基于改进SSD的工件表面缺陷检测

工件的表面缺陷不仅影响外观而且直接影响产品的质量、寿命和性能,因此对工件进行实时表面缺陷检测很有必要。针对当前SSD算法不利于小目标检测易导致误检的情况,提出了一种基于单阶段多层检测器的改进SSD自动检测方法。采用了以ResNet替换SSD中原始的VGGNet的方法,研究了小目标检测的问题;采用了对深层特征进行反卷积且将深层特征与浅层特征融合的方法,研究了语义信息不足易误检的问题。结果表明,该方法较原SSD模型在工件的表面缺陷检测上m AP值提高了约4.6%,从而认为本方法可用于工件表面缺陷的实时自动检测。

基于深度学习SSD算法的高密度电法智能解译方法技术研究

高密度电法在探测灰岩区地下溶洞病害体方面得到广泛应用,但高密度电法反演结果依赖于初始模型,存在多解性,地质解译容易受专业人员主观因素影响。为此,本文从具有唯一性的视电阻率数据出发,研究了基于深度学习的SSD(Single Shot Multi-box Detector)目标检测算法的视电阻率异常智能解译方法技术。针对岩溶地质病害,设计了不同填充类型、形状、规模、数量的溶洞电性异常模型,利用Res2dmod软件进行视电阻率正演计算,构建了包含1400个样本的高密度电法视电阻率智能解译学习样本库(样本和标签)。基于TensorFlow框架,建立了基于深度学习SSD算法的高密度电法视电阻率异常智能解译方法技术,使用学习样本库训练网络权值,训练结束后对高密电法温纳装置视电阻率异常进行智能解译,单个视电阻率剖面异常智能解译耗时不到1 s,各类目标(填充型溶洞、未填充型溶洞)平均准确率为90.68%。研究结果表明:基于SSD算法的高密度电法视电阻率异常智能解译技术可显著提高高密度电法视电阻率解译效率,避免专业人员主观因素影响。

基于对比学习的改进SSD目标检测算法

现有基于深度学习的目标检测算法在图像的目标检测过程中存在物体视角的多样性、目标本身形变、检测物体受遮挡、光照性以及小目标检测等问题。为了解决这些问题,本文将对比学习思想引入到SSD(Single Shot MutiBox Detectior)目标检测网络中,对原有的SSD算法进行改进。首先,通过采用图像截块的方式随机截取样本图片中的目标图片与背景图片,将目标图像块与背景图像块输入到对比学习网络中提取图片特征进行对比损失计算。随后,使用监督学习的方法对SSD网络进行训练,将对比损失传入到SSD网络中与SSD损失值加权求和反馈给SSD网络,进行网络参数的优化。由于在目标检测网络中加入了对比学习的思想,提高了背景和目标在特征空间中的区分度。因此所提出的算法能显著提高SSD网络对于目标检测的精度,并在可见光和热红外图像中均取得了令人满意的检测效果。在PASCAL VOC2012数据集实验中,AP50值提升了0.3%,在LLVIP数据集实验中,AP50值提升了0.2%。

基于轻量化SSD的交通标志检测算法

实时精确的交通标志检测是自动驾驶和智能交通的关键技术。针对现有智能检测算法检测复杂真实道路场景下的交通标志速度慢、无法较好地适用于嵌入式终端设备的问题,提出了一种基于轻量化SSD的交通标识检测算法。该算法采用MobileNetV3_large网络替代VGG16网络,可减少模型参数,提高检测实时性;利用添加SE模块的逆残差结构B-neck替换对应的标准卷积增强低层特征层的语义信息;设计改进RFB网络提升小交通标志的检测能力,重新设置预设先验框的尺寸,提升模型对特定数据集的检测能力。实验结果表明,改进SSD算法在中国交通标志检测数据集上的mAP值可达89.04%,比MobileNet-SSD算法提高了5.26%;帧率可达60 frames/s,比SSD算法提高了23 frames/s。所提算法具有较高的实时性和检测精度,对复杂交通环境具有更好的鲁棒性。

基于轻量级MobileNet-SSD模型的人流量检测

利用深度神经网络模型识别行人目标并检测具有十分高的价值。现实高密度行人检测场景中由于硬件基础以及网络性能消耗等问题的影响,常常需要选取处理速度高、硬件条件要求低的网络且同时兼顾视频监控的连续特性,因此选取了轻量级MobileNet-SSD网络来高效处理人头目标并引入帧间差分的方式,来有效对人头的椭圆特征目标进行跟踪;结合相关数理方法实现行人跨线计数的高性能人流量检测解决方案。在不同数据集上同现今一流的检测模型作比较,该方法皆表现出优良的检测性能。

基于RSSD的遥感图像目标检测算法

针对SSD算法检测遥感图像目标时存在容易漏检且检测精度低的问题,提出基于残差SSD网络的遥感图像目标检测算法。该算法在SSD网络结构的基础上,将基准网络模型VGG替换为残差网络模型ResNet-50,通过增加网络深度,充分提取遥感图像小目标数据集的底层特征,引入注意力模块,使感受野更关注目标特征,增强低层网络的信息表征能力,采用特征金字塔融合方法融合网络结构的高层语义特征和低层视觉特征,增强检测目标的定位能力。实验结果表明,该算法增强了复杂背景的干扰抑制性,提高了小目标的检测精度,比传统的SSD算法具有更强的检测性能。

基于深度SSD改进模型的传动设备状态在线监测研究

针对现有传动设备在线监测算法存在的检测精度低、效率差等问题,提出一种基于改进SSD网络模型的在线检测算法;先对故障集进行预处理,通过滤波调制、共振解调等环节滤除原始故障集的噪声干扰;以VGG-16为基础设计了SSD网络结构,同时增加了辅助卷积层和预测层;对SSD网络模型进行改进,引入了注意力机制模块和特征增强模块,改善模型各层的数据共享性能同时提高了模型的数据训练效率;基于通道拼合方式对故障数据进行多尺度特征融合,并优化SSD模型的各层金字塔结构,以更好的匹配先验框及选择最佳的损失函数;实验结果显示,提出算法的传动设备故障检测率达到98.8%,参与对比的3种传统算法故障检测率分别为94.2%、93.6%和93.7%,同时提出算法的检测效率也优于传统算法。

改进SSD的变电站电力设备识别方法

基于机器视觉的变电站设备识别是电力智能巡检的关键环节,在巡检图像上不同设备尺寸差异显著,极大影响了现有算法的识别性能。针对尺寸差异显著的识别对象,提出一种改进的SSD算法用于变电站设备识别任务。该方法主要改进SSD算法的两个重要部分:其一,保证多尺度特征提取,加强大尺度特征图的有效性。其二,优化默认框的生成策略,提出符合尺寸差异显著对象的多种默认框。此外,为增强网络的鲁棒性,采用迁移学习技术和数据增强技术训练电力设备识别网络模型。最后,构建变电站电力设备数据集,并进行实验测试;实验结果表明,论文方法相较于传统SSD算法,召回率提升了42.24%,解决了尺寸差异显著对象的识别问题。

内存高效的持久性分布式文件系统客户端缓存DFS-Cache

为了在数据密集型工作流下有效降低缓存碎片整理开销并提高缓存命中率,提出一种持久性分布式文件系统客户端缓存DFS-Cache(Distributed File System Cache)。DFS-Cache基于非易失性内存(NVM)设计实现,能够保证数据的持久性和崩溃一致性,并大幅减少冷启动时间。DFS-Cache包括基于虚拟内存重映射的缓存碎片整理机制和基于生存时间(TTL)的缓存空间管理策略。前者基于NVM可被内存控制器直接寻址的特性,动态修改虚拟地址和物理地址之间的映射关系,实现零拷贝的内存碎片整理;后者是一种冷热分离的分组管理策略,借助重映射的缓存碎片整理机制,提升缓存空间的管理效率。实验采用真实的Intel傲腾持久性内存设备,对比商用的分布式文件系统MooseFS和GlusterFS,采用Fio和Filebench等标准测试程序,DFS-Cache最高能提升5.73倍和1.89倍的系统吞吐量。

基于超低延迟SSD的页交换机制关键技术

随着内存密集型应用的快速发展,应用对单机内存容量的需求日益增大.然而,受到颗粒密度的限制,内存容量的扩展度较低.页交换机制是进行内存扩展的经典技术,该机制通过将较少使用的内存页面暂存在存储设备,以达到扩展内存的目的.过去页交换机制由于慢速磁盘的读写速度限制,无法被广泛应用.近年来,得益于超低延迟固态硬盘(solid state drive,SSD)的快速发展,页交换机制可以利用其低延迟的读写特性,提升页交换效率.然而,在低I/O延迟的情况下,传统页交换机制的I/O栈存在巨大的软件开销.首先对使用超低延迟SSD的Linux页交换机制进行测试与分析,发现现有页交换机制的主要瓶颈在于发送请求时存在队头阻塞问题、I/O合并和调度开销,以及内核返回路径上的中断处理和直接内存回收开销.基于分析结果,提出基于超低延迟SSD的页交换机制Ultraswap.Ultraswap在Linux I/O栈的基础上增加对轮询请求的处理,并降低I/O合并与调度开销,实现轻量级的I/O栈.基于Ultraswap的I/O栈,对内核页交换机制的换入与换出路径进一步优化.通过优化对缺页、直接内存回收的处理,降低页交换机制关键路径上的时间开销.实验结果表明Ultraswap在应用测试场景下相比Linux页交换机制能够提升19%的平均性能;在可使用内存比例为20%的情况下,Ultraswap可达到33%的性能提升.

R-DSP中二级Cache控制器的优化设计

针对二级Cache控制器(L2)对于提升R数字信号处理器(R-DSP)访存效率和整体性能的重要作用,结合L2中涉及的内存安全维护和多请求访存仲裁问题,在现有R-DSP中L2基础上实现优化。首先,采用多重分块的存储组织结构,提高访存效率;其次,并行处理一级Cache控制器请求与外存请求,减小请求处理周期;最后,增加带宽管理与存储保护功能,合理仲裁访存请求并维护存储安全。实验结果表明,相较于传统设计,新设计在保护二级存储安全的同时实现带宽管理式访存仲裁。与现有R-DSP中的L2相比,新设计的存储体单拍最大可响应访存请求数量提升了1倍,一级请求和外存请求的平均处理时钟周期数分别降低了25%和19.6%。

金属外壳设计、超大容量SLC Cache 英睿达X8移动SSD 4TB测试

得益于NAND闪存越来越先进的生产工艺,越来越低的生产成本,近期厂商也推出了不少大容量SSD,如美光旗下品牌英睿达就推出了4TB容量的英睿达X8移动SSD。相对其他产品,这款SSD不仅拥有超大的存储容量,在性能表现上也并不孱弱,借助USB 3.2 Gen 2接口,其标称顺序传输速度也能达到1050MB/s。此外它还采用了扎实的金属外壳设计,比一般基于塑料外壳的移动SSD看上去更有档次。那么在实际使用中,这款移动SSD能为我们带来怎样的体验呢?

基于改进SSD算法的两相把手式开关识别

为协助操作人员准确判断设备开关状态,越来越多的配电站房引入智能巡检机器人进行设备状态监测。在智能巡检机器人参与采集图像数据的硬件基础上,提出了一种改进单激发多框探测器(SSD)图像识别算法,实现了对两相把手式开关的识别。改进SSD算法通过将基于卷积块的注意机制(CBAM)嵌入到SSD算法中,从通道和空间维度中选择有效的特征,抑制不相关的特征,提高模型的识别精度。实验结果表明,改进SSD算法对开关状态目标检测的平均精度(AP)在98.66%以上,平均精度均值(mAP)为99.10%。相较于传统的SSD算法,改进的SSD算法能更好地识别开关状态,提高变电站智能化水平。

基于改进型SSD算法的铁路货场异物侵限小目标检测研究

为解决铁路货场异物侵限场景中小目标检测难度大、准确率不高、检测效果不佳的问题,提出基于特征金字塔网络的改进型单阶多框检测(SSD)算法。通过研究现阶段铁路货场业务管理现状、异物侵限场景及对应的检测技术,对小目标检测现存问题进行归类总结;通过在SSD算法的检测网络部分增加不同特征层信息的金字塔网络结构,提高小目标检测效率。根据改进前后2种算法在铁路货场异物侵限场景的试验数据对比,得出改进型SSD算法推理阶段的检出精度更高,可有效提高小目标检测效率和准确率,为铁路货场智能化安全管控提供有力的技术支撑。

一种带Cache加速的HyperRAM控制器设计与验证

针对目前可穿戴设备上对存储设备性能要求高、体积小、功耗低等问题,在FPGA上实现了一款可拓展的高性能HyperRAM控制器,并引入Cache缓存加速设计,以提高对频繁访问数据的命中率和优化存储器访问模式,实现更高速的数据传输和优化的系统性能。运用UVM验证方法学和FPGA进行验证,结果表明,带有Cache缓存的HyperRAM控制器相较于普通HyperRAM,在读写连续地址时性能提高61%,并具有较好的可靠性与有效性,可为嵌入式系统提供高效、灵活的存储器解决方案。

Cache侧信道攻击防御量化研究

芯片安全防护技术关系到国家、企业和个人的信息安全,相关的研究一直是计算机安全领域的热点。片上高速缓存对芯片性能起着重要作用,可以有效提升芯片内核访问效率。传统的缓存设计并没有充分考虑安全性,侧信道攻击会对Cache造成巨大威胁,可以窃取加密密钥等内存存储敏感信息。攻击者利用侧信道的技术窃取用户的隐私数据或加密算法密钥时不会改变片上系统芯片的运行状态,从而使计算机系统很难检测是否受到了攻击。与基于电磁信号和基于能量检测的侧信道攻击相比,基于存储共享的侧信道攻击只需要利用软件测量就可以实现,对芯片安全的威胁更大。目前存在多种侧信道攻击和防御手段,但缺乏一套完善的关于系统架构的安全度量方法,对Cache的安全性进行有效评估。本文对Cache侧信道攻击和防御手段进行模型化分析,提出一套Cache安全性量化研究方法。首先,我们采用CVSS漏洞评分模型对Cache侧信道攻击进行量化评分。然后,利用贝叶斯公式,构建侧信道攻击和防御的关系模型。最后,通过图模型对Cache侧信道攻击机理进行建模,计算在防御架构基础上不同威胁的攻击成功率,并结合CVSS防御得分求得不同防御方法的得分。本文针对Cache侧信道攻击进行机理建模,对攻击和防御进行评估和探索,为硬件安全人员提供理论支持。

基于改进SSD的自然场景小交通标志检测

为提高在复杂的自然交通场景下对小交通标志检测的准确度,改进了SSD模型。在SSD多个检测层加入并行多尺度特征融合,通过结合深、浅特征层的检测优势,改善了SSD模型在小目标检测方面的不足;在SSD模型的多个检测头分别加入注意力机制模块,增强对小交通标志的特征提取效果;加入focal loss损失函数减小背景对整体损失的贡献,防止背景过拟合。实验结果表明,在复杂自然场景下,改进的方法相比原始模型对小交通标志检测的mAP提升了4.9百分点。

Efficient cache replacement framework based on access hotness for spacecraft processors

A notable portion of cachelines in real-world workloads exhibits inner non-uniform access behaviors.However,modern cache management rarely considers this fine-grained feature,which impacts the effective cache capacity of contemporary high-performance spacecraft processors.To harness these non-uniform access behaviors,an efficient cache replacement framework featuring an auxiliary cache specifically designed to retain evicted hot data was proposed.This framework reconstructs the cache replacement policy,facilitating data migration between the main cache and the auxiliary cache.Unlike traditional cacheline-granularity policies,the approach excels at identifying and evicting infrequently used data,thereby optimizing cache utilization.The evaluation shows impressive performance improvement,especially on workloads with irregular access patterns.Benefiting from fine granularity,the proposal achieves superior storage efficiency compared with commonly used cache management schemes,providing a potential optimization opportunity for modern resource-constrained processors,such as spacecraft processors.Furthermore,the framework complements existing modern cache replacement policies and can be seamlessly integrated with minimal modifications,enhancing their overall efficacy.

Graph4Cache:一种用于缓存预取的图神经网络模型

大多数计算系统利用缓存来减少数据访问时间,加快数据处理并平衡服务负载.缓存管理的关键在于确定即将被加载到缓存中或从缓存中丢弃的合适数据,以及进行缓存置换的合适时机,这对于提高缓存命中率至关重要.现有的缓存方案面临2个问题:在实时的、在线的缓存场景下难以洞察用户访问数据的热度信息,以及忽略了数据访问序列之间复杂的高阶信息.提出了一个基于GNN的缓存预取网络Graph4Cache.通过将单个访问序列建模为有向图(ASGraph),并引入虚拟节点聚合图中所有节点的信息和表示整个序列.然后由ASGraph的虚拟节点构造一个跨序列无向图(CSGraph)来学习跨序列特征,这极大地丰富了单个序列中有限的数据项转换模式.通过融合这2种图结构的信息,学习到了序列之间的高阶关联信息,并获取了丰富的用户意图.在多个公共数据集上的实验结果证明了该方法的有效性.Graph4Cache在P@20和MRR@20上均优于现有的缓存预测算法.

以YOLO与SSD算法实现无人机自动巡航的可行性及应用策略分析

YOLO和SSD是实时目标检测算法中最常用的两种算法,具有较高的准确性,将二者应用于无人机路径规划的识别和定位,为无人机自动巡航提供行驶路线,可以帮助其安全、高效地完成任务。鉴于此,文章将分析YOLO与SSD算法在无人机自动巡航中的应用可行性,并提出相应的应用策略,为无人机实现更加安全、高效的路径规划和自动巡航提供技术支持,同时为自动化领域的研究提供学术参考帮助。