雨天道路场景语义分割算法及其移动端部署

现有语义分割模型容易受到雨滴遮蔽干扰,在雨天道路场景数据集上表现不佳;且没有着重关注道路场景中较为重要的车辆和行人2个类别。针对上述2个问题,设计雨天道路场景语义分割算法并将其部署在移动端,以促进自动驾驶技术的发展。提出快速融合金字塔池化模块(Fast Fusion Pyramid Pooling Module,FFPPM),使特征图融合丰富的全局语义信息和局部细节信息,有效分割雨滴遮蔽的场景;提出多重注意力融合模块(Multiple Attention Fusion Module,MAFM),并提高损失函数中车辆和行人的类别权重,增加模型对车辆和行人的关注度;借助Android Studio平台将模型部署到移动端,使用ONNX Runtime进行前向推理,分割效果与电脑端一致。在Rainy WCity数据集上与较新的5种模型进行比较,本文模型在电脑端和移动端分割精度一致;PA和mIoU分别为95.25%和72.96%,车辆PA和IoU分别为84.04%和74.15%,行人PA和IoU分别为34.91%和26.37%,均高于其他5种模型;此外本文模型在电脑端和移动端的FPS分别为45.46和1.26,分割速度较快。本文模型能够在移动端有效分割雨水遮蔽下的道路场景图像,对车辆和行人分割更加精确。

基于空地一体化的网络架构与移动核心网部署方法探讨

针对现有空地一体化的核心网架构存在性能不佳的问题,提出基于空地一体的网络架构与移动核心网部署方法。该方法针对现有空间部分核心网资源受限的问题,提出轻量级空地融合的核心网架构。该架构通过将升空平台核心网部分功能向地面核心网下沉以此提升海量数据的处理速度;除此之外,在地面增加远程控制中心以实现基于最小时延的移动核心网部署策略,从而保证业务时延约束的同时降低了数据流建立时延,提升网络的实用性。

一种最大化传感网络覆盖率的移动辅助部署算法

研究了使用移动传感器提高传感网络覆盖率的问题,提出了一个基于二部图匹配的移动传感器部署算法.设目标区域可以划分成多个小区域或网格,首先把初始网络描述成一个二部图G,G的顶点集合由移动节点集合和需要覆盖的网格集合组成.如果某个移动节点可以覆盖某个网格,则它们之间存在一条边.衡量移动的花费可以使用移动的距离、消耗的能量或者跳跃的次数等.对构造的二部图G求它的最小花费的最大匹配基,则该匹配基对应着一个最优的移动方案,按此方案部署的网络覆盖率最大且总的移动花费最小.

基于改进蛙跳算法的WSN移动节点部署研究

针对传统无线传感移动节点部署方法存在节点分布不均匀、覆盖不完全等问题,提出一种基于改进混合蛙跳算法(SFLA)的移动节点部署方法。根据节点位置信息建立部署模型,利用改进SFLA算法求解该模型,将得到的解作为节点最终位置。仿真实验结果表明,相对于微粒群、虚拟力、基本混合蛙跳算法,改进SFLA算法可提高网络覆盖率和降低移动节点能耗。

下一代网络的一种移动性部署方案

本文分析了下一代网络的应用特点,列出网络现状,提出了在下一代网络上实施移动性的客观条件,及两个实施移动性时要解决的问题,并就相关情况进行了分析,从而形成了在运营商网络上提供移动性的整体网络方案。

基于改进蝙蝠算法的无线传感器网络的移动节点部署

针对传统的无线传感器网络(WSNs)中存在的移动节点部署的分布不均匀、网络覆盖度太低等各种问题,提出了一种基于改进蝙蝠算法(BA)的移动节点部署策略,通过蝙蝠算法的收敛特性,不断迭代寻求问题的最优解,从而不断优化传感器节点的部署。Matlab仿真表明:提出的算法可以显著改善传感器节点的覆盖密度,并且节点分布也相对比较均匀。

基于Compact-YOLO v4的茶叶嫩芽移动端识别方法

茶叶嫩芽精准识别是实现嫩芽智能化采摘的前提与基础,采用视觉和深度学习的嫩芽识别方法逐渐成熟,但该方法过度依赖于高性能硬件,不利于采茶机器人移动端的部署,针对这一问题,本文提出一种基于Compact-YOLO v4算法的茶叶嫩芽移动端识别方法。首先对YOLO v4算法的Backbone网络和Neck网络进行改进,将Backbone网络替换为GhostNet,将Neck网络中传统卷积替换为Ghost卷积,改进后的模型内存占用量仅为原来的1/5。接着运用迁移学习的训练方法提升模型精度,试验表明,Compact-YOLO v4算法模型的精度、召回率、平均精度均值、F1值分别为51.07%、78.67%、72.93%和61.45%。最后将本文算法模型移植到PRO-RK3568-B移动端开发板,通过转换模型、量化处理、改进部署环境3种方式,降低模型推理计算对硬件性能的需求,最终在保证嫩芽识别准确率的前提下,实现了优化模型推理过程、减轻移动端边缘计算压力的目的,为茶叶嫩芽采摘机器人的实际应用提供了技术支撑。

基于MobileNetV3Small-ECA的水稻病害轻量级识别研究

为实现水稻病害的轻量化识别与检测,使用ECA注意力机制改进MobileNetV3Small模型,并使用共享参数迁移学习对水稻病害进行智能化轻量级识别和检测。在PlantVillage数据集上进行预训练,将预训练得到的共享参数迁移到对水稻病害识别模型上微调优化。在开源水稻病害数据集上进行试验测试,试验结果表明,在非迁移学习下,识别准确率达到97.47%,在迁移学习下识别准确率达到99.92%,同时参数量减少26.69%。其次,通过Grad-CAM进行可视化,本文方法与其他注意力机制CBAM和SENET相比,ECA模块生成的结果与图像中病斑的位置和颜色更加一致,表明网络可以更好地聚焦水稻病害的特征,并且通过可视化和各水稻病害分析了误分类原因。本文方法实现了水稻病害识别模型的轻量化,使其能够在移动设备等资源受限的场景中部署,达到快速、高效、便携的目的。同时开发了基于Android的水稻病害识别系统,方便于在边缘端进行水稻病害识别分析。

大型住宅小区移动网络部署方案

大型住宅小区网络属于园区网络,一般来说跨度大.信息点相对集中,是整个大型住宅小区智能化系统的一个重要部分,大型住宅小区网络能提供给小区住户以经济、高速、稳定、完整的Intemet服务。智能住宅小区网络的建设方案多种多样,可以使用混和光纤,双绞线网、混和光纤/同轴电缆网、无线接人网、光纤网等。住宅小区类同于校园,所以采用校园网技术建立小区网络是一种比较好的解决方案。建筑物之间采用光纤、室内采用综合布线系统中的双绞线是一种很好的选择。

基于改进YOLOv5s模型的自然场景中绿色柑橘果实检测

针对未成熟柑橘果实智能检测存在精度低、模型大的问题,该研究提出了一种基于YOLOv5s改进的绿色柑橘检测算法模型YOLO-GC,实现对复杂自然环境中果实的实时准确检测。首先,针对YOLOv5s网络模型较大且难以部署的问题,以轻量级GhostNet网络替换原始的骨干网络,同时为减小模型轻量化后精度下降的影响和提高对绿色柑橘特征的关注度,嵌入全局注意力机制(global attention mechanism,GAM)增强网络在复杂环境下对果实特征的提取能力;其次,为了改善密集与小目标果实的检测效果,引入BiFPN(bi-directional feature pyramid network)架构进行多尺度的加权特征融合;最后,为减少果实与枝叶遮挡、重叠造成的漏检,采用GIoU(generalized intersection over union)损失函数结合Soft-NMS(soft-non-maximum suppression)算法优化边界框回归机制。试验结果表明:相较于YOLOv5s,YOLO-GC的权重模型内存减小了53.9%,参数量减少了55.2%,平均精度AP_(0.5)提升了1.2个百分点,平均推理时长减少46.2%。YOLO-GC模型的综合检测性能优于YOLOv8等7种常用网络模型,在安卓手机APP中检测准确率达到97.2%,推理时长减少了85.8%。研究表明,该研究模型为复杂环境中绿色果实检测及模型部署应用提供了技术支撑。

基于YOLOv7-tiny的轻量级苹果实时检测算法

针对苹果生长所处的自然环境复杂程度高、网络模型过大、难以在移动端部署等问题,提出一种基于YOLOv7-tiny的轻量级苹果实时检测方法。该方法引入CG-Block模块代替原YOLOv7-tiny网络的部分卷积,对原网络的ELAN-tiny结构进行修改,极大地减少网络规模,并提高检测精度;使用Mish激活函数代替原激活函数,增强网络的提取特征能力;采用CARAFE轻量级上采样算子,进一步提升网络的特征融合能力。试验结果表明,改进后的算法与原算法相比,mAP@0.5提高1.9%,准确率提高4.1%,参数量降低45.4%,计算量降低46.2%,模型规模减少43.9%,FPS达到196.1 f/s。改进后的算法在保持良好实时性的同时,提升检测精度,极大地降低网络规模,为网络模型在移动端部署增添可行性。

基于自注意力机制和改进YOLOv5s的小目标生物检测

为了快速准确地检测出小目标生物(海参、扇贝、海星和海胆)在复杂水下环境的位置及所属种类,提出一种基于改进YOLOv5s的小目标生物检测算法。在特征提取阶段,引入基于多头自注意力设计的自注意力残差模块,强化网络全局建模能力的同时,强化目标特征信息;在特征融合阶段,将特征融合网络调整为添加横向连接的双向特征金字塔结构,增强网络融合不同阶段特征信息的能力;在检测阶段,舍弃大目标检测尺度并添加小目标的检测尺度,提升小目标生物的检测精度;最后,引入α–CIo U损失函数作为模型边界框回归损失函数,提高边界框回归精度,进而提高算法检测准确率。定性试验中,几乎所有肉眼可见的水产品目标都被改进模型检出,并正确标记,体现了改进算法的有效性。α值选取试验中,α值为2.0时效果最佳,平均精度均值(mAP)均优于其他值的,达到0.857,较α值为1.0时的提升了0.016。消融试验中,添加任一优化方法均会提升改进模型的检测精度,最终改进模型的m AP达0.873,较原模型的提升了0.032,模型参数量减少了26.8%,仅有5 M。对比试验中,改进模型的m AP较Faster RCNN、YOLOv3、YOLOv4、YOLOv5s、YOLOvX、SSD、NAS–FCOS、改进YOLOv5等的提升了0.020以上;改进模型在本地服务器的检测速度达139帧/s,较YOLOv5s的提升了14帧/s,略逊于以检测速度著称的SSD模型的。可见,改进模型能满足轻量和实时性要求。改进模型也成功部署到安卓移动设备中。

基于概率感知和改进量子遗传算法的节点部署策略

为了最大化监测区域的网络覆盖率和实现网络的负载均衡,设计了一种基于改进概率感知模型和量子遗传算法的移动节点部署方法;首先,在传统概率感知模型中加入环境干扰噪声因素和节点剩余能量因素进而获得改进的概率感知模型,然后,对传统的量子遗传算法进行改进,设计了新的量子旋转门和量子比特变异方式,以加快全局收敛速度和防止陷入局部最优;最后,定义了基于改进量子遗传算法获取移动节点最优部署位置的算法;仿真实验表明:文中方法能有效地对网络区域进行部署,实现最大化网络的覆盖率和最小化能量消耗,与其它方法相比,具有较大的优越性,是一种可行的方法。

移动SNS技术专论

移动社会网络服务(SNS)已经成为热点研究领域,然而却很少有研究工作揭示移动SNS的本质,因此导致了目前没有一个通用的、能代表移动SNS基本特性的平台。为解决上述问题,首先详细分析了移动SNS的基本特性、移动SNS平台的需求,接着提出了支撑移动SNS平台运行的网络架构,最后提出了移动SNS平台的总体架构。

CA-MobileNet V2:轻量化的作物病害识别模型

在传统的作物病害识别的深度学习模型中,存在检测精度与效率不高的问题。针对上述问题提出一种轻量化的改进型MobileNet V2模型CA-MobileNet V2(coordinate attention),在提升检测精度的同时,部署在移动端便于种植者使用。在MobileNet V2中嵌入坐标注意力模块,提升模型的精度;加入TanhExp激活函数,加速模型收敛,增强模型的鲁棒性和泛化性;将模型部署到移动端APP中,使模型具有良好的可视化应用效果。在PantifyDr和Turkey-PlantDataset数据集上的对比实验结果表明,CA-MobileNet V2具有精度高和轻量化的优势。

基于改进YOLOX的群养生猪轻量化目标检测方法

针对目前群养生猪智能化养殖中复杂环境下猪只目标检测精度低的问题,提出了一种基于改进YOLOX的群养生猪轻量化目标检测模型Ghost-YOLOX-BiFPN。该模型采用Ghost卷积替换普通卷积,在减少主干网络参数的情况下,提高了模型的特征提取能力。使用加入CBAM注意力机制的BiFPN作为模型的Neck部分,使得模型充分融合不同体型猪只的特征图,并使用Focal Loss损失函数解决猪圈环境下猪只与背景难以区分的问题,增强模型对正样本的学习。实验结果表明,改进后模型对群养生猪检测精度为95.80%,相比于原始YOLOX算法,检测精度提升2.84个百分点,参数量降低63%。最后将本文轻量化模型部署到Nvidia Jetson Nano移动端开发板,通过在开发板上实际运行表明,本文所提模型实现了对不同大小、不同品种猪只的准确识别,为后续智能化生猪养殖提供支持。

5G网络特性对网络部署要求探讨

5G(第五代移动通信)网络特性是高带宽、大连接、低时延,在网络建设时需充分考虑网络特性要求,找出与4G(第四代移动通信)网络部署方案差异,进行网络重构,有目标地进行网络部署。文章从5G网络部署中的CU-DU(集中单元-分布单元)部署方案和MEC(移动边缘计算平台)部署方案出发,分析各种部署方案优劣,提出各阶段建设方案,便于根据建设计划有针对性地提前做一些准备工作,迎接5G的大规模建设。

基于改进YOLOv5s的草莓多阶段识别检测轻量化算法

为解决草莓采摘过程中被遮挡及目标较小情况下漏检的问题,同时提升草莓的识别精度与计算速率,该研究提出了一种基于改进的轻量级Mobile-YOLOv5s草莓识别检测算法。首先,为了提高计算效率,使用了轻量化的MobileNetV3网络替代了原始的YOLOv5s主干网络,并引入了Alpha-IoU损失函数以加快模型的收敛速度,提高对重叠目标的识别准确率;其次,考虑到草莓目标较小的情况,使用K-Means++算法对原始YOLO的anchor进行重聚类,并增加了一个检测头,使其更加适应草莓的尺寸。试验结果表明,改进后的网络模型检测帧率为44帧/s,比原模型提升了15.7%;计算量为8.3×10^(9)/s,比原模型降低了48%;模型大小为4.5 MB,比原模型降低了41.5%;成熟草莓检测精度为99.5%,均值平均精度为99.4%,相较于原YOLOv5s算法分别提高了3.6和9.2个百分点。改进后的模型可以更快速、准确地识别出各阶段的草莓,为草莓智能化采摘提供技术支撑。

基于Java的网格计算框架及其实现

为了提高网格计算的可靠性，适应大规模计算的要求，采用了一种基于Java的分布式网格计算框架，它利用移动部署代理管理计算任务，可以最大限度地减轻中心主机的负担，并通过在Java运行环境中引入两个组件，解决了用Java构建网格计算时存在的安全和资源管理问题，足一种理想的基于Internet的网格应用项目，具有良好的实用性和推广价值。

基于Voronoi的无线传感器网络栅栏覆盖策略

在栅栏覆盖研究中,针对节点部署区域存在无法被监测到的穿越路径的问题,将Voronoi图引入栅栏覆盖,划分整个部署区域,提出了基于Voronoi图的无线传感器网络栅栏覆盖策略,并监测部署区域是否存在栅栏覆盖空洞,以决定节点是否通过有限移动重新部署空洞区域,实现了对栅栏部署区域的有效覆盖。仿真实验结果表明,该算法提高了对监测区域的覆盖质量,以较低能耗和较少节点构建栅栏,达到预期覆盖要求。