基于边云协同的消防设施智慧感知系统

火灾发生时,消火栓欠压、消防水箱无水等消防设施故障会致使火灾进一步扩大,造成不必要的生命财产损失。针对该问题,本系统选用低功耗蓝牙技术构建无线Mesh网络的组网方案感知消防设施状态参数,数据通过NB-IoT上传至云平台。用户可以通过电脑端或移动端实现对消防设施的远程监测,当消防设施状态异常时,用户端自动推送通知,从而实现第一时间检修。通过在边缘计算主机上部署火焰识别算法模型处理视频监控数据,当识别到火情时通过云平台及时推送给用户,实现火情的联动报警和快速响应。经测试,所设计的系统使用便捷、运行稳定、具有较高的应用价值。

基于NB-IoT的学生宿舍智慧用电监控系统

针对智能化电气设备普及带来的用电能耗、用电风险提高等问题,设计了一种基于NB-IoT的学生宿舍智慧用电监控系统。系统监控终端与学生宿舍唯一绑定,可以实时收集宿舍电压、电流、电功率等数据,并通过NB-IoT无线通信方式上传云平台。若监测到学生违规用电,监控终端立刻切断电源并将违规用电信息发送至管理员。云平台实现数据加工、存储,并通过APP将数据可视化展示。管理员可通过APP远程控制室内用电通断、下发监控阈值等。经测试,所设计的系统使用便捷、运行稳定、具有较高的实际使用价值。

基于Transformer改进YOLOv5的山火检测方法研究

构建智慧生态林业中核心环节为对森林火灾的监测及防范,为了第一时间扑灭火源防止火势蔓延并将可能发生的山火隐患于第一时间消除,提出了两种适用于无人机高空巡检的森林火灾检测模型YOLO_MC与YOLO_MCLite。其中YOLO_MC可对标准图像中的明火及烟雾进行检测,并基于YOLO_MC模型进行轻量化设计,提出适用于热图像中高温区域的检测模型YOLO_MCLite。在网络结构的设计中,首先在常规的卷积神经网络中融合加入了Transformer模型,提升了主干网络对于全局特征信息的感知能力;同时对Transformer模型进行轻量化设计,首先在网络结构上通过分组计算的形式减少tokens数量以降低计算量,其次通过通道注意力机制对特征块的通道数进行去冗余并提权来减少tokens的维度参数以降低计算复杂度,并且采用蒸馏算法从所设计的网络中提取出超轻量化网络应用于无人机红外影像的森林高温点检测,以预防森林火灾的发生。经过实验得出以下数据:所设计的两个检测模型中,其中适用于标准图像中对于明火及烟雾的检测准确率可达94.8%,适用于热图像对高温点的检测准确率可达97.2%,并且在英伟达JETSON TX2嵌入式设备上测试两个模型的帧率分别达到了22.5以及32.4。实验结果表明本文所设计网络能够对森林火灾进行有效检测并可以通过检测高温点及时预防火灾发生。

改进YOLOv5s的遥感图像检测研究

针对遥感图像中目标排列紧密,背景复杂的问题,设计Transformer和卷积的双向交互模块(CTN)作为网络特征提取结构,使模型能够弱化背景噪声带来的干扰且能更好的捕获全局信息。其次,为了加强特征提取网络在复杂背景下的提取能力,构建了DenseBlock模块和ConvBlock模块,所设计的模块能增强模型在多目标下多尺度学习的能力,相比原网络能提取出更丰富的语义信息。最后对数据集中所有实例分布进行统计分析,其存在的许多小目标容易使原网络存在漏检误检的现象,针对这种情况,在检测头部分额外添加了一个检测头来缓解目标尺度变化带来的负面影响,同时去除对检测效果提升不明显的特征提取分支及检测分支,使用K-means++重新聚类得到最优锚框并分配至裁剪后的3个预测特征层。实验结果表明,改进的网络能有效改善遥感图像的漏检与误检的情况,在目标密集分布的情况下提升YOLOv5s的检测能力,改进的网络能更快收敛,均值平均精度(mean average precision, mAP)相比于原YOLOv5s算法提高了3.1%。