带有状态/输入量化的无人艇航向跟踪控制

[目的]针对水面无人艇(USV)的海上通信受限的问题,提出一种带有状态/输入量化的USV航向跟踪控制方法。[方法]基于反步法设计系统控制律,结合动态面技术降低虚拟控制律的计算量膨胀问题。对于控制系统中存在的不确定项及外界干扰,利用扩张状态观测器(ESO)进行估计。采用均匀量化器分别对控制系统中的状态变量和控制输入进行量化,且量化后的状态反馈信息仅用于跟踪控制。利用量化状态递归设计基于ESO的USV航向控制器,证明闭环控制系统中量化变量和非量化变量间误差的有界性。[结果]基于李雅普诺夫稳定性理论,提出了量化误差考量及闭环系统稳定性判定方法,严格证明了所设计的带有状态量化和输入量化的USV航向跟踪控制系统的稳定性,仿真实验验证了该控制策略的有效性。[结论]结果表明,所提方法可为USV航向跟踪控制提供借鉴。

融合GhostNet的YOLOv4轻量化网络设计与实现

由于存储资源和功耗等限制,在嵌入式设备上部署基于深度学习的目标检测算法存在困难,且效果不佳.基于YOLOv4算法,提出了一种改进的YOLOv4-Light轻量化网络模型,采用GhostNet网络结构替换CSPDarknet53作为主干提取网络,引入CBAM注意力机制关注通道和空间两个维度的特征信息,并利用感知量化方法对权重进行INT8量化处理,在保证精度的情况下降低网络模型规模和参数量.在PC端和NVIDIA Jetson Xavier NX上选用VisDrone无人机数据集分别对网络模型进行测试,结果表明YOLOv4-GhostNet-CBAM模型的尺寸是160M,比YOLOv4降低了34.43%;检测速率最高可达到34.6FPS,比YOLOv4提高了56.6%.YOLO-Light模型的尺寸是40.2M,比YOLOv4降低了83.5%;检测速率最高可达到78.6FPS,为YOLOv4的3.6倍,且交并比为0.5时的平均精度均值(mAP50)与YOLOv4相比仅下降了3%.YOLO-Light模型相较于原模型优势明显,能够在低功耗的嵌入式设备上完成实时目标检测.

基于舍入误差的神经网络量化方法

深度神经网络需要付出高昂的计算成本,降低神经网络推理的功耗和延迟,是将神经网络集成到对功耗和计算严格要求的边缘设备上的关键所在。针对这一点,提出一种采用舍入误差的端到端神经网络训练后量化方法,缓解神经网络量化到低比特宽时带来的精度下降问题。该方法只需采用小批量且无标注的数据进行训练,且在不同的神经网络结构上都有十分不错的表现,RegNetX-3.2GF在权重和激活数的比特宽均为4的情况下分类准确率下降不到2%。

带有状态/输入量化的无人船自适应模糊跟踪控制

针对海上通讯带宽受限情况下无人船的航迹跟踪控制问题,设计了一种带有状态量化和输入量化的自适应反馈跟踪控制方案。在保证有效跟踪的同时,减少执行器执行频次,降低控制幅度。首先,在不考虑量化情况下基于自适应反步法设计了系统跟踪控制律,并结合动态面技术有效降低了虚拟控制律的计算量膨胀问题。对于控制系统中存在的不确定项,利用模糊逻辑系统进行逼近。其次,采用均匀量化器分别对控制系统中的状态变量和输入变量进行量化,且量化后的状态反馈信息被用于无人船航迹跟踪控制器的设计。根据所得到的量化信息,给出了同时考虑状态量化和输入量化的无人船航迹跟踪控制律。在稳定性分析中,通过Lyapunov稳定性理论证明了在不考虑量化的情况下闭环控制系统的稳定性,并根据递归的方法证明了闭环控制系统中量化变量和非量化变量之间误差的有界性。基于给定的引理,最终证明了在同时考虑状态量化和输入量化的情况下,所设计的带有状态量化和输入量化的模糊自适应反馈跟踪控制系统的稳定性。最后,通过两组仿真实验验证了所提方案的实用性。即在同时考虑状态量化和输入量化的情况下,无人船仍能保持对理想轨迹良好的跟踪性能,并有效减轻了执行器的执行频次,更符合航海工程实践。

深度神经网络架构轻量化方法综述

当前,深度神经网络作为学术界和工业界最受关注的研究方向之一,倍受广大科研人员青睐,但是存在架构很复杂、参数量巨大、计算成本、存储成本过高的缺点。因此,如何在保证神经网络性能可接受的情况下对其去冗余、实现轻量化设计成为热点问题。当前,各种轻量化方法如雨后春笋般涌现,为给希望利用轻量化神经网络解决具体问题的研究人员建立对网络轻量化方法的整体认识、快速选择合适的解决方案,文中对具有代表性的架构轻量化方法进行介绍:剪枝、架构搜索、知识蒸馏以及轻量化卷积核设计,并从不同角度对比分析各种方法优劣,最后在宏观层面展望神经网络轻量化的未来发展方向。

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。

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。

溯源弹簧形变过程的断路器振动信号递归量化分析辨识方法

从锁止机构脱扣引起储能弹簧释能,经部件带动动触头运动再到静止的每个动作具有严格阶段特征,伴随断路器动作的机械振动展现了能量传递及设备健康状态。该文提出一种溯源弹簧形变过程的断路器振动信号递归量化分析方法,首先由高速相机捕捉断路器操动时储能弹簧的动作图像,通过计算机视觉跟踪动态提取反映弹簧形变特征帧,再依据特征帧时序划分操动过程;然后将不同阶段振动信号映射至高维相空间,经递归分析得到体现动力系统变化特征的递归图,并递归量化分析其纹理结构特征;最后利用支持向量机模型对正常及故障状态下的断路器振动特征样本进行分析辨识,对比结果证明,由弹簧释能时序细化振动信号特征分析有效提高了分类识别准确率。该文方法在断路器操动机构状态辨识中具有广阔的应用前景。

基于量化的深度神经网络优化研究综述

随着模型参数和计算资源需求的不断增长,将模型部署在资源有限的设备上成为一个巨大的挑战。为解决这一挑战,量化成为了一种主要的方法,通过减少深度神经网络模型参数和中间过程特征图的位宽,可以对深度神经网络进行压缩和加速。文章全面回顾了基于量化的深度神经网络优化的工作原理。首先,讨论了常见的量化方法及其研究进展,并分析了各种量化方法之间的相似性、差异性以及各自的优缺点。其次,进一步探讨了分层量化、分组量化和通道量化等不同的量化粒度。最后,分析了训练与量化之间的相互关系,并讨论了当前研究所取得的成果和面临的挑战,旨在为未来深度神经网络量化研究提供理论基础。

公立医院廉洁风险防控量化评价研究

目的探讨公立医院廉洁风险防控量化评价,为提升公立医院廉洁风险防控工作质效提供参考。方法自行设计《公立医院权力事项廉洁风险防控检查标准》,从权力运行流程梳理清晰程度、廉洁风险点查找准确程度、防控措施有力程度三个方面对四川大学华西医院各部门/临床医技科室提供的权力事项廉洁风险防控进行评分和评级。结果共检查了236个权力事项的廉洁风险防控情况,根据检查标准,57项评为一档,103项评为二档,76项评为三档,占比分别为24.15%、43.64%和32.20%。经检查,全院236个权力事项的廉洁风险防控检查得分为(5.82±1.92)分,其中,流程维度得分为(2.11±0.75)分,风险点查找维度得分为(1.89±0.75)分,防控维度得分为(1.89±0.79)分,体现出部分单位的工作流程不够清晰、个别风险点查找不准确、防控措施不具体等问题。结论医院要结合自身工作环节的问题,从思想、行为、成效和考核评价几方面入手,着力思考廉洁风险防控长期建设中的具体化、精准化、显著化和可量化。

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。

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。

神经网络模型轻量化方法综述

近年来,神经网络模型凭借着较强的特征提取能力在各行各业的应用越来越广泛,并取得了不错的效果。然而,随着数据量的不断增大以及人们对高准确率的不断追求,神经网络模型的参数规模急剧增大,网络复杂度不断提高,导致计算、存储等资源开销不断扩大,使其在资源受限场景下的部署面临极大挑战。因此,如何在不影响模型性能的前提下实现模型轻量化,进而降低模型训练和部署的成本成为当前的研究热点之一。为此,文中从复杂模型压缩以及轻量化模型设计两方面入手,对当前典型的模型轻量化方法进行总结和分析,以期厘清模型压缩技术的发展脉络。其中,复杂模型压缩技术从模型剪枝、模型量化、低秩分解、知识蒸馏及混合方式5方面进行归纳,而轻量化模型设计则从空间卷积设计、移位卷积设计和NAS架构搜索3方面进行梳理。

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。

基于改进YOLOv8的地铁列车焊缝缺陷轻量化检测方法

针对现有的地铁列车车体焊接质量检测技术存在检测模型较大、检测精度和效率较低的问题,提出一种基于改进YOLOv8的焊缝缺陷轻量化检测方法。首先,利用相控阵超声波检测仪采集对接焊缝内部缺陷图像,通过图像预处理制作成焊缝缺陷数据集。然后,在YOLOv8模型基础上,利用Inner-SIoU优化原有损失函数、采用C2f-PConv替换C2f模块、引入大型可分离核注意力(LSKA)模块和挤压激励(SE)注意力机制,建立了基于改进YOLOv8的地铁列车车体焊缝缺陷质量检测模型,以提高焊缝缺陷特征提取和多尺度特征融合的能力。最后,利用改进的YOLOv8模型对焊缝缺陷数据集进行训练和测试。结果表明,改进的YOLOv8模型大小为7.91 M,对于焊缝缺陷的检测精度达到98.30%,检测速度达到138.9帧/s,与YOLOv8原始模型相比,模型更小,检测精度更高。

职责视角下的突发公共卫生事件时期疫苗管理政策差异量化研究

目的:量化分析突发公共卫生事件时期针对暴发传染病的疫苗管理与常规疫苗管理在管理职责和职责主体方面存在的差异。方法:构建我国疫苗管理职责框架,从管理职责、职责主体和疫苗类型三个维度对我国中央层面的疫苗政策文本进行量化处理,使用统计分析、共现聚类和中心性测算的方法进行差异比较。结果:突发公共卫生事件传染病疫苗的接种、生产和研发方面的职责受到更多重视,落实接种政策与宣传科普工作使得更多政策实施主体承担了疫苗管理职责,疫苗的保障措施贯穿管理的各个阶段。卫生健康部门和药品监管部门是管理核心职责部门,科技部门、工业信息化部门具有较多协同合作职责,教育部门、发展改革部门承担较大联通协调职责。结论:突发公共卫生事件时期传染病疫苗管理职责更多,需要多部门高效合作,在疫苗的流通和信息管理方面予以更多重视,充分发挥疾控部门在基层人才队伍与信息监测方面的优势,科学落实国家防疫政策,引导非行政主体承担管理职责,并强化核心责任主体“枢纽”作用。

基于对抗生成的轻量化红外图像增强网络

目前,红外成像技术在医学、安保、环境监测、军事探测等方面获得了广泛应用。然而,由于低成本红外成像设备的固有缺陷及大气环境对热辐射传导的影响,导致其采集的图像亮度较暗、细节模糊、对比度低,影响后续图像语义分析及目标检测识别等任务。传统基于模型的红外图像增强方法常需利用图像先验信息,模型参数与场景相关,模型泛化能力不强;基于深度学习的红外图像增强算法有助于增强红外图像质量,但结构冗余,不利于边缘端部署。生成对抗网络(GAN)可以通过判别器和生成器两个网络的轮流对抗训练显著提升红外图像增强效果,但网络训练参数量大,边缘端部署占用资源多,运算复杂度高。本文设计了一种基于对抗生成的轻量化红外图像增强网络,通过在GAN模型的基础上增加多层次特征融合结构并设计多尺度损失函数,提升了特征提取效率并减少了网络层数,在提升图像质量的同时提高了增强效率,利于算法的边缘端部署。实验表明,本文方法在同等参数量下,通过添加多层次特征融合结构和多尺度损失函数,兼顾了图像的全局和局部特征,保证了细节信息不丢失,在提高网络性能的前提下未明显增加计算复杂度;在红外图像增强效果相当的情况下,模型参数量降低75.0%,边缘端设备推断时间降低32.07%。

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。

基于改进DeepLabv3+的轻量化作物杂草识别方法

为在存储资源与计算能力有限的设备上实现田间作物和杂草的识别,本文提出一种基于改进DeepLabv3+的轻量化语义分割网络。首先,以MobileNet v2作为DeepLabv3+的特征提取骨干网络,提出双分支残差模块替换倒残差模块,并删除后两层卷积以降低模型参数量。其次,在空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)模块中引入分组逐点卷积,使用深度扩张卷积替换标准卷积,并将卷积后的特征图进行多尺度特征融合增强对作物和杂草深层特征的提取能力。最后,将原有的非线性激活函数替换为Leaky ReLU激活函数来提升分割精度。实验结果表明:改进后网络的mIOU达到86.75%,参数量仅为0.69M,FPS达到了98,与原始DeepLabv3+以及3个典型轻量化语义分割网络的相比,参数量最小,在对比的轻量化网络中具有最高的分割精度。

IDD-YOLOv7:一种用于输电线路绝缘子多缺陷的轻量化检测方法

YOLO目标检测算法是当前基于图像的输电线路绝缘子缺陷检测的主流方法,然而现有模型复杂度较大,亟需合理有效的参数压缩方法作为前提条件,来为解决无人机边缘设备部署的困境问题奠定基础;同时,无人机航拍的绝缘子缺陷图像背景复杂、缺陷尺寸较小,容易出现误检、漏检等问题。为此,提出了一种用于输电线路绝缘子多缺陷检测的Insulator Defect Detection-YOLOv7(IDD-YOLOv7)模型,以降低模型复杂度,提高模型鲁棒性。首先,在多尺度特征融合的过程中加入坐标注意力(Coordinate Attention)机制,抑制复杂背景的干扰,提升模型对小目标的全局感知能力;之后,设计C3GhostNetV2模块,用于捕获不同空间像素之间的远程依赖性,在增强模型表达能力的同时降低模型的参数量和浮点运算量;最后,提出Focal-CIoU损失函数,提高模型高质量anchor的贡献,加快模型的收敛速度。实验结果表明,本文方法与基线模型相比mAP^(50)提升了3.8%,查准率和召回率分别提升了1.7%和7.6%,参数量和浮点运算量分别下降了18.3%和14.0%,绝缘子自爆、破损、闪络缺陷的AP^(50)分别提升了0.8%、4.5%、6.3%。