基于改进Vision Transformer网络的农作物病害识别方法

基于DCNN模型的农作物病害识别方法在实验室环境下识别准确率高,但面对噪声时缺少鲁棒性.为了兼顾农作物病害识别的精度和鲁棒性,本文在标准ViT模型基础上加入增强分块序列化和掩码多头注意力,解决标准ViT模型缺乏局部归纳偏置和视觉特征序列的自注意力过于关注自身的问题.实验结果表明,本文的EPEMMSA-ViT模型对比标准ViT模型可以更高效的从零学习;当添加预训练权重训练网络时,EPEMMSA-ViT模型在数据增强的PlantVillage番茄子集上能够得到99.63%的分类准确率;在添加椒盐噪声的测试数据集上,对比ResNet50、DenseNet121、MobileNet和ConvNeXt的分类准确率分别提升了6.08%、9.78%、29.78%和12.41%;在添加均值模糊的测试数据集上,对比ResNet50、DenseNet121、MobileNet和ConvNeXt的分类准确率分别提升了18.92%、31.11%、20.37%和19.58%.     

基于改进ShuffleNetV2的轻量级花色布匹瑕疵检测

布匹瑕疵检测是纺织业质量管理的重要环节.在嵌入式设备上实现准确、快速的布匹瑕疵检测能有效降低成本,因而价值巨大.考虑到实际生产中花色布匹瑕疵具有背景复杂、数量差异大、极端长宽比和小瑕疵占比高等结构特性,提出一种基于轻量级模型的花色布匹瑕疵检测方法并将其部署在嵌入式设备Raspberry Pi 4B上.首先在一阶段目标检测网络YOLO的基础上用轻量级特征提取网络ShuffleNetV2提取花色布匹瑕疵的特征,以减少网络结构复杂度及参数量,提升检测速度;其次是检测头的解耦合,将分类与定位任务分离,以提升模型收敛速度;此外引入CIoU作为瑕疵位置回归损失函数,提高瑕疵定位准确性.实验结果表明,本文算法在Raspberry Pi 4B上可达8.6 FPS的检测速度,可满足纺织工业应用需求.     

改进MobileNetV2算法的番茄叶片病害种类识别

番茄叶片病害种类具有差异较小、肉眼难以辨别的特点.针对经典卷积神经网络参数多、计算量巨大、模型识别率较低以及预测误差较大等问题,提出一种改进MobileNetV2网络的病害识别方法.在适当的网络层加入通道和空间注意力机制增强网络对于病叶片特征的细化能力以及减少无关特征的干扰,使用Ghost模块替换原模型中部分倒残差块,保证模型精度的同时减少参数量.利用LeakyReLU激活函数保留特征图中更多的正负特征信息,增强模型的鲁棒性.在公共数据集PlantVillage选取早疫病,晚疫病,班枯病,细菌性溃疡病,红斑叶螨病,叶霉病,细菌性斑点病等10种番茄病叶片作为数据集进行实验.实验结果表明,改进MobileNetV2网络分类准确率达到98.57%,相较于原MobileNetV2,准确率提高了2.29%,模型大小减小了22.52%,优化效果较为显著.     

基于轻量级语义信息融合的动作识别方法

针对目前大多数的动作识别方法使用深层网络训练模型导致模型参数量大、验证成本高以及语义信息利用不足等问题,提出一种基于轻量级语义信息融合的动作识别方法(LSIF-GCN),实现了模型的轻量化和对语义信息的充分利用。首先,LSIF-GCN将数据预处理后的关节流、速度流和骨骼流三种不同的输入信息编码至高维空间后,经过一层图卷积操作,以达到特征增强和降低维度的目的,再把三种信息流在通道维度上进行拼接融合。然后,为了充分利用语义信息提取不同关节之间潜在的权重关系,提出一种“瓶颈型”的四层图卷积模块。最后,采用分流网络设计的时间卷积模块,并引入自注意力机制,在减少模型参数量的同时也提高了网络的性能。该模型具有简单的结构和训练过程,便于在低成本的嵌入式设备的实时动作识别系统中部署。在NTU-RGB+D 60和NTU-RGB+D 120数据集上的大量实验表明,该方法不仅在识别精度和模型复杂度(参数量和GFLOPs)上优于目前一些主流的轻量级方法,而且与一些近几年的SOTA方法相比也具有一定的优势。     

改进YOLOv4的轻量级遥感图像建筑物检测模型

针对现有建筑物检测模型检测精度低下,模型体积较大,导致遥感图像检测速度和精度无法平衡,不利于后期部署等问题,提出一种基于YOLOv4优化的轻量级遥感图像建筑物检测模型。利用轻量化网络GhostNet替换CSP DarkNet53进行特征提取;借鉴稠密连接思想,提出了Dense-PANet特征融合模块;将ECA注意力机制引入Ghost模块,替换特征融合颈部网络的传统卷积。实验结果表明,提出的模型与YOLOv4相比,牺牲少量检测速度,但是平均精度提高了0.96个百分点,召回率提升了1.08个百分点,模型体积降低了71.39%,浮点计算量降低了76.60%,能有效满足遥感图像建筑物检测的需求。     

轻量级的三维点云识别方法

针对当前三维点云识别方法存在时间和空间复杂度较高的问题,提出一种轻量级的三维点云识别方法.使用最远点采样法从原始点云中获取采样点,在采样点处构建K近邻图来有效获取点云的局部结构信息,大幅度降低网络的计算复杂度;使用注意力机制突出局部区域不同K近邻点的重要性,达到增强局部结构特征的目的;利用分组卷积提取高层次的局部结构特征的同时减少卷积层的参数量.在保证较高的识别准确率的前提下减少全连接层的参数量.在M odelNet40数据集上的实验结果表明,该方法的识别准确率达到同等或更优水平,网络模型的参数量得到大幅度减少,训练时间和测试时间更短,同时保持较高的鲁棒性.     

基于DeepLabV3+的农作物病害识别算法

针对自然背景下农作物病害识别效果欠佳的问题,提出一种改进的DeepLabV3+算法来提升在自然背景下农作物病害的识别准确率。论文所做的贡献主要是在DeepLabV3+模型的编码器阶段输出特征图之前加入通道注意力机制,在解码器阶段的输入特征图之前加入空间注意力机制,之后按照卷积神经网络的拼接方法将二者进行拼接,以实现高级特征和低级特征的有效融合。实验结果显示,改进后的算法对实验数据的识别准确率和召回率均有一定成程度的提升,具有较高的实际应用价值。     

基于改进轻量级秩扩展网络的人脸表情识别方法

人脸表情识别作为人机交互的一种重要方法,广泛应用于智能医疗、公安测谎系统、车载安全系统等领域。现有人脸表情识别方法多数存在参数量冗余、计算成本高、特征表达瓶颈等问题。提出一种基于改进轻量级秩扩展网络ReXNet的人脸表情识别方法。通过构建改进的ReXNet以提取人脸表情特征,在参数量较少的条件下解决特征表达瓶颈的问题,增强对表情局部特征的关注,获得高层次的表情特征,同时融合坐标注意力模块,将位置信息嵌入到通道注意力中,精准地定位和识别感兴趣的特征,建立位置信息与局部特征之间的长依赖关系,减少计算开销。在此基础上,将细化模块引入到改进的网络架构中,利用类别上下文信息细化分类结果,增强类间的分化效果,从而提高人脸表情识别的准确率。实验结果表明,该方法在RAF-DB和FERPlus数据集上的人脸表情识别准确率分别达到88.43%和88.8%,相比VGG16-PLD、SHCNN、ResNet+VGG等方法,具有较高的准确率和较优的鲁棒性。     

改进DeepLabV3+的农作物病害分割方法

针对于传统农作物病害识别存在的效率低、难度大等问题，提出了一种改进DeepLabV3+网络的农作物病害分割方法。主干特征提取网络使用轻量级的MobileNetV3，在空洞空间金字塔池化（ASPP）中使用深度可分卷积替代普通卷积，减少模型计算量；引入SE通道注意力和ECA有效通道注意力，挖掘有效的通道信息来提高分割精度。以某地区的苹果叶片病害图像作为研究对象。实验结果表明，改进的DeepLabV3+算法平均交并比可达到82.7%，而且模型参数量只有4.98MB，具有较好的性能。     

基于改进ShuffleNetV2模型的光伏板灰尘识别

鉴于灰尘积聚是光伏组件功率损失的主要因素之一, 针对灰尘颗粒的特性及克服利用扫描电子显微镜成本昂贵问题, 提出了一种利用改进的ShuffleNetV2模型来识别光伏板上的灰尘. 以ShuffleNetV2网络模型为基础模型, 采用Mish激活函数, 将更好的特征信息深入神经网络; 然后运用混合深度卷积保证特征提取的丰富性; 最后利用坐标注意力机制模块替换ShuffleNetV2模型中基本单元右分支尾部的逐点卷积, 从而在提高精度的同时也减少了计算量. 实验结果表明, 所提改进的ShuffleNetV2模型与已有的经典模型相比, 准确度更高, 模型复杂度更低, 有效地证明了所给方案是可行的.     

基于ShuffleNet V2算法的三维视线估计

为了解决当前视线估计网络复杂度较深、精度不高的问题,同时为了未来将网络部署在移动设备端,提出了一种基于ShuffleNet V2算法的视线估计网络,其由脸部和眼睛两个子网络构成。脸部子网络通过ResNetV2网络对脸部图片进行特征处理,并加入人脸对齐算法,减少头部角度误差的影响。眼睛子网络通过ShuffleNet V2...     

融合通道信息注意力网络的叶片病害识别

针对植物叶片病害存在的种类驳杂以及如何提取有效特征的问题,提出一种融合通道信息注意力网络模型对多种植物叶片病害进行识别。构建残差结构为主的基础网络用于特征提取,再将特征通过注意力网络融合多个通道信息对病害特征进行重标定;在交叉熵函数中添加约束信息以加快模型收敛速度;在4种不同植物16类病害的数据集上对该模型进行实验,结果表明,基础网络模型识别准确率为83.13%,而融合通道信息网络后准确率提高4.64个百分点;融合后的模型与其他模型相比在识别准确率方面提高9.72个百分点且模型复杂度约为对比实验中最优模型复杂度的1/2。     

轻量化的YOLOv4目标检测算法

YOLOv4目标检测算法主干网络庞大且参数量和计算量过多,难以部署在算力和存储资源有限的移动端嵌入式设备上。提出一种改进的YOLOv4目标检测算法,使用轻量化的ShuffleNet V2网络作为主干特征提取网络,更换模型激活函数及扩大卷积核,同时将YOLOv4网络中的普通卷积替换为深度可分离卷积,降低算法参数量、计算量和模型占用空间。在ShuffleNet V2网络结构的改进过程中分析并剪裁其基本组件,利用2个3 × 3卷积核级联的方式增强网络感受野,并使用Mish激活函数进一步提升网络检测精度和模型推理速度。在GPU平台和VisDrone 2020数据集上的实验结果表明,与YOLOv4算法相比,改进的YOLOv4算法在牺牲1.8个百分点的检测精度情况下,提高了27%的检测速度,压缩了23.7%的模型容量,并且能够充分发挥ZYNQ平台并行高速数据处理及低功耗的优势。     

基于优化CBAM改进YOLOv5的农作物病虫害识别

针对多种农作物病虫害图像, 在自然环境下因虫害种类繁多, 小目标特征相似的技术问题, 导致检测困难难以达到令人满意的精度. 本文提出了一种自然背景下加强局部特征和全局特征信息融合的害虫检测识别模型YOLOv5-EB, 在公开的大规模害虫数据集IP102上进行实验, 结果表明该研究比YOLOv5模型精确度提高了5个百分点. 引入一维卷积替换CBAM中通道注意力的MLP操作, 优化了通道注意力经过全局处理后容易忽略通道内信息交互的问题; 其次使用6×6卷积替换Focus操作, 来增强提取害虫特征的能力. 实验结果表明, 对害虫进行检测时, YOLOv5-EB的平均精度值达到了87%, 与Faster R-CNN、EfficientDet、YOLOv3、YOLOv4、YOLOv5模型相比, 不仅有效提高了作物害虫图像的识别性能, 而且有效提高了检测速度. 研究表明, YOLOv5-EB算法满足对多种农作物病虫害目标检测的准确性和实时性要求.     

轻量级注意力特征选择循环网络的超分重建

目的 深度卷积网络在图像超分辨率重建领域具有优异性能,越来越多的方法趋向于更深、更宽的网络设计。然而,复杂的网络结构对计算资源的要求也越来越高。随着智能边缘设备（如智能手机）的流行,高效能的超分重建算法有着巨大的实际应用场景。因此,本文提出一种极轻量的高效超分网络,通过循环特征选择单元和参数共享机制,不仅大幅降低了参数量和浮点运算次数（floating point operations,FLOPs）,而且具有优异的重建性能。方法 本文网络由浅层特征提取、深层特征提取和上采样重建3部分构成。浅层特征提取模块包含一个卷积层,产生的特征循环经过一个带有高效通道注意力模块的特征选择单元进行非线性映射提取出深层特征。该特征选择单元含有多个卷积层的特征增强模块,通过保留每个卷积层的部分特征并在模块末端融合增强层次信息。通过高效通道注意力模块重新调整各通道的特征。借助循环机制（循环6次）可以有效提升性能且大幅减少参数量。上采样重建通过参数共享的上采样模块同时将浅层与深层特征进放大、融合得到高分辨率图像。结果 与先进的轻量级网络进行对比,本文网络极大减少了参数量和FLOPs,在Set5、Set14、B100、Urban100和Manga109等基准测试数据集上进行定量评估,在图像质量指标峰值信噪比（peak signal to noise ratio,PSNR）和结构相似性（structural similarity,SSIM）上也获得了更好的结果。结论 本文通过循环的特征选择单元有效挖掘出图像的高频信息,并通过参数共享机制极大减少了参数量,实现了轻量的高质量超分重建。     

改进DeepLabV3+网络的遥感影像农作物分割方法

针对于当前遥感影像农作物提取存在的识别精度较低、边缘识别效果较差、提取速度慢等问题,提出了一种改进DeepLabV3+网络的遥感影像农作物分割方法。将特征提取网络改为更轻量级的MobileNetV2网络,空洞空间金字塔池化模块中的普通卷积改为深度可分离卷积,大幅减少模型计算量,提高模型计算速度;在特征提取模块以及空洞空间金字塔池化模块加入双注意力机制,进一步优化模型边缘识别效果,提升模型分割精度。此外针对农作物数据集类别不平衡问题,引入加权损失函数,给予玉米、薏米与背景类不同的权重,提高模型对农作物区域分割精度。以2019年某地区的无人机遥感影像为研究对象,对玉米、薏米两种农作物进行分割。实验结果表明,改进DeepLabV3+算法像素准确率可达到93.9%,平均召回率可达到90.7%,平均交并比可达到83.3%,优于传统DeepLabV3+、Unet、Segnet等常用于农作物提取的分割方法,对农作物具有更好的分割效果。     

Spring轻量级J2EE开发框架的研究

在传统的J2EE的开发过程中存在着许多问题。Spring是关于J2EE开发的一种重要的轻量级框架,它可以解决在J2EE开发过程中出现的这些问题,同时也提高了软件开发的效率和质量。文中在介绍Spring框架结构的基础上分析了Spring的技术特性。通过提供一种使用Spring Tapestry Hibernate构建J2EE开发框架的策略,展示了Spring框架在J2EE开发构成中的强大技术优势。     

改进的T2-BIC说话人二级分割算法

针对传统T2-BIC算法累积误差较大、召回率不高的问题,提出一种改进的T2-BIC说话人二级分割算法。第1级采用改进的滑动窗口检测搜索窗中的T2统计量峰值,利用贝叶斯信息准则(BIC)对峰值进行确认,第2级利用分步解决的思想处理由于BIC可信度过低而漏选的分割点。实验结果表明,与同类算法相比,该算法分割效果较好,准确率、召回率和综合性能都有所提高。     

一种改进的2DPCA人脸识别方法

在小样本情况下,传统的2DPCA算法中采用的训练样本的平均值不一定就是训练样本分布的中心,为了解决这个问题,提出了一种基于样本中间值的2DPCA人脸识别算法（M2DPCA）,该算法采用训练样本的中间值代替训练样本的平均值,以此重建总体散布矩阵。在ORL和FERET人脸数据库上的实验结果证明,新方法可以有效改善识别性能,优于传统的PCA和2DPCA方法。