摘要：该研究针对当前自然环境下的苹果叶片病害识别中病害病斑小、空间分布特征不同以及特征相近病害识别困难的问题,设计DEFL (DenseNet121+efficientnet with focal loss and label smoothing)模型。首先,该模型以并行的efficientnet-B0网络和DenseNet121网络为特征提取网络,以提升模型特征提取能力,其次引入结合标签平滑策略的焦点损失函数以加强模型对识别困难样本的关注。经测试,所提模型的识别准确率为99.13%,平均精度均值为98.47%。消融试验表明两项改进分别使模型平均精度均值提高了7.99和3.15个百分点。对比试验结果表明,DEFL模型平均精度均值较于ResNet50、Inception V3、ResNeXt模型以及分别融合这3种模型的efficientnet-B0模型分别高出14.53、13.17、14.61、 6.4、 7.71以及8.91个百分点,模型规模分别小18.73、 7.7、 12.2、 83.62、 69.6以及60.09MB。Grad-CAM(gradient-weighted class activation mapping)热力图可视化结果表明所提模型重点关注了叶片病变区域。UMAP(uniform manifold approximation and projection)特征降维可视化结果表明所提模型提取的特征更具区分度。实际应用验证取得了97.73%的总体准确率以及95.82%的平均精度均值。综上,该研究提出的DEFL模型能够为苹果病害防治提供有效参考。

摘要：针对在低空雷达监视场景下,行人、车辆、无人机等目标分类任务中目标微动特征难以提取导致分类准确率较低的问题,提出一种基于efficientnet的多通道雷达目标微动特征分类方法。首先,根据杂波、目标和噪声信号的能量分布差异,提出多能量奇异值分解方法抑制杂波和噪声,增强目标微动特征。随后,联合雷达和差通道时频信息特点,设计多通道efficientnet模型,结合多通道微动特性进一步实现目标的准确分类。最后,利用雷达实测目标数据对所提方法进行验证。结果表明,所提方法在保证较低模型复杂度的情况下,相比于其他方法在准确率上有显著提升。

摘要：针对人工或机械振动筛对板栗分级精度低的问题,提出基于浅层卷积神经网络的板栗分级方法。用小米手机拍摄获取5种级别板栗的5481幅图像应用于卷积网络模型的训练、验证和测试。学习efficientnet的网络结构,设计的浅层卷积神经网络(Efnet-1)由1个普通卷积模块和3个MB卷积模块构成板栗图像特征提取器。特征提取器连接一个由全局平均池化层、隐含层和输出层组成的分类器。在Efnet-1模型的训练过程中对相关超参数进行优化。对比分析Efnet-1与深度学习模型AlexNet的板栗分级性能。Efnet-1对板栗的分级准确率是98.68%,坏板栗被分为好的板栗的比例不大于0.9%。Efnet-1的板栗图像分类时间为62 ms。改进的卷积神经网络模型Efnet-1对板栗的分级快速而准确,为板栗的自动化分级提供技术基础。

摘要：为了实现农业害虫信息的准确获取和害虫图像的智能识别,本文提出了一种基于efficientnet模型的农业害虫智能图像识别模型,该模型引入SE通道注意力机制,引入标签平滑的数据处理策略来提高模型的鲁棒性,采用迁移学习策略和改进后的efficientnet-B0网络来训练模型,并将模型部署至基于Android平台的客户端系统。在IP102害虫数据集上进行大规模试验,系统的识别准确率达到了90.76%,较改进前的efficientnet网络相比有了大幅提升。试验结果表明,本文所提出的模型系统有效提高了作物害虫图像的识别准确率,在农业应用方面有着广泛的前景。

摘要：化纤长丝是常见的纺织品原料之一,为保证化纤丝筒产品质量,必须在出厂前对其进行全面检测。对此,设计了一套化纤丝筒外观品质分类系统,可以实现对化纤丝筒的快速检测。首先对实验平台进行建模并完成搭建,然后实地采集四类化纤丝筒照片,并利用数据增强制成化纤色泽品质分类数据集。之后,为更好地融合化纤图片的多尺度信息,引入PANet结构代替FPN层。此外,为让网络模型在多尺度融合时关注重点特征,在PANet中引入PSA注意力机制。实验结果表明,该方法在当前数据集上达到99.87%的准确率,与ResNet,VGG,DenseNet等网络相比在精确率和召回率上均有提升,能有效完成化纤色泽的分类判断。

摘要：文字识别技术在自动翻译、文件数字化和场景文字识别等应用中有着非常广泛的应用。现有的文字识别方法在处理复杂情景或低质量图像时,还有很大提高空间。因此,文章改进了efficientnet架构,以便应对各种实际应用场景,既保证了识别率,又保持了高效性。

摘要：当前在心脏疾病的治疗中,超声心动图是一种常用的心脏检查方式,能够提供有关心脏形态和功能的信息。本文提出了一种基于深度学习技术的超声心动图切面的识别方法,采用卷积神经网络中的efficientnet网络模型,选取了其中有较少卷积层和较少参数的B0结构,并在网络模型中加入了CBAM注意力机制,通过对模型的通道数与空间信息的改进来提高训练的学习能力。本文对CAMUS公开数据集进行数据处理后,使用改进的模型进行训练,网络模型最终准确率达到了99.7%的识别精度。在这个基础上,本文利用PYQt5设计了一种能够自动识别超声心动图检测结果的系统,可以帮助医生更加直观地识别出超声心动图的类别,减轻医生的工作量,提高精度和效率,对于临床诊断的效果改善有重要意义。

摘要：针对矿井设备在基于视觉定位时存在由井下环境复杂而导致的定位可靠性低、参数调整困难等问题,本文提出了一种基于efficientnet深度学习模型和LSTM时序模型的井下相对定位模型,以提高设备定位算法在井下复杂工作环境中的精确度和鲁棒性。算法训练过程中通过设计光照强度随机和边缘平滑的图像预处理模式,使训练得到的深度学习网络对图像的照度和纹理敏感度降低。实验结果表明:在测试数据集上,该模型能够进行精确的井下定位。该研究将端对端的深度学习应用于井下定位技术,并为矿井视觉定位的发展提供理论参考。

摘要：目的:搭建了一种基于efficientnet的癌痛面部表情识别与强度分类的智能评估模型并评价模型准确性。方法:采集72位志愿者在6种不同疼痛强度状态下的面部表情图片,设计深度卷积神经网络并进行训练,使用特征级差异进行面部疼痛表情分类。在原网络基础上进行了以下两点优化:1) 将激活函数swish改为mish。2) 用inception v4代替网络中的mobile net模块。结果:优化后的网络与原网络相比,模型训练损失衰减更快,模型对于测试集的分类准确率有了显著的提升。结论:该方法在疼痛表情识别中准确有效,评分结果具有显著性。

摘要：针对基于传统光学摄像头实现人体行为识别系统所带来的隐私暴露,易受光照、遮挡的影响等问题,设计基于efficientnet模型的FMCW雷达人体行为识别系统。首先对FMCW雷达实测数据采用距离多普勒算法构建每一帧距离-速度图像;接着采用逐帧积累的方法延长观测时间窗口,构建覆盖整个动作过程的距离-速度轨迹;最后采用改进预训练的efficientnet模型对不同人体行为进行识别。实验结果表明,在5秒观测时间窗口内,改进预训练的efficientnet-B4模型对已知个体和未知个体9种行为识别准确率达到99.3%与98.2%,均高于传统机器学习方法及经典深度学习方法,进一步缩短观测时间窗口至2.5秒,改进预训练的efficientnet-B4模型对已知个体和未知个体的9种行为识别准确率仍能达到96.7%与95.4%。除此之外,在5秒观测时间窗口内,所提方法对已知个体和未知个体的9种行为识别准确率比常见利用时间-速度提取行为参数的方法分别提高了3.5%与4.9%,缩短观测时间窗口至2.5秒,所提方法准确率提高了4.2%与4.8%,可见所提方法可以有效地提升FMCW雷达人体行为识别的准确率,且模型的泛化能力较强。