改进SSD的灵武长枣图像轻量化目标检测方法

针对加载预训练模型的传统SSD（Single Shot MultiBox Detector）模型不能更改网络结构,设备内存资源有限时便无法使用,该研究提出一种不使用预训练模型也能达到较高检测精度的灵武长枣图像轻量化目标检测方法。首先,建立灵武长枣目标检测数据集。其次,以提出的改进DenseNet网络为主干网络,并将Inception模块替换SSD模型中的前3个额外层,同时结合多级融合结构,得到改进SSD模型。然后,通过对比试验证明改进DenseNet网络和改进SSD模型的有效性。在灵武长枣数据集上的试验结果表明,不加载预训练模型的情况下,改进SSD模型的平均准确率（mAP,mean Average Precision）为96.60%,检测速度为28.05帧/s,参数量为1.99×106,比SSD模型和SSD模型（预训练）的mAP分别高出2.02个百分点和0.05个百分点,网络结构参数量比SSD模型少11.14×106,满足轻量化网络的要求。即使在不加载预训练模型的情况下,改进SSD模型也能够很好地完成灵武长枣图像的目标检测任务,研究结果也可为其他无法加载预训练模型的目标检测任务提供新方法和新思路。     

卷积神经网络下的相似月季识别

目前我国关于花卉分类识别技术已较为成熟,但由于类间相似性较高,花卉特征较难提取,对于同种不同类的相似花卉仍存在识别率较低的问题,因此提出使用卷积神经网络(CNN)中4类深度学习网络SqueezeNet、ResNet、InceptionV3及DenseNet的训练模型,搭建了对4种相似月季进行识别的花朵识别客户端,并对识别结果进行比较,筛选出最优模型,同时运用GPU对训练过程以及识别过程进行加速.对实验过程产生的数据进行统计对比后得出InceptionV3网络训练后得到的模型较其余3种网络而言识别率最高且识别速度较快,可以作为最优模型.将搭建的花朵识别系统应用于花卉分类工作中,在节省人工的同时也能够加速园艺自动化的进程.     

基于Inception-CSA深度学习模型的鸟鸣分类

为进一步提高通过声音识别鸟类的精确度，本研究提出基于Inception-CSA深度学习模型的鸟鸣声分类方法，包含鸟鸣声音频样本预处理、特征提取、分类器分类等步骤。首先将鸟鸣声样本预处理成尺寸相同的梅尔频谱图，作为鸟鸣声特征图；其次利用Inception-CSA模型对鸟鸣声特征图进行特征提取，其中Inception模块提取鸟鸣声特征图中的多尺度局部时频域特征，CSA模块获取鸟鸣声特征图的全局注意力权重，将二者的输出结合得到更强的特征图，再次利用最大池化层对特征图进行下采样；最后利用全连接层进行分类，得到最终的分类结果。以采集的华南地区自然环境中的10种野生鸟类的鸣叫声构建数据集，用于实验部分以验证方法的有效性。结果表明，本研究提出的方法在自建数据集上准确率达到了93.11%，相比于基于其他经典模型的分类方法，基于Inception-CSA模型的分类方法在拥有较少模型参数量的同时达到了更高的准确率。