面向轻量化网络的火焰快速识别
为解决火焰图像识别在边缘设备,?移动端设备环境下模型体积大,?准确率低,?实时性能差的问题.?首先选取ShuffleNetV2作为轻量化主干神经网络,?保证模型的实时性;?其次,?设计了一种新的注意力模块SCDAM?(space?and channel?dual?attention?module)去同时考虑通道和空间的关联性,?针对不同特征的重要程度去赋予不同权重并有效提高模型精度;?然后,?设计了一种多尺度特征融合模块,?使提取到的特征在空间尺度上更加丰富,?加强网络对不同尺度的适应性;?最后将SCDAM模块以及多尺度模块引入到ShuffleNetV2中并利用迁移学习方式优化模型参数,?进一步提高模型精度.?在参数量和计算量仅有微量增加的情况下,?本算法的精度比ShuffleNetV2提升了3.2%,?且单次推理速度仅耗时8.7?ms.?实验证明,?该算法更加适合应用在计算资源有限情况下,?如火药火焰的识别与监控.
火焰图像识别、ShuffleNetV2、注意力机制、多尺度特征融合、迁移学习
32
TP391.41;TN911;TM77
教育部卓越工程师教育培养计划项目产学合作协同育人项目;山西省高校教学改革创新项目;山西省高等学校科技创新项目;太原科技大学研究生教育改革研究课题;山西省基础研究计划项目;研究生教育创新项目
2023-04-19(万方平台首次上网日期,不代表论文的发表时间)
共9页
274-282