基于MobileNet V2模型迁移学习的垃圾图像分类算法

垃圾分类结合人工智能图形识别技术,是对传统垃圾处理方式的改革,旨在实现垃圾的有效分类处置,是一种科学管理方法[1]。本文基于MobileNet V2网络结构,使用迁移学习提高模型特征表达的能力,改进并选择合适的损失函数和优化方案,使得模型能够区分不同种类的垃圾,训练完毕的模型导出后可以部署在嵌入式系统或者APP中。

V2F模型在室内空气流动数值模拟中与其他湍流模型的比较研究

介绍了V2F模型的表达式。对Annex20算例进行了模拟计算,将V2F模型、雷诺应力模型、标准K-ε模型、低雷诺数K-ε模型、RNGK-ε模型的模拟结果与其他研究者的实验结果进行了比较。结果表明,V2F模型在模拟室内空气流动中优于其他湍流模型。

V2F模型在室内气流数值模拟中的应用研究

本文应用V2F模型对两个室内气流典型算例进行了比较研究。计算结果表明在室内流动情况下,V2F模型能很好捕捉射流、回流以及存在障碍物等情况下的气流流动特点,且具有与雷诺应力模型和大涡模拟的精度。

基于V2F湍流模型的坡屋面体型系数研究

在土木工程中,两方程k-ε系列湍流模型在结构风荷载模拟中有着广泛的应用。但是这些湍流模型都需结合壁面函数使用,从而使得在壁面附近以及钝体转角处计算精度不高。该文在Open FOAM平台上,基于V2F湍流模型对低矮坡屋面风场进行数值模拟,研究坡屋面体型系数的变化规律。经过非线性修正的V2F湍流模型在壁面附近及钝体转角处都有很高的计算精度,并可以不再使用壁面函数。通过对坡屋面体型系数的模拟,分析了地貌、湍流强度对体型系数的影响,并与规范进行了对比。该文最后还研究了坡屋面建筑之间的干扰效应及其对体型系数的影响,为工程设计提供了参考。

基于改进ShuffleNet V2网络的核桃破壳物料壳仁分类识别方法

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。

隧道场景下非平稳多簇V2V信道建模与分析

针对隧道场景下的车对车(Vehicle to Vehicle,V2V)通信系统,提出了一种基于多簇的三维宽带非平稳多输入多输出(Multi-Input Multi-Output,MIMO)信道模型。该模型考虑单反弹(Single-Bounced,SB)和多反弹(Multiple-Bounced,MB)分量来描述波达信号在隧道中的传播环境。采用时变的方位角、俯仰角和传播路径长度来描述收发端移动所带来的非平稳特性。推导了所提模型如空时相关函数(Space-Time Correlation Function,ST-CF)和多普勒功率谱密度(Power Spectral Density,PSD)等重要统计特性,并分析了时间与角度值等参数变化对信道统计特性和非平稳特性的影响。结果表明,信道的相关统计特性与收发端运动时间及散射体分布密度紧密相关。理论值和仿真结果吻合较好,验证了该模型对隧道场景下的V2V信道建模的可行性。

基于MobileNet的恶意软件家族分类模型

现有基于卷积神经网络(CNN)的恶意代码分类方法存在计算资源消耗较大的问题.为降低分类过程中的计算量和参数量,构建基于恶意代码可视化和轻量级CNN模型的恶意软件家族分类模型.将恶意软件可视化为灰度图,以灰度图的相似度表示同一家族的恶意软件在代码结构上的相似性,利用灰度图训练带有深度可分离卷积的神经网络模型MobileNet v2,自动提取纹理特征,并采用Softmax分类器对恶意代码进行家族分类.实验结果表明,该模型对恶意代码分类的平均准确率为99.32%,较经典的恶意代码可视化模型高出2.14个百分点.

轻量化的YOLOv4目标检测算法

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。

基于Linux的TW2835的驱动程序设计与实现

为实现视频采集芯片TW2835在嵌入式Linux下的控制,对TW2835的工作流程进行了深入的分析,以飞思卡尔i.MX53控制器为硬件平台,Linux2.6.35为软件平台,利用V4L2驱动模型和I2C驱动体系,提出了利用模块化思想实现Linux下TW2835驱动的设计方法。测试结果表明,该驱动可同时支持4路视频采集,输出视频图像质量清晰稳定,且利用多片TW2835芯片可扩展多路视频采集系统,在嵌入式数字监控设备中有广泛的应用前景。

改进的轻量化人脸识别算法

嵌入式平台计算资源有限,无法实时运行计算量和参数量巨大的深度学习模型。基于mobilenet v2提出一种改进的轻量化人脸识别算法L-mobilenet v2,首先对原有网络结构进行优化,然后以三元损失函数为主,将传统分类任务中的softmax损失改为Am-softmax作为辅助损失函数,使用10575个人的49万张图片进行联合训练。相比于改进前的模型及训练方法,新模型在LFW测试集和自制数据集的识别准确率达到98.56%和95%,将模型参数量缩减72.3%的同时将识别准确率提高了1.56%和7.1%,在嵌入式平台Jetson nano上的平均识别帧率提升了36.3%。该模型可以在计算资源受限的移动端实时运行。

扩散角对汽车风洞扩散段流动的影响

传统的汽车风洞设计一般参考现有风洞的设计经验和沿用工程估算方法。扩散段是汽车风洞的主要部件之一,它的设计经验和估算方法通常基于均匀来流。笔者采用v2f湍流模型研究两种非均匀来流工况下,不同扩散角对扩散段流动的影响。模型风洞扩散段出口速度分布的数值模拟结果与试验结果的一致性表明:使用v2f湍流模型能够真实反映扩散段流动特性。与均匀来流相比,非均匀来流大幅度增加扩散段总压损失因数,约增加420%。壁面摩擦损失和流动分离损失的相互作用使风洞扩散段在某一扩散角下存在最小总压损失因数,且扩散段进口速度不均匀度越大,最优扩散角越大。

SOLO-DAFF:一种面向肉牛体尺测量的图像实例分割算法

为了解决复杂背景下因颜色区分度小造成肉牛图像分割精度较低问题,试验采用SOLO-DAFF模型对肉牛图像进行实例分割,即在RGB彩色图像中引入深度信息,提升信息通量,增大目标与背景间的特征差异;通过在残差网络(residual network, ResNet)中增加基于卷积块的注意机制(convolutional block attention module, CBAM)提升目标特征提取精度;在特征金字塔网络(feature pyramid networks, FPN)中结合基于压缩和激发(squeeze-and-excitation networks, SE)的注意力机制进行特征图融合,得到包含准确空间位置信息的特征图;通过在分割网络头部的掩模损失函数中融入平滑系数(α),实现对肉牛图像的像素级实时分割。使用ZED双目相机采集110头肉牛的图像(共计1 500张肉牛的RGB彩色图像及相对应的深度图像),在此肉牛图像数据集上利用SOLO-DAFF模型、SOLO v2模型等进行肉牛图像实例分割验证试验。结果表明:SOLO-DAFF模型对肉牛图像的分割精度相较于SOLO v2模型提高了5.56百分点,证明了SOLO-DAFF模型有效,且SOLO-DAFF模型改善了肉牛细节部位的分割效果。说明SOLO-DAFF模型可实现从肉牛图像中获取精确的肉牛区域,提高了肉牛图像实例分割精度。

基于边缘计算的实时目标检测算法

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。

基于机器视觉的带式输送机落料口堆煤检测

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。

涡轮叶栅端壁二次流动与换热的V2F模拟

针对低展弦比涡轮叶栅端壁区亚声速流动及换热,采用基于线性涡黏假设的V2F模型开展了数值模拟.结果表明:涡轮叶栅流动中存在马蹄涡、通道涡、压力侧角涡、吸力侧角涡等多种复杂涡系结构,其中马蹄涡与通道涡是涡轮叶栅二次损失的主要来源.端壁换热与马蹄涡及通道涡强度及位置直接相关,并呈现明显的分区特征.端壁极限流线结果显示,V2F模型模拟的端壁单马蹄涡分离线与实验结果吻合,优于SST(shear stress transport)k-ω模型模拟的端壁双马蹄涡分离线.V2F模型引入了新的湍流尺度,在马蹄涡及通道涡位置、端壁静压损失系数分布、叶栅出口总压损失分布及端壁Standon数分布等方面均与实验结果吻合较好,对叶栅气动损失及端壁换热有良好的预测能力.