期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到6篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于HMS-ShuffleNet V2模型的奶牛个体识别研究
1
作者 林雨欣 高迪 +2 位作者 秦岭 李宝山 杜永兴 《黑龙江畜牧兽医》 北大核心 2025年第10期53-60,共8页
为了在大型现代化牧场中实现无接触、高准确率和低成本的奶牛个体识别,试验通过构建HMS-ShuffleNet V2模型的方法来识别奶牛个体,通过视频帧分解技术从获取到的视频数据中截取奶牛图像,并将其进行去背景处理构建试验数据集;在ShuffleNet... 为了在大型现代化牧场中实现无接触、高准确率和低成本的奶牛个体识别,试验通过构建HMS-ShuffleNet V2模型的方法来识别奶牛个体,通过视频帧分解技术从获取到的视频数据中截取奶牛图像,并将其进行去背景处理构建试验数据集;在ShuffleNet V2 Unit中使用Hardswish激活函数代替Relu激活函数增强模型的非线性表达能力,使用最大池化代替部分DW卷积增强模型特征提取能力,引入SE注意力机制提升模型对特征通道的权重分配能力;调整单元堆叠数防止模型过拟合;使用Ghost模块代替Conv5层的3×3卷积进一步减少模型参数量,将构建的HMSShuffleNet V2模型与VGG16、ResNet50、DenseNet121、MobileNet_V2、Swin_transformer和Vision_transformer模型在相同试验环境与相同数据集上进行对比试验。结果表明:HMS-ShuffleNet V2模型在推理速度(128.78帧/s)较快的情况下,识别准确率(99.56%)高于VGG16(90.01%)、ResNet50(97.43%)、DenseNet121(92.99%)、MobileNet_V2(96.94%)、Swin_transformer(92.51%)和Vision_transformer(90.29%)模型,并且模型参数量(1.28 M)、计算量(32.54 M)、模型大小(4.89 MB)、延迟时间(7.77 ms)与内存占用(7.88 MB)均低于上述模型。说明HMS-ShuffleNet V2模型很好地平衡了模型复杂度和识别准确率。 展开更多
关键词 卷积神经网络 奶牛 个体识别 shufflenet v2模型 轻量化
原文传递
基于改进ShuffleNet V2网络的核桃破壳物料壳仁分类识别方法 被引量：2
2
作者 张超宇 王应彪 +4 位作者 颜旭 王周梅 李九峰 刘梦迪 周丹 《江苏农业学报》 CSCD 北大核心 2023年第4期1015-1025,共11页
核桃破壳后壳仁物料的高效无损分类检测是云南深纹核桃加工的关键技术缺口。本研究首先使用单独的下采样模块、网络浅层不使用深度卷积及网络深层使用H-Swish激活函数替代ReLu激活函数等优化策略,将ShuffleNet V2-0.5网络模型改进为C-Sh... 核桃破壳后壳仁物料的高效无损分类检测是云南深纹核桃加工的关键技术缺口。本研究首先使用单独的下采样模块、网络浅层不使用深度卷积及网络深层使用H-Swish激活函数替代ReLu激活函数等优化策略,将ShuffleNet V2-0.5网络模型改进为C-ShuffleNet网络模型,实现轻量化的核桃破壳物料壳仁分类检测;然后,用核桃破壳物料壳仁数据集对改进前后的模型进行训练,进而对改进后的模型进行评估与检验;最后,将改进后的模型C-ShuffleNet与AlexNet、ResNet、EfficientNet、MobileNet等经典分类网络模型进行综合性能比较。结果表明,改进后的C-ShuffleNet模型大小比改进前的ShuffleNet V2-0.5压缩了8.9%,测试集准确率达到98.34%,比改进前提高了1.28个百分点,模型推理速度两者相差不大;与AlexNet、ResNet、EfficientNet、MobileNet等模型相比,C-ShuffleNet模型不但能保证较高的识别准确率,同时所占内存空间较小,识别时间更短,更加适合在嵌入式平台上开发应用。本研究结果为深纹核桃破壳物料壳仁自动化分类检测平台的开发提供了算法支持。 展开更多
关键词 C-shufflenet模型 shufflenet v2模型 深纹核桃 分类识别 轻量化网络
在线阅读 下载PDF
基于改进ShuffleNet V2的轻量级防风药材道地性智能识别 被引量：4
3
作者 赵毓 任艺平 +2 位作者 朴欣茹 郑丹阳 李东明 《智慧农业（中英文）》 CSCD 2023年第2期104-114,共11页
[目的/意义]目前,对于防风药材产地和品质的鉴别方法主要是根据其物理或化学特征,其方法需对中药材进行分离提取,存在耗时长,费用高,专业性强,技术难度大等问题,不利于推广应用。随着深度学习的不断发展,其无需人工提取特征、分类精度... [目的/意义]目前,对于防风药材产地和品质的鉴别方法主要是根据其物理或化学特征,其方法需对中药材进行分离提取,存在耗时长,费用高,专业性强,技术难度大等问题,不利于推广应用。随着深度学习的不断发展,其无需人工提取特征、分类精度高等优点被广泛应用在中药材的识别之中。[方法]针对大多数卷积神经网络模型在识别防风药材时计算量大、精度低的问题,本研究提出了一种改进的ShuffieNet V2的轻量级防风道地性识别模型。在不降低网络性能的情况下调整模型架构,减少模型参数量和计算量,用沙漏残差网络(Hourglass Residual Network)代替传统残差网络,同时引入SE(Squeeze-and-Excitation)注意力机制,把具有附加信道注意力的沙漏残差网络嵌入到ShuffleNet V2中,使用SiLU激活函数替换ReLU激活函数,丰富局部特征学习,从而提出轻量化的中药防风道地性识别模型Shuffle-Hourglass SE。为了验证本文所提出模型的有效性,选用VGG16、MobileNet V2、ShuffleNet V2和SqueezeNet V2四种经典网络模型进行对比实验。[结果和讨论]结果表明,本研究提出的模型Shuffle-Hourglass SE获得了最佳性能。在测试集上取得95.32%的准确率、95.28%的召回率,F_(1)分数达到95.27%,测试时间、模型大小为246.34 ms和3.23 M,不仅在传统CNN网络中是最优的,在轻量级网络中也具有较大优势。[结论]本研究所提出的模型在保持较高识别精度的同时占用较少的储存空间,有助于在未来的低性能终端上实现防风道地性的实时诊断。 展开更多
关键词 防风 道地性识别 shufflenet v2 SE注意力机制 沙漏残差网络 中药材 轻量级模型
在线阅读 下载PDF
基于机器视觉的带式输送机落料口堆煤检测 被引量：4
4
作者 苗长云 李佳 《辽宁工程技术大学学报（自然科学版）》 北大核心 2023年第5期617-624,共8页
针对带式输送机落料口堆煤检测存在准确性、实时性和可靠性差的问题,提出一种基于机器视觉的带式输送机落料口堆煤检测方法,利用工业相机采集落料口图像,通过以太网传输给堆煤检测器,堆煤检测器利用堆煤检测算法对图像进行处理与分析,... 针对带式输送机落料口堆煤检测存在准确性、实时性和可靠性差的问题,提出一种基于机器视觉的带式输送机落料口堆煤检测方法,利用工业相机采集落料口图像,通过以太网传输给堆煤检测器,堆煤检测器利用堆煤检测算法对图像进行处理与分析,实现堆煤检测,并通过以太网将检测结果传输给上位机。改进了ShuffleNetV2网络模型,用空洞卷积替代模型中的标准卷积,在不增加计算量的前提下增大感受野,在基本单元中增加了高效通道注意力模块ECA,提高特征提取能力。提出了改进ShuffleNetV2网络模型的堆煤检测算法,利用暗通道的图像去雾增强算法对采集的图像进行去雾和增强处理,构建了落料口图像数据集,利用该数据集训练改进ShuffleNetV2网络模型,再利用训练好的网络模型进行堆煤检测。采用Cortex-A57架构4核JetsonNano开发板设计了堆煤检测器的硬件和软件。研究结果表明:该方法能够实现带式输送机落料口堆煤的实时检测,准确率达到98.34%,图像处理速度为23帧/s。 展开更多
关键词 带式输送机 落料口堆煤 堆煤检测算法 改进shufflenet v2网络模型 堆煤检测器
原文传递
轻量化的YOLOv4目标检测算法 被引量：19
5
作者 张宝朋 康谦泽 +2 位作者 李佳萌 郭俊宇 陈少华 《计算机工程》 CAS CSCD 北大核心 2022年第8期206-214,共9页
YOLOv4目标检测算法主干网络庞大且参数量和计算量过多,难以部署在算力和存储资源有限的移动端嵌入式设备上。提出一种改进的YOLOv4目标检测算法,使用轻量化的ShuffleNet V2网络作为主干特征提取网络,更换模型激活函数及扩大卷积核,同时... YOLOv4目标检测算法主干网络庞大且参数量和计算量过多,难以部署在算力和存储资源有限的移动端嵌入式设备上。提出一种改进的YOLOv4目标检测算法,使用轻量化的ShuffleNet V2网络作为主干特征提取网络,更换模型激活函数及扩大卷积核,同时将YOLOv4网络中的普通卷积替换为深度可分离卷积,降低算法参数量、计算量和模型占用空间。在ShuffleNet V2网络结构的改进过程中分析并剪裁其基本组件,利用2个3×3卷积核级联的方式增强网络感受野,并使用Mish激活函数进一步提升网络检测精度和模型推理速度。在GPU平台和VisDrone 2020数据集上的实验结果表明,与YOLOv4算法相比,改进的YOLOv4算法在牺牲1.8个百分点的检测精度情况下,提高了27%的检测速度,压缩了23.7%的模型容量,并且能够充分发挥ZYNQ平台并行高速数据处理及低功耗的优势。 展开更多
关键词 YOLOv4目标检测 shufflenet v2网络模型 卷积运算 轻量化网络 ZYNQ平台
在线阅读 下载PDF
基于边缘计算的实时目标检测算法 被引量：3
6
作者 刘立昂 葛海波 +1 位作者 魏秋月 李文浩 《传感器与微系统》 CSCD 北大核心 2023年第12期115-118,共4页
为了解决目标检测算法——SSD算法存在模型参数过多、存储需求大、对小目标检测效果不理想、难以应用于边缘计算设备的问题,提出一种基于SSD的改进算法SFF-SSD。该算法将SSD骨干网络改为ShuffleNet V2,并将网络中的Stage2_3和Stage3_7... 为了解决目标检测算法——SSD算法存在模型参数过多、存储需求大、对小目标检测效果不理想、难以应用于边缘计算设备的问题,提出一种基于SSD的改进算法SFF-SSD。该算法将SSD骨干网络改为ShuffleNet V2,并将网络中的Stage2_3和Stage3_7进行特征融合,形成新的特征提取层N_Stage3_7进行目标检测。同时,使用焦点损失函数处理不均衡正负样本的方法,改善SSD算法检测精度不稳定的问题。最后,采用对不同特征通道的重要性进行重标定的方式,引入SENet,提高网络的表示能力。实验结果表明:SFF-SSD算法在VOC2007数据集上参数量为5.465 MB,检测速度为77 fps,检测精度为73.96%,因此该研究方法可以在保证实时性和检测精度的同时满足边缘设备部署的要求。 展开更多
关键词 边缘计算 SSD算法 shufflenet v2模型 SENet 焦点损失
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部