窄长空间无线传感器网络节点部署策略研究

针对井下窄长空间无线传感器网络节点能耗不均衡问题,提出了3D线型WSNs等距不均匀分层部署策略。根据无线电通信原理,建立WSNs能量消耗模型和ITU-R P.1238路径损耗模型,将窄长空间抽象成线型网络空间,建立WSNs节点部署空间模型;基于能耗模型对空间进行等距分区,各分区采用分层部署网络拓扑结构即:窄长空间顶部节点采用不等密度部署方式,侧壁节点采用矩形结构部署方式,基于路径损耗模型,分析障碍物对本研究部署策略影响;结合传统LEACH协议,引入了一种概率函数,计算每个节点成为簇首节点的概率,利用改进的路由协议对分区内节点分簇;通过Matlab平台对所部署策略及空间存障的影响进行仿真分析。结果表明:所部署策略相较于其他的部署方式其网络能耗更低,各分区节点能耗更均衡,在部署节点数量上相较于其他部署方式节约了6%~7%,降低了部署成本及网络的能量消耗,解决了“能量空洞”的问题。

基于HGTC−YOLOv8n模型的煤矸识别算法研究

现有基于深度学习的煤矸识别方法在煤矿井下低照度、高噪声及运动模糊等复杂工况下存在煤矸识别精度低、小目标煤矸容易漏检、模型参数量和运算量大,难以部署到计算资源有限的设备中等问题,提出了一种基于HGTC−YOLOv8n模型的煤矸识别算法。采用HGNetv2网络替换YOLOv8n的主干网络,通过多尺度特征的有效提取,提高煤矸识别效果并减少模型的存储需求和计算资源消耗;在主干网络中嵌入三重注意力机制模块Triplet Attention,捕获不同维度间的交互信息,增强煤矸图像目标特征的提取,减少无关信息的干扰;选用内容感知特征重组模块(CARAFE)来改进YOLOv8n颈部特征融合网络上采样算子,利用上下文信息提高感受视野,提高小目标煤矸识别准确率。实验结果表明:①HGTC−YOLOv8n模型的平均精度均值为93.5%,模型的参数量为2.645×10^(6),浮点运算量为8.0×10^(9),帧速率为79.36帧/s。②平均精度均值较YOLOv8n模型提升了2.5%,参数量和浮点运算量较YOLOv8n模型分别下降了16.22%和10.11%。③与YOLO系列模型相比,HGTC−YOLOv8n模型的平均精度均值最高,且参数量和浮点运算量最少,检测速度较快,综合检测性能最佳。④基于HGTC−YOLOv8n模型的煤矸识别算法在煤矿井下复杂工况下,改善了煤矸识别精度低、小目标煤矸容易漏检等问题,满足煤矸图像实时检测要求。

基于物联网的室内环境远程监测实验平台设计

阐述远程监测系统的软件及硬件设计,引入Onenet云平台,将传感器数据上传至云端,实现对数据的存储、处理,运用Smart RF7开发上位机监测界面,能够方便直观地观察实时监测数据。为了验证远程监测系统的稳定性和监测数据的准确性,对监测系统进行运行测试。