一种超轻量级指静脉纹络实时分割网络

现有的指静脉分割网络大多需要消耗极大内存和计算资源,难以直接部署到嵌入式平台上,大部分模型轻量化方法存在参数减小导致分割性能急剧下降、算力受限和实时性等问题。针对上述问题,本文提出了一种超轻量级指静脉纹络实时分割网络—SGUnet。首先,使用沙漏状的深度可分离卷积极大地减少基础模型参数,并采用轻量级高效注意力模块实现无降维的局部跨通道交互,提升网络分割性能。其次,为了解决部分特征图存在冗余的问题,使用Cheap operation来替代部分“懈怠”的卷积核,得到相似的特征图。最后,采用特征信息交互的方法,打开分组卷积的组间通道,解决了分组特征组之间信息不流通的问题。与传统Unet分割网络相比,最终的SGUnet模型参数量约为传统Unet分割网络的1%,Mult-Adds约为0.5%。在两个公开的手指静脉数据集SDU-FV、MMCBNU-6000上验证网络性能,结果表明SGUnet网络在分割性能上不仅优于大型分割网络Unet、DU-Net、R2U-Net,而且超越了经典轻量级改进模型squeeze-Unet、Mobile-Unet、shuffle-Unet、Ghost-Unet。SGUnet网络Accuracy、Dice、AUC分别达到94.11%、0.5384、0.9354,并且在NVIDIA嵌入式平台上指静脉纹络提取的测试速度高达0.27秒/张。

用于嵌入式终端的改进ENet街景语义分割

现有的移动终端实时语义分割算法对图像细节特征的处理能力较差,空间特征丢失严重。针对上述问题,提出了一种融合不同层级空间特征的方法,基于改进的ENet,在下采样层使用反向残差结构,增加网络计算过程中图像信息的获取,减少下采样造成的图像空间特征丢失。通过空间注意力对图像空间特征进行筛选,增强相关特征,削弱不相关特征。该方法将高分辨率的浅层空间特征与具有丰富语义信息的深层特征融合,提高了网络对图像细节特征的处理能力。实验表明,在NVIDIA Jetson TX2、NVIDIA Jetson Xavier NX及NVIDIA Jetson Xavier AGX等嵌入式终端上,所提出网络与现有算法相比,其性能在Cityscapes数据集上提高了2.9%,在CamVid数据集上提高了3.2%。

车载集装箱翻转装置的设计与分析

本文以满足集装箱翻转的工作需求,设计出一种新型的五杆机构车载集装箱翻转装置,具有可靠性高、结构简单、性价比高等优点,在此基础上,通过利用达朗贝尔原理对该翻转装置进行了动态静力学建模,并进行了求解;随后建立了该翻转装置的三维模型,并对该机构进行了构型的分析及仿真,通过分析从而选取合适的工作方式。通过对该种车载集装箱翻转装置的分析、建模、仿真,验证了该机构的可行性,为进一步研究和改善集装箱翻转装置自动化水平提供了参考。