物联网背景下应用于光伏发电的边缘计算设备关键技术研究及应用

随着大数据、云计算、人工智能、5G等技术的快速发展,万物互联时代加速到来,网络边缘设备的数量和数据量都呈现快速增长态势。在此趋势下,边缘计算因具有靠近数据源、实时性好、时延短、响应快等特征,成为物联网发展的核心技术之一。基于此,介绍了边缘计算的基本概念及体系架构,探讨了边缘计算设备的关键技术;深入分析了边缘计算设备在光伏发电系统的应用场景;在某光伏电站开展示范应用,实测结果表明,通过在光伏逆变器侧安装边缘计算设备,能够实现光伏发电的快速无功响应能力。研究成果可为后续边缘计算在新能源发电中的应用提供参考。

面向边缘计算设备的可见光近场安全通信方法研究

为了满足边缘计算中边缘感知系统信息交互的需求,可以采用传输便捷、功耗较低的近场安全通信方法。然而,物联网边缘节点一般不具备应用复杂安全加密策略的条件,而无线电波采用广播方式传输,存在信息泄漏的风险。因此,通过利用可见光的定向传输特性,实现一种面向边缘计算设备的双工可见光通信系统,从底层提高数据传输的安全性。同时,针对可见光源信号不稳定的特点,提出了一种基于可见光安全通信的状态转化调制(State Transaction Modulation,STM)策略。实验结果表明,STM调制的传输速率高于PWM和PIM调制且能耗大幅降低,在传输序列有重复的情况下吞吐率亦优于DH-PIM调制。

边缘计算设备的性能功耗测量

本文阐述了边缘计算设备性能功耗测量的试验方法,基于Roofline性能分析模型及设备的功耗开展测量与分析。

一种改进的多任务级联卷积神经网络人脸检测算法

基于卷积神经网络的人脸检测方法检测准确率高,应用广泛,但卷积神经网络一般结构复杂,运算量大,在边缘计算设备运行时实效性不高,为提高实效性,本文提出一种改进的多任务卷积神经网络人脸检测算法。该检测方法基于MTCNN实现,使用MobileNet替换MTCNN三层子网络中的大部分卷积核,并减少R-Net、O-Net网络中的卷积核数量;改进NMS算法,降低被抑制候选框的置信度,在最后时统一删除,并抑制同一人脸周围分数最高候选框之外的其他候选框。选用Celeb A和WIDER FACE数据集按照7:3划分进行训练和验证,准确率达到了98.03%,实时性较好。该改进策略大幅降低了原网络的参数量,实现了轻量化改进,保留精度更高的回归窗口,缓解了漏检问题,检测率高,能满足边缘算力设备人脸实时检测的需求。

深度神经网络参数轻量化方法综述

近年来,深度神经网络在各种具有挑战性的任务上取得了巨大的成功,不断刷新人们对人工智能的认识。但是,深度神经网络模型的参数量巨大、计算成本、存储成本过高,难以部署到资源受限的边缘计算设备中。因此,人们开始从网络的架构和参数量两个角度尝试对网络进行轻量化设计,同时保证神经网络性能可接受。本文从网络参数轻量化的角度出发,首先简要回顾深度神经网络发展历史和工作原理;其次,介绍当前主流的3类参数轻量化方法:参数量化、张量分解以及参数共享;然后,从思想描述、适用层级、训练方式等维度对比分析方法优劣;最后,对神经网络轻量化的未来发展方向进行展望。

新时代工业计算机技术的现状及未来发展趋势

本文介绍了新时代工业计算机技术发展的历史沿革,分析了目前国内外的现状,预测了工业计算机技术和相关自动化技术的未来主要发展趋势,供国内从事工业计算机或嵌入式系统方面工作的设计工程师和设备制造商参考。

CC-YOLOv5:改进的YOLOv5用于无人机航拍图像目标检测

由于无人机航拍图像的背景较为复杂,小尺寸目标较多,不同目标的尺度差异较大,且算法部署于资源有限的边缘设备上,难以同时兼顾检测的准确性和实时性。一方面,传统的单阶段检测算法可能会使特征图的融合不充分,造成目标特征信息的丢失,导致检测精度不高。另一方面,复杂度较高的两阶段检测算法在边缘设备上又难以满足实时性的要求。针对以上问题,基于YOLOv5框架提出了一种改进的CC-YOLOv5算法。首先,在Backbone部分集成CBAM模块,丰富网络获取的目标特征信息,降低网络的复杂度;其次,通过改进YOLOv5的FPN层,使其能够更好地进行特征融合,提升检测性能。最后,实验结果表明,在VisDrone2019数据集上,mAP达到了33.5%,比YOLOv5m提高了3.3个百分点;在边缘计算设备Nvidia Jetson Nano上,针对640×480图像的平均检测时间为0.095 s,满足了实时性要求。

安全帽佩戴检测网络模型的轻量化设计

现有的安全帽佩戴检测网络模型存在准确率低、推理速度慢、部署到边缘计算设备时精度和实时性均达不到应用要求等问题。提出一种轻量化设计的DT-YOLO模型,对YOLOv4-Tiny目标检测模型进行改进,通过增加一个检测层提高模型在密集场景下对小目标的检测能力,并引入空间金字塔池化模块,提高模型对不同尺寸目标的检测能力。使用局部稀疏因子衰减算法进行稀疏化训练,从而使经过稀疏化训练后模型的平均精度均值(mAP)得到提高。根据缩放系数判断通道的重要性,并进行模型的通道剪枝,压缩模型的大小和计算量。使用TensorRT推理加速引擎进行网络层水平和垂直融合,消除拼接层操作,并将参数压缩成16位浮点型,提高模型的推理速度,最后在Jeston Nano边缘计算设备上实现模型部署。实验结果表明,与YOLOv4-Tiny模型相比,DT-YOLO模型的mAP提高了3.6个百分点,模型大小减少了83.5%,帧率提高137.7%,能够满足安全帽佩戴检测的要求。

基于工业互联网技术的数据采集与监控网络架构

文章基于工业互联网技术,以工业现场的一套过程控制系统为基础进行数字化升级改造,将其原有设备和功能进行扩展,添加了边缘计算设备和服务器,实现数据采集传输至云端和现场设备监控。同时,该系统实现了不同通信协议设备间的互联,为打造数字化工厂、推进智能制造的应用落地提供了理论依据和示范经验。