针对现有集装箱编号识别算法结构复杂以及难以应用在低成本设备上的问题,文中提出一种基于深度学习的轻量型算法YOLOv4-GSE(You Only Look Once version 4-Ghost-SPPFA-Effective),利用Ghost-Enet网络替代YOLOv4的主干特征提取网络,使用...针对现有集装箱编号识别算法结构复杂以及难以应用在低成本设备上的问题,文中提出一种基于深度学习的轻量型算法YOLOv4-GSE(You Only Look Once version 4-Ghost-SPPFA-Effective),利用Ghost-Enet网络替代YOLOv4的主干特征提取网络,使用Ghost卷积替换所有3×3卷积方式来削减模型的参数量。在加强特征提取部分,提出一种改进后的SPPFA(Spatial Pyramid Pooling with Feature Aggregation)模块来解决由于连续最大池化操作造成的信息丢失问题。添加CBAM(Convolutional Block Attention Module)注意力机制模块对不同通道和空间进行权重分析,增强模型的特征提取能力。相较于YOLOv4,所提算法在集装箱数据集上的mAP(mean Average Precision)值提升了1.02%,参数量减少了91.95%,FLOPs(Floating-point Operations Per Second)减少了94.62%。展开更多
为了对铁路电气设备进行智能检测,并提升检测精度,采用了You Only Look Once version 4算法,并从特征获取、全局信息获取和损失函数三个角度对其进行初步改进。基于提升模型检测速度的目的,又引入了K均值算法及深度可分离卷积。经过测...为了对铁路电气设备进行智能检测,并提升检测精度,采用了You Only Look Once version 4算法,并从特征获取、全局信息获取和损失函数三个角度对其进行初步改进。基于提升模型检测速度的目的,又引入了K均值算法及深度可分离卷积。经过测试发现,在实际应用中,检测模型的准确率和召回率最大值分别为93.83%和94.61%,耗时和内存占用率最小值分别为22.61 ms和5.8%。所设计的智能检测模型具有良好的检测精度和速度,能够较好地对现实中的铁路电气设备进行检测。展开更多
文摘针对现有集装箱编号识别算法结构复杂以及难以应用在低成本设备上的问题,文中提出一种基于深度学习的轻量型算法YOLOv4-GSE(You Only Look Once version 4-Ghost-SPPFA-Effective),利用Ghost-Enet网络替代YOLOv4的主干特征提取网络,使用Ghost卷积替换所有3×3卷积方式来削减模型的参数量。在加强特征提取部分,提出一种改进后的SPPFA(Spatial Pyramid Pooling with Feature Aggregation)模块来解决由于连续最大池化操作造成的信息丢失问题。添加CBAM(Convolutional Block Attention Module)注意力机制模块对不同通道和空间进行权重分析,增强模型的特征提取能力。相较于YOLOv4,所提算法在集装箱数据集上的mAP(mean Average Precision)值提升了1.02%,参数量减少了91.95%,FLOPs(Floating-point Operations Per Second)减少了94.62%。
文摘为了对铁路电气设备进行智能检测,并提升检测精度,采用了You Only Look Once version 4算法,并从特征获取、全局信息获取和损失函数三个角度对其进行初步改进。基于提升模型检测速度的目的,又引入了K均值算法及深度可分离卷积。经过测试发现,在实际应用中,检测模型的准确率和召回率最大值分别为93.83%和94.61%,耗时和内存占用率最小值分别为22.61 ms和5.8%。所设计的智能检测模型具有良好的检测精度和速度,能够较好地对现实中的铁路电气设备进行检测。
