量大以及难以应用于资源受限的设备等问题,提出基于轻量级残差网络(scale down resnet,SDRNet)的无人机个体识别方法。首先,通过短时傅里叶变换(short... 详细信息

在无人机的个体识别中,针对现有的识别方法存在分类准确率低、实时性差、网络模型参数量大以及难以应用于资源受限的设备等问题,提出基于轻量级残差网络(scale down resnet,SDRNet)的无人机个体识别方法。首先,通过短时傅里叶变换(short time fourier transform,STFT)把一维时域信号转为二维时频图像,并对图像进行灰度处理。其次,网络基于mobilenetv2,结合无人机个体信号的时频图像特征,通过缩减网络层数以降低模型深度,通过减少输出通道数以降低模型维度;借鉴ResNet残差结构的设计思想,通过增加卷积层的残差连接以实现更多不同深度网络的集成,设计出轻量级残差网络SDRNet模型。最后,利用STFT时频灰度图作为样本对SDRNet模型进行训练,实现对无人机个体的识别。仿真实验采用公开的6架悬停无人机的信号、在AWGN高斯白噪声信道环境下进行。实验结果表明,所提方法在信噪比SNR=10 dB的环境下对无人机个体信号的平均识别率为94.00%,分别高于mobilenetv2、GoogleNet模型的0.17%、5.17%,低于ResNet模型2.50%;所设计的SDRNet模型的可学习参数量、模型规模、乘加计算量约为基础轻量级mobilenetv2模型的19.5%、19.6%、35.9%。相较于基于mobilenetv2、GoogleNet、ResNet等神经网络模型方法相比,所提方法在保持较高识别准确率的同时,具有更快的识别速度和更小的内存开销。

关键词：无人机信号个体识别轻量级神经网络 mobilenetv2 残差网络

改进DeepLabV3+网络的遥感影像道路综合提取方法

在线全文

学校读者我要写书评

暂无评论

测绘通报 2022年第6期 55-61页

作者：任月娟葛小三河南理工大学测绘与国土信息工程学院河南焦作454003

遥感图像复杂场景道路提取过程受树木和建筑物阴影,以及荒地、空地等因素干扰较多。针对利用DeepLabV3+网络模型进行道路提取时存在的道路信息不完整和细节信息丢失的问题,本文提出了一种改进DeepLabV3+网络的遥感影像道路提取方法。该... 详细信息

遥感图像复杂场景道路提取过程受树木和建筑物阴影,以及荒地、空地等因素干扰较多。针对利用DeepLabV3+网络模型进行道路提取时存在的道路信息不完整和细节信息丢失的问题,本文提出了一种改进DeepLabV3+网络的遥感影像道路提取方法。该方法以轻量级的mobilenetv2作为骨干网络进行特征提取,采用空间金字塔池化模块获得多尺度道路信息特征,从而减少道路遥感图像细节的损失,并提高网络模型的道路提取精度。在DeepGlobe数据集上进行道路提取试验的结果表明,该方法在提升准确率的基础上,有效降低了计算的复杂度;像素准确率和交并比分别达79.7%、64.3%,均优于DeepLabV3+网络及其他经典网络模型,表现出更优异的道路提取能力。

关键词：道路提取改进DeepLabV3+ mobilenetv2 空间金字塔池化

一种轻量级的DeepLabv3+遥感影像建筑物提取方法

在线全文

学校读者我要写书评

暂无评论

自然资源遥感 2022年第2期34卷 128-135页

作者：王华俊葛小三河南理工大学测绘与国土信息工程学院焦作454003

快速从遥感影像中提取出具有较高精度的建筑物是遥感智能化应用服务的重要研究内容之一。针对DeepLab模型对遥感影像建筑物边缘分割不精确、分割大尺度目标存在孔洞现象、网络参数量大等问题,提出一种轻量级DeepLabv3+模型的遥感影像建... 详细信息

快速从遥感影像中提取出具有较高精度的建筑物是遥感智能化应用服务的重要研究内容之一。针对DeepLab模型对遥感影像建筑物边缘分割不精确、分割大尺度目标存在孔洞现象、网络参数量大等问题,提出一种轻量级DeepLabv3+模型的遥感影像建筑物提取方法。该方法使用轻量级网络mobilenetv2替换DeepLabv3+的主干网络Xception,从而减少参数量、提高训练速度;对空洞空间金字塔池化(atrous spatial pyramid pooling,ASPP)的空洞率进行优化组合,提高多尺度语义特征提取效果。改进的模型在WHU和Massachusetts数据集上进行验证实验,结果表明,在WHU数据集中得到的交并比和F1分数分别为82.37%和92.89%,比DeepLabv3+分别提高2.71百分点和2.14百分点,在Massachusetts数据集中的交并比和F1分数比DeepLabv3+分别提高2.04百分点和2.32百分点,训练参数量和训练时间减少,建筑物提取精度得到有效提高,能够满足快速提取高精度建筑物的要求。

关键词：深度学习语义分割改进ASPP DeepLabv3+ mobilenetv2

在线全文

学校读者我要写书评

暂无评论

DPENet:轻量化文档姿态估计网络

计算机工程与应用 2022年第22期58卷 210-218页

作者：韩晶吕学强张祥祥郝伟张凯北京信息科技大学网络文化与数字传播北京市重点实验室北京100101 首都师范大学中国语言智能研究中心北京100048

现有的用于矫正透视倾斜变形文档的深度学习模型存在空间泛化性差、模型参数量大、推理速度慢等问题。从姿态估计的角度出发,提出一种轻量化文档姿态估计网络DPENet(lightweight document pose estimation network),以优化上述问题。将... 详细信息

现有的用于矫正透视倾斜变形文档的深度学习模型存在空间泛化性差、模型参数量大、推理速度慢等问题。从姿态估计的角度出发,提出一种轻量化文档姿态估计网络DPENet(lightweight document pose estimation network),以优化上述问题。将文档图像中的单一文档视为一个姿态估计对象,将文档的四个角点视为文档对象的四个姿态估计点,采用兼具全连接回归与高斯热图回归优点的DSNT(differentiable spatial to numerical transform)模块实现文档图像角点的高精度定位,并通过透视变换处理实现透视变形文档图像的高精度矫正。DPENet采用轻量化设计,以面向移动端的mobilenetv2为主干网络,模型体量只有10.6 MB。在SmartDoc-QA(仅取148张文档图像)数据集上与现有的三种主流网络进行了对比实验,实验结果表明,DPENet的矫正成功率(96.6%)和平均位移误差(mean displacement error,MDE)(1.28个像素)均优于其他三种网络,同时其平均矫正速度也有良好的表现。在保持轻量化和速度快的条件下,DPENet网络具有更高的变形文档矫正成功率和矫正精度。

关键词：姿态估计深度学习文档图像矫正轻量化网络 mobilenetv2

基于改进YOLOv4的工件表面缺陷检测方法

在线全文

学校读者我要写书评

暂无评论

计算机应用 2022年第S1期42卷 94-99页

作者：陈德富闫坤熊经先刘思尧胡东华甘海铭桂林电子科技大学信息与通信学院广西桂林541004 桂林金格电工电子材料科技有限公司广西桂林541004

针对将深度学习用于工件检测环境中计算资源受限的问题,提出了一种基于改进YOLOv4的工件表面缺陷检测方法。首先,使用轻量化网络模型mobilenetv2替换YOLOv4原有的主干特征提取网络,并使用深度可分离卷积替换掉YOLOv4中使用的3×3标准卷... 详细信息

针对将深度学习用于工件检测环境中计算资源受限的问题,提出了一种基于改进YOLOv4的工件表面缺陷检测方法。首先,使用轻量化网络模型mobilenetv2替换YOLOv4原有的主干特征提取网络,并使用深度可分离卷积替换掉YOLOv4中使用的3×3标准卷积,大幅减小模型的参数规模,提升模型的检测速度;其次,提出一种图像预处理方法,在输入检测网络前定位并裁取出图像中工件的区域;最后,由于YOLOv4已有的Mosaic数据增强方法在自制VOC数据集上表现不佳,引入一种新的数据增强方法以防止训练过程产生过拟合现象。实验结果表明,该方法对工件缺陷的检测精度达到90.63%,检测速度为每秒34.56帧,相较于原始YOLOv4模型,模型规模减小82.1%,检测精度提升了2%,检测速度提升了150%;与SSD和FasterR-CNN等模型相比较,该模型在检测速度和检测精度上有着出色的综合表现,能够针对工件银面缺陷进行高效的检测。

关键词：表面缺陷检测 YOLOv4 mobilenetv2 数据增强轻量化网络

基于迁移学习的轻量化YOLOv2口罩佩戴检测方法

在线全文

学校读者我要写书评

暂无评论

电子测量技术 2022年第10期45卷 112-117页

作者：张烈平李智浩唐玉良桂林理工大学机械与控制工程学院桂林541006

针对当前佩戴口罩数据集样本数量较少、硬件条件受限的情况下,本文提出了一种基于迁移学习的轻量化YOLOv2口罩佩戴检测方法。该方法以YOLOv2目标检测方法为基础,利用参数迁移学习的mobilenetv2作为特征提取网络,简化了网络模型并提高了... 详细信息

针对当前佩戴口罩数据集样本数量较少、硬件条件受限的情况下,本文提出了一种基于迁移学习的轻量化YOLOv2口罩佩戴检测方法。该方法以YOLOv2目标检测方法为基础,利用参数迁移学习的mobilenetv2作为特征提取网络,简化了网络模型并提高了训练速度。预训练的mobilenetv2特征提取网络与YOLOv2目标检测网络结合构成口罩佩戴检测网络模型。收集并建立了1000张人脸佩戴口罩图片数据集对网络模型进行训练和测试。实验结果表明,与YOLOv2、SSD300模型相比,mobilenetv2-YOLOv2模型口罩佩戴检测平均准确率提高3.8%、2.7%,检测速度提升2.5和2.4倍。并且在光线不足和密集检测条件下,mobilenetv2-YOLOv2依然可以有效进行口罩佩戴检测,相较于R-CNN和Faster-RCNN具有更好的检测效果,体现了更强的鲁棒性。

关键词：计算机神经网络口罩佩戴检测迁移学习 YOLOv2 mobilenetv2

基于改进的YOLOv4绝缘子掉片故障检测方法

在线全文

学校读者我要写书评

暂无评论

电瓷避雷器 2022年第1期 211-218页

作者：党宏社薛萌郭琴陕西科技大学电气与控制工程学院西安710021 西安西瑞控制技术股份有限公司西安710021

针对现有输电线路无人机巡检使用的目标检测算法速度较慢且模型文件较大的问题,提出了一种改进的YOLOv4目标检测算法。使用轻量型的mobilenetv2网络作为模型的主干特征提取网络,并将模型后续的标准卷积运算变为深度可分离卷积,减少了运... 详细信息

针对现有输电线路无人机巡检使用的目标检测算法速度较慢且模型文件较大的问题,提出了一种改进的YOLOv4目标检测算法。使用轻量型的mobilenetv2网络作为模型的主干特征提取网络,并将模型后续的标准卷积运算变为深度可分离卷积,减少了运算参数。使用K-means聚类得到了9种绝缘子及掉片故障锚框尺寸的先验知识。使用h-swish函数作为模型颈部网络的激活函数,减少了特征反复提取过程的信息损失。通过与主流算法进行实验对比,改进后的算法检测速度可达到10.51 FPS,相较SSD算法快了18.7%,模型文件大小为46.4 MB,仅为原算法的1/5,检测的平均精度mAP达到94.08%,在满足精度的情况下提升了检测速度,减少了模型体积,为实现无人机巡检的边采集边检测提供了可能。

关键词：绝缘子故障目标检测 YOLOv4 mobilenetv2 深度学习

基于改进DeepLabv3+网络的氩花图像语义分割

在线全文

学校读者我要写书评

暂无评论

武汉科技大学学报 2023年第1期46卷 25-32页

作者：秦汉熊凌肖林伟但斌斌武汉科技大学冶金自动化与检测技术教育部工程研究中心湖北武汉430081 武汉科技大学机器人与智能系统研究院湖北武汉430081 湖南开放大学智能制造学院湖南长沙410004

钢包底吹氩过程中钢液表面裸露区域(即氩花)的面积可以间接反映吹入钢包中的氩气量。为了准确识别出钢水表面图像中的氩花区域,本文提出一种基于改进DeepLabv3网络的图像语义分割方法。该方法以DeepLabv3网络为基础,采用mobilenetv2作... 详细信息

钢包底吹氩过程中钢液表面裸露区域(即氩花)的面积可以间接反映吹入钢包中的氩气量。为了准确识别出钢水表面图像中的氩花区域,本文提出一种基于改进DeepLabv3网络的图像语义分割方法。该方法以DeepLabv3网络为基础,采用mobilenetv2作为主干特征提取网络,以降低网络的参数量和计算量;同时将原来的交叉熵损失函数替换成Focal Loss损失函数,以解决正/负样本不平衡和难/易分类样本不平衡的问题;最后在网络结构中添加通道注意力机制来提高语义分割精度。以生产现场采集的图像数据为对象进行实验,结果表明,与原始DeepLabv3相比,本文网络模型的参数量和计算量降低了约92.3%,平均交并比提升了0.82个百分点,达到92.4%,帧率提高了23.40%。

关键词：语义分割氩花图像钢包底吹氩 DeepLabv3+ mobilenetv2 Focal Loss 通道注意力机制

在线全文

学校读者我要写书评

暂无评论

基于改进SSD算法的轻量级铸件分拣检测

组合机床与自动化加工技术 2023年第9期 156-159页

作者：曹如玉王成军安徽理工大学人工智能学院淮南232001

针对当前铸件混流分拣线中,高相似度铸件检测准确率低、速度慢的问题,提出一种基于SSD的轻量级多铸件高效检测方法。首先,用融合轻量级ECA注意力机制的mobilenetv2替换SSD模型的主干网络,解决因轻量化设计而损失精度的问题;其次,采用反... 详细信息

针对当前铸件混流分拣线中,高相似度铸件检测准确率低、速度慢的问题,提出一种基于SSD的轻量级多铸件高效检测方法。首先,用融合轻量级ECA注意力机制的mobilenetv2替换SSD模型的主干网络,解决因轻量化设计而损失精度的问题;其次,采用反向残差层替换原SSD的卷积预测层,进一步轻量化算法,解决SSD算法因网络结构复杂,参数量和浮点计算量较大的问题。实验结果表明,所提出的算法在多铸件检测上,mAP达到97.10%,检测速度为46.84帧/s。相比SSD算法,GFLOPs降低了41倍,参数量减少至4.34 MB,在保证精度与速度的同时,降低了算法对硬件设备的需求。

关键词： SSD算法 mobilenetv2 ECA注意力机制多铸件检测