摘要：针对现有的垃圾图像分类模型实时性能差和分类精度低的问题,提出基于改进mobilenet v2的垃圾图像分类方法,构建以mobilenet v2为核心的轻量级特征提取网络.通过调整宽度因子降低模型的参数量;在模型中嵌入通道和空间注意力模块,增强网络对特征的细化能力;设计多尺度特征融合结构,增强网络对尺度的适应性;利用迁移学习的方式优化模型参数,进一步提高模型精度.实验结果表明,算法在自建数据集上的平均准确率为94.6%,分别高于mobilenet v2、vGG16、GoogleNet、ResNet50、ResNet101模型2.0%、3.4%、3.2%、2.3%、1.2%;所提算法在2种公共图像分类数据集CIFAR-100和tiny-ImageNet中均取得不错表现;模型参数量仅为0.83 M,体积约为基础模型的2/5,在边缘设备JETSON TX2上的单次推理耗时68 ms,实现了推理速度和预测准确率的提升.

摘要：很多场所和环境要求人员佩戴口罩才准许进入.当由人工进行口罩人脸检测时,耗时且漏检率、错检率高.因此,设计一个用于检测人脸是否佩戴口罩的模型显得十分重要,并且该模型需要具备轻量、快速、精度高的特点,以便将其应用于实时视频检测.首先,对传统mobilenet v2模型进行改进,缩小模型深度,提高其计算速率;然后,建立了1 600张图像的人脸数据库,并进行手工标注;最后,利用该人脸数据库对改进后的模型进行训练,最终训练完成的模型仅11.5 MB.通过实验对比该模型与其他三种口罩检测模型的检测精确度、损失值和检测速度,对戴口罩的人脸该检测模型的平均检测精确度提高了3%以上,检测速度也快于其他三类.

摘要：针对轻量化目标模型SSD-Mv2对水下光学图像感兴趣目标检测精度低的问题,该文提出一种通道可选择的轻量化特征提取模块(SEB)和一种卷积核可变形、通道可选择的特征提取模块(SDB)。与此同时,利用SEB模块和SDB模块分别重新设计了SSD-Mv2的基础网络和附加特征提取网络,记作SSD-Mv2SDB,并为其选择了合理的基础网络扩张系数和附加特征提取网络SDB模块数量。在水下图像感兴趣目标检测数据集UOI-DET上,SSD-Mv2SDB比SSD-Mv2检测精度提高3.04%。实验结果表明,SSD-Mv2SDB适用于水下图像感兴趣目标检测任务。

摘要：针对轻量化目标检测模型SSD-Mv2对合成孔径声呐(SAS)图像水下多尺度目标检测精度低的问题,该文提出一种新的卷积核模块-可扩张可选择模块(ESK),ESK具有通道可扩张、通道可选择和模型参数少的优点。与此同时,利用ESK模块重新设计了SSD的基础网络和附加特征提取网络,记作SSD-Mv2ESK,并为其选择了合理的扩张系数和多尺度系数。在合成孔径声呐图像水下多尺度目标检测数据集SST-DET上,SSD-Mv2ESK在模型参数基本相等的条件下,检测精度比SSD-Mv2提升4.71%。实验结果表明,SSD-Mv2ESK适用于合成孔径声呐图像水下多尺度目标检测任务。

摘要：葡萄病虫害识别是精细化防治的前提。针对现有研究中存在的数据集少、识别精度低、模型参数量大等问题,该研究构建包含健康叶片、3类病害叶片和16类虫害的葡萄病虫害数据集,提出基于改进mobilenet v2模型的葡萄病虫害识别模型。首先在mobilenet v2模型的反向残差模块中嵌入坐标注意力(Coordinate Attention,CA)机制,提升模型的信息表征能力;然后使用深度可分离卷积设计双分支特征融合模块,加强模型的特征提取能力;最后对模型的通道数进行调整,精简模型结构。试验结果表明:mobilenet_vitis在葡萄病虫害数据集上的识别准确率和F1分数为89.16%和80.44%,相比改进前的mobilenet v2提高了1.83和9.31个百分点,而模型参数大小为7.85 MB,减少了8.5%。与ResNet101、ShuffleNetv2、mobilenetv3和GhostNet相比,mobilenet_vitis的识别精度和F1分数更高,参数量更小。mobilenet_vitis对单张葡萄病虫害图像的推理时间为17.53 ms,可以达到快速识别的要求。该研究提出的模型能够较好地识别葡萄病虫害,并且较大幅度地减少模型的参数量。将mobilenet_vitis模型部署到移动端的小程序上,可为葡萄病虫害的防治提供帮助。

摘要：针对缺乏矿石数据集和矿石分类识别模型等因素,自建以X射线照射成像的矿石图像为数据集,并以mobilenet v2为主网络,提出基于改进mobilenet v2轻量级矿石分类模型算法。首先,通过调整扩展因子和宽度因子大幅减少模型参数量,实现模型轻量化的目的;其次,通过在部分倒残差模块和原模型分类器中嵌入高效通道注意力机制,并将剩余倒残差模块替换为含深度空洞卷积的并行特征提取网络,以增强模型特征信息提取能力,提升模型识别准确率;最后,使用迁移学习的训练方式初始化权重,加速模型训练。经过改进,该算法矿石识别准确率提升至96.720%,对比vGG16、GoogleNet、Xception、ShuffleNet和mobilenet v2在准确率和矿石检测速度都获得了提升。综合而言,相比本文实验中其他算法而言,改进算法针对矿石的识别性能具有更佳表现。

摘要：基于树莓派设计了一种新型智能分类垃圾投放系统。采用mobilenet v2算法并进行迁移学习获得最终分类模型。为解决数据集类别不均衡问题,采用先细分后粗分两级分类方法以获得高分类正确率。以树莓派作为图像采集及分类处理器,用单片机控制相关机电部分工作,最终实现垃圾的智能检测及投放。实验结果表明,该投放系统进行垃圾分类达到了94.6%以上的准确率。

摘要：为解决垃圾分类困难和实现垃圾自动化分类,文章提出了基于视觉识别的垃圾自动分类系统。使用mobilenet v2模型对百度飞浆AI Studio开源数据Garbage进行训练,建立分类模型,对可回收垃圾、有害垃圾、干垃圾和湿垃圾进行分类。实验结果表明,训练集和验证集的准确率分别为0.99和0.95,训练集损失值接近于0,验证集损失函数值0.3左右,测试集的准确率为0.95,损失函数值为0.35。可见该模型能较好地对四类垃圾进行分类,并有较高的准确率和较低的损失函数值。由App测试结果可知,可以实时地监测垃圾桶内环境数据以及垃圾桶的地理位置信息和容量信息,更好地完成垃圾分类的回收。

摘要：基于现实的业务需求并结合深度学习的方法,文章构建一个基于卷积神经网络构建的自动化识别细碎图斑模型,该模型能自动地从细碎图斑数据库中学习图斑特性。通过数据集上的实验验证,表明提出的深度神经网络可以有效地提取场景特征,并使训练出的场景模型具有较强的泛化性能和较高的分类准确率。