摘要：【目的】设计MobileNet with large convolution Unit(Mobile-LU)模型,解决由于辣椒病害种类复杂和类间差异不明显而造成的病害识别困难、准确率低等问题。【方法】重新构建MobileNetV3的特征提取层,在并行分支单元结构中采用不同尺度的分离卷积,增强模型对辣椒病害尺寸差异特征的表达能力;引入Squeeze-and-Excitation(se)注意力机制,加强模型对病害相关的特征的学习,提高病害识别准确率;同时使用Leaky ReLU激活函数,在负值区域引入小的斜率,避免网络神经元死亡问题;调整输出层节点个数,更好适应辣椒病害分类任务。【结果】Mobile-LU模型的识别准确率达到98.2%,相较于MobilenetV3-small、ResNet34、VGG16、Alexnet、Swin Transformer、MobileVIT等模型分别高出8.9、7.3、4.4、20.4、6.0、8.3个百分点,且Mobile-LU模型在精确率、召回率、特异度以及F1分数等关键性能指标上也均有优势。【结论】Mobile-LU模型对辣椒病害的识别性能更优,能更好满足辣椒病害识别任务。

摘要：针对目前连铸坯表面缺陷检测方法存在检测准确率和效率低的问题,提出了一种基于改进YOLOv5s的连铸坯表面缺陷检测系统。首先,基于CycleGAN的域迁移能力和冷轧样本集实现铸坯复杂背景的简单化。其次,利用Ghost网络和GhostBottleneck重新构建YOLOv5s的特征提取骨架以达到轻量化网络结构提高检测速度的目的。最后,在YOLOv5s颈部模块中嵌入se注意力机制以提升缺陷关键信息捕捉能力,从而提高检测准确率。实验结果表明,改进YOLOv5s在铸坯表面图像数据集上mAP指标达到93.6%,相较于原始的YOLOv5s,mAP指标提升了2.9%,计算量降低了2.5 FLOPs。能够满足铸坯表面缺陷检测系统的实时要求及准确率指标,并且降低了部署所需的计算资源。

摘要：针对目前已有的XSS深度学习检测方法无法同时做到收敛速度快、检测效果好、参数量少这一缺陷,提出了一种融合了se通道注意力机制和稠密连接思想的XSS攻击检测模型,将稠密连接网络DenseNet与XSS攻击检测结合起来,利用DenseNet结构中互相连接所有的层的特点,加强特征传播和特征重用,挖掘较深层次的文本特征。对DenseNet网络进行了简化与改进,在DenseBlock中增加了se注意力机制,使模型更加关注有用的通道信息,以获得更快的收敛速度和更好的分类效果,并将普通卷积替换为蓝图卷积,进一步减少了模型参数量。实验结果表明,该模型能够在达到最高精度分类效果的前提下,大幅度减少模型参数量,提升收敛速度。

摘要：针对体测项目中引体向上和仰卧起坐计数效率及准确率低问题,设计基于改进YOLOv7-Pose网络综合体测计数算法。该算法通过检测人体关键点数据来计算肢体关节角度,设定阈值判断动作是否达标并实现计数。针对应用场景,将网络检测重点放在人体姿态中大目标上,删除小目标感受野模块和面部关键点,减小模型规模,提高实时性,以便移植到便携设备中;在原始YOLO7-Pose网络中引入se注意力机制模块,提高模型特征提取能力;为最小化预测边界框和真实边界框的高度和宽度差异,使网络有更快收敛速度和更好定位结果,用EIoU替换原网络中的CIoU损失函数。在COCO数据集上实验结果表明,改进后的算法模型mAP@0.5提高了0.9个百分点,FPS显著提升,计数准确率均达到98%以上,满足体测场景对计数准确率的要求。