采用注意力机制的显微图像智能检测方法

显微图像普遍具有背景复杂、细胞多重叠的特点,传统的图像处理方法由于其技术局限性,无法实时准确地完成识别任务.针对上述问题,本文提出一种采用注意力机制的显微图像智能检测方法,该方法对目标检测模型DETR进行改进,利用分组卷积机制对输入特征进行降维并分别训练不同卷积核实现特征提取,从而提高模型对于显微图像中目标物体的注意力...     

基于双重注意力机制的异步电机故障诊断方法

多源数据融合的深度学习模型中,通常采用等比重的方式将不同类型信号的特征映射至融合层。然而,该过程忽略了非同源信号特征对最终识别效果贡献程度不一致的问题。为此,提出了一种基于双重注意力机制的深度学习模型。该模型首先采用通道注意力模块抑制同源信号内无关分量的影响,其次利用多源数据注意力模块自适应分配非同源信号特征的权重,然后对重新赋权的特征进行融合,最后利用分类器实现模式分类。将所提方法应用于异步电机故障诊断,结果表明,该方法平均识别准确率为99.74%,其诊断效果优于现有方法。     

基于YOLOv4-tiny的溜筒卸料煤尘检测方法

煤炭港在使用装船机的溜筒卸载煤的过程中会产生扬尘,港口为了除尘,需要先对粉尘进行检测。为解决粉尘检测问题,本文提出一种基于深度学习(YOLOv4-tiny)的溜筒卸料煤粉尘的检测方法。利用改进的YOLOv4-tiny算法对溜筒卸料粉尘数据集进行训练和测试,由于检测算法无法获知粉尘浓度,本文将粉尘分为四类分别进行检测,最后统计四类粉尘的检测框总面积,通过对这些数据做加权和计算近似判断粉尘浓度大小。实验结果表明,四类粉尘的检测精度(AP)分别为93.98%、93.57%、80.03%和57.43%,平均检测精度(mAP)为81.27%,接近YOLOv4的83.38%,而检测速度(FPS)为25.1,高于YOLOv4的13.4。该算法较好地平衡了粉尘检测的速率和精度,可用于实时的粉尘检测以提高抑制溜筒卸料产生的煤粉尘的效率。     

融合注意力机制的弱监督纸板表面缺陷检测

目的 针对目前表面缺陷检测方法因缺少实例级标签,使深度神经网络在工业检测上的应用受到限制的问题。本文面向实际的纸板表面缺陷检测任务,提出弱监督学习下融合卷积和注意力机制的神经网络算法。方法 该网络通过将通道注意力模块和梯度类激活映射模块相结合,进一步提高类激活图的精细度,实现纸板表面缺陷的精确定位;同时通过倒残缺结构和上采样层的组合操作,进一步细化浅层特征提升网络的特征提取能力,加快网络收敛速度。结果 通过在公开的纸板缺陷数据集上进行实验,本文提出的算法在使用图像级标签训练的情况下,分类正确率与定位正确率分别达到99.0%和92.2%,验证了该算法的有效性。结论 避免了实例级标签数量较少和过于主观的缺点,为基于机器人的缺陷纸板剔除奠定了基础。     

基于注意力机制改进残差神经网络的轴承故障诊断方法EI北大核心CSCD

针对滚动轴承在不同工况环境中故障诊断训练时间长、准确率低和泛化性能弱的问题,提出了基于注意力机制改进残差神经网络的轴承故障诊断方法。为了提高ResNet模型的准确率和泛化性,提出了基于注意力机制的SE-ResNet模型和CBAM-ResNet模型,并在凯斯西储大学数据集上进行了试验,在同工况有训练集的情况下ResNet模型测试的准确率为97.28%,在不同工况下模型直接迁移的准确率为94.14%~96.86%,CBAM-ResNet模型在不同工况下模型直接迁移的准确率为97.14%~98.86%,SE-ResNet模型在不同工况下模型直接迁移的准确率为97.86%~99.71%,两种改进模型的准确率都明显优于原ResNet模型,表明提出的优化模型提高了ResNet模型的准确率和泛化性。     

改进YOLOv4的轻量化目标检测方法

针对车载平台发展过程中,在辅助驾驶环境感知方面,现有的目标检测方法对目标检测精度不高、算法推理速度慢等问题,本文以YOLOv4目标检测网络为基础,引入通道与空间注意力模块CBAM,有效提升了YOLOv4目标检测网络特征识别精度;引入Mobilenetv3轻量化网络结构替换YOLOv4的主干特征提取网络CSPDarkNet53,并利用深度可分离卷积替换整个网络的普通卷积,有效降低了YOLOv4目标检测模型大小,提升了网络模型推理速度。通过消融实验与检测结果分析,证明了改进方案的可行性。     

基于深度学习的垃圾图像分类模型的研究

在现实生活中,垃圾形态、拍照角度、光线、背景等都存在差异,要精准的识别垃圾分类,需要加入更多的数据样本.传统的目标检测以手工特征检测算法为主,识别效果不够好,准确率不高,计算量特别大,运行速度很慢,可能会产生多个正确的识别结果.为了快速推进垃圾分类地有效进行垃圾分类,运用改进YOLOv3架构,构建基于深度学习技术的图像...     

基于YOLOv4算法的药用空心胶囊表面缺陷检测方法

目的 为提升质检过程中药用空心胶囊的表面缺陷检测精度及其自动化水平。方法 通过设计高质量图像采集方案来避免胶囊表面出现光斑,以此构建药用空心胶囊缺陷数据集。基于YOLOv4算法,建立深度学习检测模型,利用多尺度特征提取以及训练策略,增强对小目标缺陷检测的鲁棒性。采用K-means++聚类算法更新锚框初始值,以提高模型对胶囊表面缺陷的预测性能。结果 实验结果表明,提出的胶囊缺陷检测方法能够准确判别胶囊好坏,并能检测出其表面的凹陷、孔洞、划痕、污点和接口缺损等5类缺陷,其中对于胶囊有无缺陷的平均精确均值达99.05%,各缺陷类型的平均精确率为91.81%,而每秒检测图像可达22张。与其他典型的目标检测方法相比,文中方法在检测速度和精度上都有一定优势。结论 文中所提出的基于YOLOv4的缺陷检测方法实现了对药用空心胶囊多类型缺陷的分类与定位,具有较好的检测效果和稳定性,在满足生产质量管控要求的同时,可大幅降低人工成本。     

基于注意力机制的LSTM语音情感主要特征选择

传统的语音情感识别方式采用的语音特征具有数据量大且无关特征多的特点,因此选择出与情感相关的语音特征具有重要意义。通过提出将注意力机制结合长短时记忆网络(Long Short Term Memory, LSTM),根据注意力权重进行特征选择,在两个数据集上进行了实验。结果发现:(1)基于注意力机制的LSTM相比于单独的LSTM模型,识别率提高了5.4%,可见此算法有效提高了模型的识别效果;(2)注意力机制是一种有效的特征选择方法。采用注意力机制选择出了具有实际物理意义的声学特征子集,此特征集相比于原有公用特征集在降低了维数的情况下,提高了识别准确率;(3)根据选择结果对声学特征进行分析,发现有声片段长度特征、无声片段长度特征、梅尔倒谱系数(Mel-Frequency Cepstral Coefficient, MFCC)、F0基频等特征与情感识别具有较大相关性。     

基于改进YOLOv5的试剂卡印刷缺陷检测算法

目的 针对试剂卡生产企业采用人工分选印刷缺陷的试剂卡存在效率低、成本高、易漏检的问题,提出一种基于深度神经网络YOLOv5s的改进试剂卡印刷缺陷检测算法YOLOv5s-EF。方法 通过图像预处理算法获得高质量的缺陷图像数据集,在YOLOv5s的主干特征提取网络中添加高效通道注意力（Efficient Channel Attention, ECA）机制,增强特征图中重要特征的表示能力;引入焦点损失函数（Focal Loss）来缓解正负样本不均衡的影响;结合印刷区域的定位结果,二次精确定位并构建方位特征向量,提出一种特征向量相似度匹配方法。结果 实验结果表明,本文提出的试剂卡印刷缺陷检测算法在测试集上的检测平均准确度可以达到97.3%,速度为22.6帧/s。结论 相较于其他网络模型,本文提出的方法可以实现对多种印刷缺陷的识别与定位,模型具有较好的检测速度和鲁棒性,有利于提高企业生产的智能化水平。     

基于YOLOv5s网络的垃圾分类和检测

目的 为了实现垃圾自动按类处理,通过研究基于视觉的垃圾检测与分类模型,实现对垃圾的自动识别和检测.方法 采用YOLOv5s网络作为垃圾检测与分类的模型,在自制垃圾分类数据集上对网络进行训练,利用训练好的YOLOv5s网络提取不同种类垃圾图像的特征和位置信息,实现垃圾的分类与检测.结果 在真实场景中进行了测试,基于YOLOv5s的垃圾分类检测模型可以有效识别6种不同形态的垃圾,检测mAP值为99.38％,测试精度为95.34％,目标检测速度达到6.67FPS.结论 实验结果表明,基于YOLOv5s网络的垃圾分类检测模型在不同光照、视角等条件下,检测准确率高,鲁棒性好、计算速度快.同时,有助于促进垃圾处理公司实现智能分拣,提高工作效率.     

基于改进YOLOv5的轻量级芯片封装缺陷检测方法

目的 针对芯片封装缺陷检测过程中检测精度低与模型难部署的问题,提出YOLOv5-SPM检测网络,旨在提高检测精度并实现模型轻量化。方法 首先,通过在特征提取模块后增加通道注意力机制,提高缺陷通道的关注度,减少冗余特征的干扰,进而提升目标的检测精度。其次,在主干网络与颈部网络连接处使用快速特征金字塔结构,更好地融合了自建芯片数据集的多尺度特征信息。最后,将主干网络的特征提取模块更换为MobileNetV3,将常规卷积更换为深度卷积和点卷积,有效降低了模型尺寸和计算量。结果 经过改进后的新网络YOLOv5s-SPM在模型参数下降29.5%的情况下,平均精度较原网络提高了0.6%,准确率提高了3.2%。结论 新网络相较于传统网络在芯片缺陷检测任务中实现了模型精度与速度的统一提高,同时由于模型参数减小了29.5%,更适合部署在资源有限的工业嵌入式设备上。     

Intrusion Detection Based on Bidirectional Long Short-Term Memory with Attention Mechanism

With the recent developments in the Internet of Things (IoT), the amount of data collected has expanded tremendously, resulting in a higher demand for data storage, computational capacity, and real-time processing capabilities. Cloud computing has traditionally played an important role in establishing IoT. However, fog computing has recently emerged as a new field complementing cloud computing due to its enhanced mobility, location awareness, heterogeneity, scalability, low latency, and geographic distribution. However, IoT networks are vulnerable to unwanted assaults because of their open and shared nature. As a result, various fog computing-based security models that protect IoT networks have been developed. A distributed architecture based on an intrusion detection system (IDS) ensures that a dynamic, scalable IoT environment with the ability to disperse centralized tasks to local fog nodes and which successfully detects advanced malicious threats is available. In this study, we examined the time-related aspects of network traffic data. We presented an intrusion detection model based on a two-layered bidirectional long short-term memory (Bi-LSTM) with an attention mechanism for traffic data classification verified on the UNSW-NB15 benchmark dataset. We showed that the suggested model outperformed numerous leading-edge Network IDS that used machine learning models in terms of accuracy, precision, recall and F1 score.     

基于改进YOLOv5的药用胶囊表面缺陷检测方法

目的 在质检过程中精确快速地检测到药用空心胶囊的表面缺陷。方法 基于YOLOv5算法,针对模型网络参数量大和对长距离依赖关系的学习能力较弱的问题,提出在主干网络部分引入GhostNet模块和坐标注意力机制,使网络有效捕捉数据位置信息和通道信息的关系。结果 实验结果表明,改进的网络结构能够在参数量下降为原来的57%的前提下,对药用胶囊表面的破损、印刷错误、孔洞、划痕、凹陷等5类缺陷的平均检测精度达到96.9%,相较于YOLOv5s提高了2.4个百分点,检测速度提升了12帧/s。结论 文中方法能够有效对药用胶囊表面缺陷进行分类和定位,提高缺陷检测的准确率。     

基于注意力机制的轻量级RGB-D图像语义分割网络

目的针对卷积神经网络在RGB-D(彩色-深度)图像中进行语义分割任务时模型参数量大且分割精度不高的问题,提出一种融合高效通道注意力机制的轻量级语义分割网络。方法文中网络基于RefineNet,利用深度可分离卷积(Depthwiseseparableconvolution)来轻量化网络模型,并在编码网络和解码网络中分别融合高效的通道注意力机制。首先RGB-D图像通过带有通道注意力机制的编码器网络,分别对RGB图像和深度图像进行特征提取;然后经过融合模块将2种特征进行多维度融合;最后融合特征经过轻量化的解码器网络得到分割结果,并与RefineNet等6种网络的分割结果进行对比分析。结果对提出的算法在语义分割网络常用公开数据集上进行了实验,实验结果显示文中网络模型参数为90.41 MB,且平均交并比(mIoU)比RefineNet网络提高了1.7%,达到了45.3%。结论实验结果表明,文中网络在参数量大幅减少的情况下还能提高了语义分割精度。     

融合残差及通道注意力机制的单幅图像去雨方法

为了去除雨天图像上附着的雨滴并恢复图像的清晰度,提出一种基于深度学习思想结合图像增强技术融合残差及通道注意力机制来实现的单幅图像去雨方法。首先,利用导向滤波将有雨图像分解为平滑基本层和高频细节层;其次,提出自适应Gamma校正算法增强平滑基本层以提高对比度;然后,构建融合残差块和通道注意力机制的深度神经网络实现高频细节层去雨;最后,将去雨后的高频细节层与增强后的平滑基本层融合实现单幅图像去雨功能。实验结果表明:与具有代表性的单幅图像去雨方法相比,所提方法效果较好并可保留更多的图像细节信息。     

基于YOLOv5的瓷砖表面缺陷检测

目的 针对目前的瓷砖表面人工缺陷检测效率低的问题,提出一种基于深度学习YOLOv5算法实现对生产线瓷砖表面缺陷的检测。方法 首先对数据集进行切图分割与数据增强处理,再通过labelimg对数据集进行数据标注,然后将数据集送入到优化后的YOLOv5网络模型进行迭代训练,并将最优权重用于测试。结果 通过实验对比,YOLOv5模型的检测准确率高于Faster RCNN、SSD、YOLOv4这3种模型,其检测平均准确度高于96%,平均检测时间为14ms。结论 表明该方法能够检测生产过程中的瓷砖缺陷问题,在瓷砖缺陷检测上有一定的先进性和实用性。