融合GhostNet的YOLOv5垃圾分类方法

垃圾分类是建设生态文明的重要一环,为解决重量级模型难以部署移动端设备的问题,提出基于YOLOv5网络改进的垃圾图像分类方法。采用融合GhostNet的主干网络,用线性运算代替传统卷积运算,降低了模型的参数量,提高了模型推理速度;通过在网络中加入改进版通道注意力模块,强化重要的通道特征,获取更多深层次的特征信息;采用加权边界融合方法,提升检测框的定位精度。经实验证明,该方法在自制数据集中较原模型的精度提高了8.5%,参数量减少了46.7%,平均推理速度提高了1.22 ms,实现了精度和推理速度的综合提升。     

用于智能垃圾分选的轻量级检测算法

为实现垃圾分选自动化,确保垃圾正确分类,提出了一种基于YOLOv4的轻量级垃圾检测算法.算法对YOLOv4中的主干网络CSPDarknet53,使用层级调整后的MobileNetV3网络进行替换,使得网络架构更适用于YOLOv4网络,并提升网络的检测速度;同时结合Ghost模块和MobileNeXt网络结构思想,设计了一种全新的bottleneck,用以替换主干网络中的bottleneck,以提升模型的检测精度;接着在主干网络中添加大残差边结构,以提升网络的检测精度;然后在颈部网络之前添加CA (coordinate attention)注意力机制,进一步提升网络的检测精度;最后为避免K-means算法在聚类过程中陷入局部极值,使用二分K-means算法对垃圾检测数据集进行anchor box的重新聚类.实验结果表明,重新设计的网络与YOLOv4网络的mAP值相近,但参数量减少了89%,检测速度提升了51%, FPS值达到了67.5 (on NVIDIA GeForce RTX 3060),可实现部署到算力和内存较低的嵌入式设备中.     

改进SSD的可回收垃圾检测方法

目前我国可回收垃圾的回收利用主要依靠人工分拣的方式,造成了人力资源浪费、资源利用率低等问题。为提高资源的回收利用,提出了一个基于改进single shot multibox detector（SSD）算法的可回收垃圾检测器。针对模型参数量大,难以部署应用的问题,选用新的主干特征提取网络,引入轻量化的网络RepVGG替换SSD中的VGG16网络,同时采用结构重参数化的方式大幅减少参数量和计算量。修改SSD的辅助卷积层结构,进一步减少参数量。针对数据集尺寸变化大的问题,引入SK模块,自适应调整感受野的尺寸,提高检测精度。实验结果表明,改进的SSD模型在可回收垃圾检测任务上具有较好的检测精度和实时性,精度为95.23%,相较于原始SSD提升了4.33个百分点,检测速度可以达到64?FPS,因此该算法可以更好地应用于工业。     

轻量化卷积神经网络在药片检测分类中的应用

在药片残缺检测分类任务中,为衡量分类模型的精度与模型大小,保证模型精度的同时,减少计算量和参数量。提出一种改进的GhostNet轻量化神经网络,保证在加工过程中能够有效地检测出残缺药片。构建数据集并增强处理,压缩网络模型,将注意力机制升级为ECA模块。实验结果显示,改进后的网络模型能够达到98.85%的分类精度,模型参数量仅为0.635×10⁶。与其它轻量化网络进行了对比分析,取得了更高的分类精度,更少的参数量和计算量,更优的分类性能。     

基于改进Yolov5s的输电线路防外力破坏行为检测识别

电力系统的安全对于整个能源传输过程至关重要。针对输电线路下超大工程车辆和烟火为主要的外力破坏行为,对单阶段目标检测算法YOLOv5s进行改进,首先针对输电线路多雨雾烟尘等工作环境,引入限制对比度自适应直方图均衡算法CLAHE对图片进行去雾处理,提升图片对比度;针对检测目标距离较远的问题,在YOLOv5s网络的基础上添加CA注意力机制,提升了模型对目标的定位能力;将原网络中的最邻近差值采样方式替换为轻量级通用上采样算子CARAFE,更好地捕捉特征图的同时引入较小的参数量;最后在网络的特征融合层,使用具有通道混洗思想的GSConv卷积模块代替标准卷积模块,减小模型参数量,再利用slim_neck特征融合结构,强化目标关注度,达到减小模型参数量同时提升检测精度的效果。实验结果表明：改进后的YOLOv5s网络,mAP提升了4.4%,参数量减小了3.4%,权重模型内存减小了2.7%,证明了算法的有效性。     

融合注意力的轻量型垃圾分类研究

针对轻量化网络在图像分类任务中无法直接部署在小型计算机,如：树莓派开发板,且存在检测速度慢、对硬件资源要求较高的问题,提出了一种基于ShuffleNet的改进算法。首先,将传统卷积替换为最大公约数分组卷积,以减少网络所需的参数量和计算量,降低网络对于硬件算计资源的需求;其次,通过引入SE模块,融合通道注意力信息,提升网络在分类任务的检测精度;最后,针对多级分类的垃圾分类问题,分别连接不同节点数量的全连接层以及对标准类别和细分类别分别引入不同的损失和准确率权重,提升网络在多级垃圾分类任务的能力。将改进的ShuffleNet网络和ShuffleNet网络中具有不同网络层数的版本,进行准确率和速率方面的对比。实验结果表明,改进后的网络在基本的分类任务准确率达到80%以上,且其中的0.5版本能够直接部署在树莓派开发板,平均单张图像处理时间1.28 s,降低了网络对于硬件资源的需求。     

轻量化YOLOv5n的高精度垃圾检测算法

针对现有部署至移动设备或嵌入式设备的生活垃圾检测模型参数量多，计算量大，且识别种类较少等问题，对YOLOv5n目标检测算法进行了轻量化、高精度的优化研究。在YOLOv5n的架构上引入轻量级网络ShuffleNetv2与GhostNet实现了检测网络的轻量化；同时添加注意力机制SE增强特征提取能力，以及引入基于响应的知识蒸馏算法提升定位和分类的准确率，从而提高目标检测精度。实验结果表明，在HGI-30数据集上，优化后的YOLOv5n的参数量和计算量分别减少22.3%和23.3%，检测精度mAP0.5和mAP0.5:0.95分别增加1.6个百分点和2.6个百分点。     

基于轻量级网络的飞机蜂窝结构积水缺陷检测

复合材料蜂窝结构在飞机服役过程中产生的积水缺陷在日常维护和检修过程中依赖人工、检测效率低、自动化程度低，若未能及时发现将严重威胁飞行安全。针对该问题，结合实际检修场景中使用的移动或嵌入式设备算力有限的情况，设计了一种融合通道注意力和倒残差算法的模块SE-IR,进一步搭建了基于SE-IR模块的轻量级网络SE-IR LCNN，尽可能地在保证网络检测准确率的同时减小网络的参数量。为了验证所提轻量级网络的有效性、使用数字X射线摄影设备获取蜂窝结构及其积水缺陷数字化图像并制成数据集。在该数据集上的实验结果表明，所提轻量级网络的分类准确率为99.20%，可有效筛选出飞机蜂窝结构的积水缺陷。相较于经典网络ResNet-50和VGG-16，所提网络的准确率分别提升了9.6%和3.66%、参数量仅为ResNet-50参数量的1/10、VGG-16参数量的1/50。     

基于轻量型卷积神经网络的生活垃圾图像分类

为解决人工分拣生活垃圾过程中存在的分类效率低、劳动强度大等问题,提出一种轻量型的生活垃圾图像分类模型DG-MobileNetV2。该模型以轻量级网络MobileNetV2为基础,通过引入双尺度深度卷积模块、通道混洗技术、调整宽度因子等手段,达到压缩模型参数量的同时提高分类准确率的目的。实验表明,DG-MobileNetV2的参数量仅为0.403 M(文中1 M=1,000,000),在华为技术有限公司发布的生活垃圾分类数据集上的分类准确率达到90.58%,具有良好的分类效果。后续该轻量型模型可以移植至移动端或嵌入式设备中,为生活垃圾智能化的分类提供了新的思路和实现方法。     

基于YOLOv4-GS检测算法的服装识别方法

针对服装检测中检测模型体积大、运算量高,难以适应后续嵌入式平台环境的需要,本文提出了一种高效的YOLOv4-GS算法,极大降低了检测模型的规模。首先对数据集使用K-means聚类方法获得初始候选框,再融合Ghost模块和SimAM注意力机制组成GS模块,然后利用GS模块重构YOLOv4网络得到更轻量、更高效的YOLOv4-GS模型。实验结果表明：对比原生YOLOv4网络,在DeepFashion2数据集和相同环境下,YOLOv4-GS模型骨干网络浮点运算量减少48.33%,参数量减少49.63%,模型大小降低了33.12%,mAP达到67.8%,提升了2.1%。     

基于改进SSD的视频烟火检测算法

由于以往视频烟火检测模型复杂,存在检测精度与速度不能兼顾的问题,提出一种改进SSD的轻量化视频烟火检测算法(GSSD)。该算法首先将SSD算法中的骨干网络替换为GhostNet网络模型,减少算法参数量,提高检测速度,之后通过Concat操作进行多尺度特征融合,提升算法对小目标的检测精度。该算法分别在PASCAL VOC 2012数据集和烟火数据集上进行了实验。实验结果表明,在相同工况条件下,GSSD算法相比SSD算法的mAP提高了4.8%,检测速度提升了1.9倍,参数量减少了84.64%。     

基于轻量级金字塔网络的种子分选方法研究

针对目前卷积神经网络种子分选方法存在识别精度不高、模型参数量大、推理速度慢且难于部署等问题,提出了基于轻量级金字塔空洞卷积网络的种子分选方法;该网络提出了残差空间金字塔模块,利用不同扩张率的空洞卷积扩大感受野,更有效地提取多尺度特征;再结合深度可分离卷积技术减少模型参数量和计算复杂度;在网络结构中引入轻量级注意力机制模块,利用局部跨通道交互方式关注重要的信息,提高种子关键特征提取能力;实验结果表明,提出网络参数量仅为0.13 M,在玉米和红芸豆数据集上准确率高达96.00%和97.38%,在NVIDIA Quadro板卡上识别单张图片时间仅为4.51 ms,均优于主流轻量级网络MobileNetv2、Shufflenetv2和PPLC-Net等,可以满足工业现场实时识别的要求。     

安全帽与反光衣的轻量化检测：改进YOLOv5s的算法

安全帽与反光衣检测对生产与交通环境的安全管理具有重要意义。针对目前安全帽和反光衣检测算法参数量大、计算量大和模型体积较大等问题，提出了一种基于YOLOv5s轻量化改进的检测算法。引入GhostNet网络结构中的Ghost模块代替原有的部分卷积与C3模块，大大降低了模型的复杂度。在主干网中增加CA注意力机制，抑制无效信息，增强对特征丰富区域的提取。用C3CBAM代替neck层的C3模块，既减少参数量，又提高了检测精度。实验结果表明，改进模型的mAP（平均精度）为93.6%，参数量为4.28×106，计算量为9.2 GFLOPs，模型大小为8.58 MB。与YOLOv5模型相比较参数量减少了39%，计算量减少了41.7%，模型大小降低37.3%。该检测算法既保证了检测的识别准确率，又实现了检测算法的轻量化。     

基于改进YOLOv5的输电线路多目标检测

针对当前目标检测网络层数加深、参数量和计算量加大，造成实时性差等问题，为了实现对输电线路部件的识别与检测，提出一种基于改进YOLOv5的输电线路多目标检测算法。首先，使用ShuffleNetv2结构作为网络特征提取的主干结构，减少网络的参数量；然后，将PANet网络中的BottleneckCSP改为Light＿CSP模块，加快特征融合的速度；其次，使用CIoU loss、DIoU-NMS方法减少预测框的位置损失和漏检问题。最后，为了验证所提算法的有效性，利用输电线路图像数据集进行训练与测试。结果表明，改进YOLOv5的参数量为7.5×106，浮点计算量为10.9，平均精度达到了87.5%,FPS达到69.2,能够满足输电线路部件检测的精度、轻量化与实时性要求。     

基于梯度的自适应阈值结构化剪枝算法

在边缘设备上运行深度神经网络模型并进行实时性分析,需要对网络模型进行压缩以减少模型参数量和计算量,但现有剪枝算法存在耗时长和模型压缩率低的问题。提出一种基于梯度设置不同阈值的结构化剪枝算法。对神经元进行细粒度评价,采用神经网络的梯度信息衡量权重的重要性,通过网格搜索和计算曲率的方式获取不同网络层的剪枝权重阈值,根据搜索后的剩余参数量确定不同网络层的卷积核中需要剔除的冗余参数。在此基础上,保留网络层中有效参数较多的卷积核,实现对卷积核个数的调整,进而重新训练以保证模型精度。分别对VGG16、ResNet50分类模型和SSD、Yolov4、MaskRCNN目标检测模型进行剪枝实验,结果表明,经该算法剪枝后,分类模型参数量减少92%以上,计算量减少70%以上,目标检测模型参数量减少75%以上,计算量减少57%以上,剪枝效果优于Rethinking、PF等算法。     

基于卷积神经网络的高效精准立体匹配算法

针对基于卷积神经网络的立体匹配算法普遍存在参数量巨大、精度不足等问题,提出一种基于卷积神经网络的高效精准立体匹配算法.首先设计了一个融合多尺寸上下文信息的特征提取网络,提高不适定区域(Ill-posed regions)的匹配精度;其次,改进现有的相似度计算步骤,在保证匹配精度的同时,大量减少了网络的参数量;最后,提出一种轻量级的基于注意力机制的视差精修算法,从通道与空间维度上关注并修改初始视差图错误的像素点.与GC-Net在标准数据集Sceneflow上的对比实验表明,该算法在参数量减少14%的同时,匹配精度提高超过了50%.     

结合注意机制和多尺度卷积的YOLO行人检测算法

为提高行人检测的检测性能, 本文结合SqueezeNet、注意力机制、空洞卷积和Inception等结构, 提出一种基于改进YOLOv4的行人检测算法. 改进YOLO在特征增强部分引入残差连接和结合空洞卷积的注意力模块D-CBAM, 可以从提取到的特征中选择对目标检测重要的信息. 此外, 结合SqueezeNet的“squeeze- expand”结构和Inception网络的多尺度卷积思想提出Inception-fire模块用于替代网络中的连续卷积层, 通过增加网络的宽度达到提升算法性能的效果, 同时减少网络的参数. 最后, 根据行人检测任务的特点并结合Focal loss对损失函数进行改进, 分别对正负样本和难易样本添加权重因子, 强调对正样本和难分类样本的训练, 从而提高网络的检测能力. 改进的YOLO算法在INRIA行人数据集上的检测精度能够达到94.95%, 相对原YOLOv4提高4.25%, 同时参数量减少了36.35%, 检测速度也获得13.54%的提升, 在行人检测中能够表现出更优秀的性能.     

基于深度神经网络的视频播放速度识别

针对目前的视频播放速度识别算法大多存在的提取精度差、模型参数量巨大的问题,提出了一种双支轻量化视频播放速度识别网络。首先,该网络是基于SlowFast双支网络架构组建的一个三维（3D）卷积网络;其次,为了弥补S3D-G网络在视频播放速度识别任务中存在的参数量大、浮点运算数多的缺陷,进行了轻量化的网络结构调整;最后,在网络结构中引入了高效通道注意力（ECA）模块,以通过通道注意力模块生成重点关注的内容对应的通道范围,这有助于提高视频特征提取的准确性。在Kinetics-400数据集上将所提网络与S3D-G、SlowFast网络进行对比实验。实验结果表明,所提网络在精确度差不多的情况下,模型大小和模型参数均比SlowFast减少了大约96%,浮点运算数减少到5.36 GFLOPs,显著提高了运行速度。     

面向WSI的乳腺病理亚型分类研究

为实现乳腺病理WSI图像的精准分类,提出了一种基于混合连接的门控卷积神经网络分类方法。搭建了局部残差连接和全局稠密连接的混合模块,将压缩激活门控单元嵌入混合模块,建立了混合模块与过渡层交替连接的骨干网络。结合基于四叉树分割的图像数据增强方法训练模型,基于BreastSet临床数据集的实验结果得出,该方法的图像级、患者级和病理级准确率分别达到92.24%、92.83%和92.18%,相较其他方法,其准确率提高,参数量和计算量降低,更具有临床应用价值。     

基于进化ResNet的交通标志识别

卷积神经网络具有较优的图像特征提取性能,被广泛应用于交通标志识别领域。然而,现有交通标志识别算法通常基于专家经验设计改进的图像特征提取网络,需经历图像预处理和模型调参过程,导致模型的复杂度增大。提出一种基于进化ResNet的交通标志识别算法。将ResNet的构建参数嵌入到进化算法中,在架构搜索空间中以构建块作为基本单位,并将网络深度、卷积层通道数、池化层类型和模块构建顺序作为搜索空间的可变参数,利用交叉、变异等遗传算子执行自适应优化搜索,以确保进化搜索的有效性,同时设计适用于交通标志识别的轻量化网络。在德国交通标志数据集上的实验结果表明,该算法的识别精度达到99.41%,而参数量仅为2.37×10⁶,相比Multi-column DNN、MFC、MFC+ELM等算法,在保证识别精度的同时减少网络参数量。