基于改进FasterNet的轻量化小麦生育期识别模型

针对现阶段小麦生育期信息获取需依靠人工观测,效率低、主观性强等问题,本文构建包含冬小麦越冬期、返青期、拔节期和抽穗期4个生育期共计4599幅小麦图像数据集,并提出一种基于FasterNet的轻量化网络模型FSST(Fast shuffle swin transformer),开展4个关键生育期的智能识别。在FasterNet部分卷积的基础上引入Channel Shuffle机制,以提升模型计算速度。引入Swin Transformer模块来实现特征融合和自注意力机制,用来提升小麦关键生育期识别准确率。调整整个模型结构,进一步降低网络复杂度,并在训练中引入Lion优化器,加快网络模型收敛速度。在自建的数据集上进行模型验证,结果表明,FSST模型参数量仅为1.22×10^(7),平均识别准确率、F1值和浮点运算量分别为97.22%、78.54%和3.9×10^(8),与FasterNet、GhostNet、ShuffleNetV2和MobileNetV34种模型相比,FSST模型识别精度更高,运算速度更快,并且识别时间分别减少84.04%、73.74%、72.22%和77.01%。提出的FSST模型能够较好地进行小麦关键生育期识别,并且具有识别快速精准和轻量化的特点,可以为大田作物生长实时监测提供信息技术支持。

融合注意力机制的荔枝轻量化检测方法研究

针对荔枝果实个体小、生长密集和遮挡严重等特点,为了快速准确地实现荔枝的检测和计数,提出了一种融合注意力机制和多尺度特征图的网络模型。为了提高模型对遮挡和阴影环境下果实的识别准确率,将Coordinate Attention(CA)注意力机制嵌入至YOLOv4-Tiny模型。为了提高模型对小目标果实的检测精度,在特征金字塔Feature Pyramid Networks(FPN)结构中生成了两个更大尺度的特征图。试验结果表明:融合注意力机制的荔枝轻量化检测模型的准确率(Precision)、召回率(Recall)和平均精度(mAP)分别为92.92%、76.09%和88.51%。与YOLOv4-Tiny和YOLOv3模型相比,所构建的融合注意力机制的荔枝轻量化检测模型的平均检测精度分别高出8.84个百分点和3.87个百分点。该模型能够快速、精准地检测出果园环境中的荔枝,适用于果园中荔枝的识别和计数。

基于像素差异度注意力机制的轻量化YOLOv5行人检测算法

针对实时行人检测场景存在遮挡、形态姿势不同的行人目标,YOLOv5模型对于这些目标检测有明显的漏检问题,提出一种像素差异度注意力机制(pixel difference attention,PDA),不同于传统的通道注意力机制用全局均值池化(global average pooling,GAP)、全局最大值池化(global max pooling,GMP)来概括整张特征图的信息,全局池化将空间压缩成一个值来表征整个通道,造成了空间信息的流失,PDA将空间信息沿高和宽分别压缩,并将其分别与通道信息联系起来做注意力加权操作,同时提出一种新的通道描述指标表征通道信息,增强空间信息与通道信息的交互,使模型更容易关注到综合了空间和通道维度上的特征图的重要信息,在主干网络末端插入PDA后使模型平均精度(mean average precision,mAP)0.5提升了2.4个百分点,mAP0.5:0.95提升了4.4个百分点;针对实时检测场景的部署和检测速度要求模型拥有较少的参数量和计算量,因此提出了新的轻量化特征提取模块AC3代替原YOLOv5模型中的C3模块,该模块使插入PDA后的改进模型在精度仅仅损失0.2个百分点的情况下,参数量(parameters,Param.)减少了20%左右,浮点运算量(giga floating-point operations,GFLOPs)减少了30%左右。实验结果表明,最终的改进模型比YOLOv5s原模型在VOC行人数据集上mAP0.5提升了2.2个百分点,mAP0.5:0.95提升了3.1个百分点,且参数量减少了20%左右,浮点运算量减少了30%左右,在GTX1050上的检测速度(frames per second,FPS)提升了4。

基于轻量化卷积神经网络的桥梁斜拉索PE护套损伤识别方法

深度神经网络和计算机视觉技术近年来在结构健康监测中发挥了越来越重要的作用。利用无人机航拍采集的桥梁斜拉索损伤图像数据,研究基于深度学习技术的斜拉索PE护套损伤识别方法。为实现在较低运算能力设备上对大跨度桥梁斜拉索表面局部损伤的智能快速识别,解决传统深度卷积神经网络的运算效率相对较低、模型参数规模较大的问题,提出轻量化处理的区域推荐型卷积神经网络模型。介绍区域推荐网络与其轻量化改进方法的理论基础,分析轻量化模型处理的必要性,其能在保证识别精度的前提下降低模型训练与预测的设备性能需求,达到节约计算资源与时间的目的;通过数据增广等多手段解决损伤样本数据量不足的问题,设置对比试验,统计分析结果,验证了轻量化神经网络模型的优越性。结果表明,轻量化网络在牺牲少量识别准确度的前提下,能够在较大程度上实现对模型复杂度与计算量的改进,在工程应用中能有效拓展神经网络的实用性。

电动拖拉机底盘轻量化设计

探讨了电动拖拉机底盘轻量化设计的方法和技术,并基于底盘轻量化的重要性论述了底盘轻量化的具体方法,包括选材、结构优化、工艺改进等方面。针对电动拖拉机的工作特点,提出了适合其底盘轻量化的具体措施,包括采用高强度轻质材料、减少焊接点及优化桥座结构等。最后,通过数值模拟和试验验证了轻量化设计的效果,证明了方法的可行性和有效性。研究成果对于提高电动拖拉机的性能和节能减排具有重要意义。

LightGCNet:基于轻量化卷积网络的深度色域压缩算法

色域压缩是大色域向小色域进行转换时保持色彩信息的关键技术。经典算法虽计算快速,但处理结果缺乏细节且没有考虑人眼的感知特性,难以满足人们对色彩品质不断提升的要求。迭代算法处理效果更佳,但极其耗时,无法投入实际应用。针对上述问题,提出了轻量化的深度色域压缩方法,该方法可在逼近迭代算法计算效果的同时保持接近经典算法的速度。为色域压缩算法设计了LightGCNet模型,该网络中的双层卷积由DSC与DW卷积组合而成,相比常规U-Net,参数量与计算复杂度急剧降低。为进一步提高模型先验性,将预训练得到的DW卷积中多个核通道进行重聚焦操作以建立联系,最终权重由重聚焦权重和预训练权重组成。针对色相、明度、彩度这三个色彩属性,设计了色域压缩专用的损失函数。该函数不仅考虑了像素级损失,而且融合了图像感知损失,并联合色彩属性的多尺度信息进行加权,解决了深度色域压缩过程中细节丢失的问题。基于迭代算法生成标签以训练网络,联合学习目标色域特征与图像信息,实现了与迭代算法相当的效果。实验结果表明:该方法与业界经典的SGCK算法相比,iCID值降低了17.08%,SSIM值提高了5.30%。相比常规U-Net模型,LightGCNet参数量减少了82.96%,乘加次数从8.5GFLOPs大幅下降至2.2GFLOPs,使改良模型更适于低端设备部署。该模型在CPU上处理单幅512×512图像仅需0.208s,计算时间比迭代类算法减少99.92%。

基于阻尼减振材料下拖拉机车身轻量化设计

由于农业生产环境恶劣,拖拉机在使用过程中振动和车内噪声对驾驶员的舒适性和工作效率产生负面影响,而阻尼材料能够将振动能量转化为其他形式的能量,从而减少振动的幅度和传递,同时也可以在不减少机械结构强度和稳定性的前提下减少结构质量。为此,以拖拉机车身轻量化设计为研究对象,提出一种新兴液态可喷涂型阻尼隔音材料(Liquid Apply Sound Deadener,LASD),探讨了轻量化设计在减振性能和结构强度之间的平衡,并基于拖拉机车身静态刚度、动态刚度和侧面碰撞安全性能,采用近似模型优化方法进行轻量化设计。结果表明:采用阻尼减振材料可以显著降低拖拉机车身质量4.2%,显著降低拖拉机车身的振动幅度,并改善驾驶员的舒适性和工作效率。研究结果可为提高农业机械性能和驾驶员舒适性提供一种有效途径,具有实际应用前景。

基于颗粒阻尼器下农业机械手轻量化设计

收获是农业生产的重要环节,也是劳动强度最高的作业环节之一。目前,在大田农业生产中主要以联合收获机完成收获作业,但设施农业和经济作物收获仍然靠人工完成,采摘效率较低,强度较大。为此,基于颗粒阻尼材料,以番茄采摘机械手为研究对象,设计了一种采摘机械手,并对颗粒阻尼减振材料在农业机械手的应用位置和作用机理进行阐述,旨在解决经济作物采摘过程中的复杂性和柔软易损等问题。通过与传统农业机械手进行对比,结果表明:优化后的农业机械手果实抓取率较高,平均可达89%,果实损伤率为0,满足果实抓取要求,并减少了果实抓取过程中的手指振动,提高了手指转动的灵活性与稳定性,减少了果实抓取时间。研究结果可以为农业采摘机器人的减振、减损和轻量化设计提供技术参考与借鉴。

面向物联网设备的轻量化Elgamal算法实现MQTT协议安全通信的研究

MQTT协议作为一种低开销、低带宽占用的即时通信协议,在物联网、小型设备和移动应用等领域得到广泛应用。基于此,提出了一种基于蒙哥马利幂模运算的高效轻量级Elgamal加密算法,并与MQTT协议相融合以补充MQTT协议的通信安全性。新的Elgamal算法能在轻量级嵌入式设备上部署,且硬件开销非常低。文中在ES8H0183FLLT和ESP8266模块上实施了软硬件系统搭建,验证了新协议的性能表现。实验结果证明,新的MQTT协议能够大幅降低硬件资源消耗,有效保障数据传输的安全性,为构建安全可靠的物联网通信系统提供了有力支持。

基于轻量化网络与增强多尺度特征融合的绝缘子缺陷检测

随着无人机搭载目标检测算法在输电杆塔绝缘子巡检领域的发展,针对绝缘子缺陷检测速度较低,网络复杂度高且缺陷小目标难以准确检测的问题,提出一种基于轻量化网络与增强多尺度特征融合的YOLOv5-3S-4PH模型进行绝缘子缺陷实时检测。首先将重构的ShuffleNetV2-Stem-SPP(3S)网络作为YOLOv5的主干网络,显著减小了网络的参数量和计算量;其次引入针对小目标的增强多尺度特征融合网络以及4个预测头,来增强网络对绝缘子缺陷的感知能力,并结合Mosaic-9数据增强、CIoU损失函数进一步补偿轻量化导致的检测精度损失;最后将其应用到自制绝缘子数据集进行验证。实验结果表明,该文所提出的模型相对于未改进的YOLOv5,全类平均精度提高了3%,检测速度提高了81.8%,参数量、计算量分别压缩了82.4%、67%。因此,所提出的模型更适合部署在无人机平台上进行绝缘子缺陷的实时监测。

钢-铝混合驾驶室材料-结构轻量化设计

为了得到更为完善的商用车驾驶室轻量化设计,提出了钢-铝混合驾驶室材料-结构一体化轻量化方法。首先基于灵敏度分析、等刚度近似理论与等强度理论建立了性能驱动的材料选择方法,并针对钢制驾驶室初步设计了钢-铝混合材料方案。然后通过折衷规划法的拓扑优化识别了驾驶室关键传力路径,并加强了相关结构。其次考虑驾驶室零件厚度、截面尺寸设计参数,建立了驾驶室质量、刚度及模态性能的径向基函数的代理模型,并采用多目标粒子群优化方法对驾驶室进行多目标优化设计。优化结果表明,在满足驾驶室刚度、模态和碰撞性能的要求下,驾驶室质量减轻了12.8%。该方法对钢-铝混合驾驶室轻量化有实际的工程指导价值。

CFRP在汽车轻量化与安全中的应用进展

碳纤维复合材料(Carbon Fiber Reinforced Polymer,CFRP)具有比强度高、吸能性好等优点,在汽车结构安全及轻量化中的应用优势明显,前景广阔。本文综述了CFRP在汽车轻量化及安全性中应用的研究进展,从汽车车身、底盘以及配件等方面阐述了CFRP在汽车轻量化的应用,从安全性的角度分析了CFRP在汽车安全部件的优势,指出了制约CFRP应用的结构设计理论及异质连接工艺等难点,并展望了未来CFRP在汽车领域的应用前景。旨在拓展CFRP在汽车轻量化与安全中的应用范围,为其在汽车工业发展及轻量化中的广泛应用提供参考。

基于安全、轻量化、可靠性多目标的新能源汽车电池包壳体开发

电池包作为新能源汽车的动力源,是新能源汽车最重要的部件之一,而电池包壳体对电池包乃至整车起重要保护作用,是新能源汽车的关键部件。电池包壳体质量占整车的2%~6%,电池包壳体对汽车轻量化同样起到重要作用。基于全球汽车产业的节能减排发展目标,从安全性、轻量化、可靠性3个角度出发,论述了新能源汽车电池包壳体开发的行业发展现状,展望其未来的发展趋势,同时针对这一领域存在的共性关键技术问题进行了讨论。

武器装备轻量化结构正向设计方法及应用

为满足武器装备轻量化的迫切需求,提升装备结构优化设计水平,提出了一种代理模型辅助多目标优化的结构正向设计方法。按照从概念设计到参数优化设计的流程,通过优化信息交互和代理模型重构来实现结构多目标优化设计。以轻型车载高炮弹箱架优化设计为例,首先,根据拓扑优化获得的最佳传力路径,建立几何模型和有限元分析模型。其次,通过灵敏度分析缩减设计变量,建立以一阶模态频率和结构强度为约束、最小化质量和最大化刚度为目标的优化模型。然后,使用差分进化算法求解基于Kriging模型的多目标优化问题;在优化过程中,通过比较中间优化结果调整优化模型,并采用基于期望改进的填充样本策略重构代理模型。最后,兼顾结构轻量化和安全,筛选44组优化解中的3组优势方案与初始设计进行比较,结果显示:在满足弹箱架结构性能的前提下,重量分别可减轻31.2%、24.7%和21.8%;所提结构正向设计方法能够明显提升轻量化效果,也可为相关结构优化设计提供参考。

基于改进ShuffleNet v2的轻量化番茄叶片病害识别

番茄大面积种植导致叶片部位被病虫害侵蚀面积不一、侵蚀种类多样化等问题,为了满足在资源有限的硬件设备上实现对番茄叶片病害准确识别,提出改进ShuffleNet v2模型。首先对基本单元进行改进,提出SA-stage模块,使模型密切关注叶片相关特征信息的同时减小了参数量和计算量;其次提出LFN轻量化特征融合模块,实现浅层和深层网络的上下文信息交互;接着引入RFB-s轻量化特征增强模块,增强小目标病害的特征提取;最后将SPD-Conv代替普通卷积和最大池化层,降低图像分辨率的同时保留了番茄叶片病害小目标的细粒度信息。试验结果表明,改进ShuffleNet v2模型在10种番茄叶片病害图像上进行测试,准确率和平均召回率分别达到了96.55%、96.40%,较原模型分别提高了4.44、3.70百分点;参数量和计算量分别为348154、38.75 MB,较原模型分别减少3888、3.88 MB。相比于其他分类模型AlexNet、ResNet50、MobileNet v3等,改进ShuffleNet v2模型不仅准确率最高、参数量和计算量最小,而且权重最小,仅为1.51 MB。该研究提出的改进ShuffleNet v2模型具备在资源有限的移动设备上部署的条件,满足实时、准确地识别番茄叶片病害。

基于YOLO v5的农田杂草识别轻量化方法研究

针对已有杂草识别模型对复杂农田环境下多种目标杂草的识别率低、模型内存占用量大、参数多、识别速度慢等问题,提出了基于YOLO v5的轻量化杂草识别方法。利用带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration, MSRCR)增强算法对部分图像数据进行预处理,提高边缘细节模糊的图像清晰度,降低图像中的阴影干扰。使用轻量级网络PP-LCNet重置了识别模型中的特征提取网络,减少模型参数量。采用Ghost卷积模块轻量化特征融合网络,进一步降低计算量。为了弥补轻量化造成的模型性能损耗,在特征融合网络末端添加基于标准化的注意力模块(Normalization-based attention module, NAM),增强模型对杂草和玉米幼苗的特征提取能力。此外,通过优化主干网络注意力机制的激活函数来提高模型的非线性拟合能力。在自建数据集上进行实验,实验结果显示,与当前主流目标检测算法YOLO v5s以及成熟的轻量化目标检测算法MobileNet v3-YOLO v5s、ShuffleNet v2-YOLO v5s比较,轻量化后杂草识别模型内存占用量为6.23 MB,分别缩小54.5%、12%和18%;平均精度均值(Mean average precision, mAP)为97.8%,分别提高1.3、5.1、4.4个百分点。单幅图像检测时间为118.1 ms,达到了轻量化要求。在保持较高模型识别精度的同时大幅降低了模型复杂度,可为采用资源有限的移动端设备进行农田杂草识别提供技术支持。

基于GhostNet的改进模型轻量化方法

为了降低深度卷积神经网络的部署成本,优化模型的检测性能,提出一种改进的轻量化主干网络算法S-GhostNet.该算法通过引入特征图生成优化的Ghost Module结构降低卷积操作的计算量,并结合改进类残差模块提升模型的精确度.S-GhostNet具有较强的即插即用性,可以应用于多数卷积神经网络模型.实验结果表明:在目标分类以及目标检测任务中,S-GhostNet相较于MobileNetV2、ShuffleNetV2以及GhostNet,模型计算量更小,模型的精确度持平,甚至更高.

基于轻量化PointNet网络的林果园喷雾作业靶标实时识别方法

为了进一步提高喷雾机器人靶标检测的精准性、实时性和应用部署的实用性,该研究提出一种基于轻量化PointNet网络的林果园喷雾作业靶标实时识别方法。首先通过区域提取降采样、地面分割和改进DBSCAN聚类等点云预处理方法提取原始点云中的靶标;然后通过移动最小二乘上采样将靶标点云转化为满足点云识别网络输入要求的点云数据;最终通过在PointNet网络中引入残差模块和改进循环剪枝算法轻量化PointNet网络,完成林果树靶标的实时识别。试验结果表明,在ModelNet40数据集上,轻量化PointNet网络可达89.7%的准确率;在实际苗圃环境的试验中,该研究方法对靶标的识别准确率可达92.49%,同时误识率与拒识率分别为13.4%和6.47%,相较PointNet网络识别准确率提升了4.38个百分点,误识率和拒识率分别降低了7.2和4.07个百分点;轻量化PointNet网络识别准确率仅比PointNet++网络低1.14个百分点,误识率和拒识率分别高了0.9和1.12个百分点。但是轻量化PointNet网络的模型参数量较PointNet网络和PointNet++网络的模型参数量显著减少,仅为PointNet网络的11.5%,PointNet++网络的27.02%;运算量相较PointNet网络、PointNet++网络分别减少13.3和76.79个百分点。该研究提出的轻量化PointNet网络具有较高的实时性、精确性和鲁棒性,能够满足林果园喷雾作业的靶标识别需求,可为林果园喷雾作业靶标实时识别提供参考。

基于MQTT协议的轻量化文本信息分发技术研究

随着卫星通信网络的发展,基于卫星通信网络实现手机、平板电脑等移动通信设备之间的通信成为研究的热点。由于其采用无线电波进行信号传输,且需要经过多个中继站进行信号的转发和处理,导致存在网络延时大、丢包率高以及信道狭窄等问题。针对文本信息在卫星通信网络下的分发过程存在效率低下、可靠性不高的问题,设计一种基于MQTT(Message Queuing Telemetry Transport)协议的轻量化文本信息分发技术。该技术使用MQTT协议作为消息传输协议,在文本信息分发前对MQTT协议进行主题设计、发布订阅机制设计、设备连接设计以及设备心跳设计,确保设备之间的连通性;在文本信息的分发过程中,设计数据校验加密算法、文本信息轻量化处理方法和离线消息存储机制,保证文本信息分发的安全性、可靠性。实验结果表明:相较于传统的基于JSON数据的文本信息分发技术,该技术在提高文本信息分发效率的同时,可确保信息分发的安全性、完整性和稳定性。

基于改进YOLOv8n的轻量化茶叶嫩芽检测方法

为解决自然环境下茶叶嫩芽检测场景复杂,模型参数量大无法在嵌入式设备部署等问题,提出一种基于改进YOLOv8n的轻量化茶叶嫩芽检测方法。构建一种MFBNet轻量化骨干网络,引入MBConv模块后大大减少了模型计算量。同时在骨干网中加入CBAM注意力模块,抑制无效信息,提高了模型检测精度;其次引入AKConv模块对VoVGSCSPC结构进行改进,提出全新的AVCStem模块,并将其替换颈部网络的C2f模块,进一步减少模型参数,提升嵌入式设备部署效率;最后采用GSConv模块替换颈部网络结构中的全部Conv模块,帮助模型进行快速计算,提高茶叶嫩芽的检测速率。结果表明,本文提出的模型比YOLOv8n原模型的mAP50和FPS分别提升了3.5%、55.6%,参数量减少了14.3%,且模型鲁棒性强,满足复杂场景下茶叶嫩芽的轻量化快速检测。