基于改进U-Net的轻量级输电线分割算法

为了提高输电线路的巡检效率,保证输电线的分割精度和速度,本文提出基于改进U-Net的轻量级网络GU-Net。首先,以U-Net网络为基础,在编码器部分引入轻量化主干提取网络Ghost-Net;然后采用双线性插值方法完成上采样,并利用深度可分离卷积代替部分普通卷积;最后在训练过程引入多损失函数以解决输电线和背景像素占比不平衡问题,并采用迁移学习策略训练模型。在E-Wire输电线数据集上测试,GU-Net网络的MIoU和F1-score分别为80.04%和87.77%,与现有的轻量化输电线语义分割网络Wire-Detection相比分别提升了4.26%和2.96%,且分割速度几乎没有损失,参数量约是它的20%。实验结果表明,本文提出的算法能够实现快速高效、轻量化地分割出复杂图像中的输电线。

基于生成对抗网络的轻量级图像盲超分辨率网络

针对图像盲超分辨率网络计算参数多、模型庞大的问题,对快速且节省内存的轻量级图像非盲超分辨率网络(fast and memory-efficient image super resulotion network,FMEN)进行改进,提出了一种轻量级的快速且节省内存的图像盲超分辨率网络(fast and memory-efficient image blind super resulotion network,FMEBN)。首先,通过图像退化模块模拟部分真实世界退化空间,使用退化预测模块预测低分辨率(low resolution,LR)图像的退化参数;然后,为能有效利用退化先验信息指导并约束网络进行重建,使用动态卷积对原网络特征提取、重建模块、高频注意力块(high frequency attention block,HFAB)结构进行改进;最后,使用生成对抗网络(generative adversarial network,GAN)对FMEN训练策略与损失函数进行优化,减小真实数据与生成数据的差异,生成更加真实、清晰的纹理、轮廓。实验结果表明,在合成图像数据集和真实图像数据集RealWorld-38上,该算法有较好的重建精度与视觉效果,模型大小12 MB,可以满足图像盲超分辨率网络的轻量级需求。

基于CFAR-CNN的轻量级海上目标检测

针对海防雷达分辨率低、实时性要求高及传统CFAR算法难以满足日益精细的现代化战争需求的问题。本文将传统的CA-CFAR算法融入到计算机视觉的两阶段目标检测框架中,形成了一种轻量、高效的雷达实时目标检测算法。首先使用低门限CFAR(Lo-CFAR)来判断诸多潜在目标的真实位置或虚警位置。然后,根据点迹位置信息和雷达回波距离-方位图做数据切片。最后,采用高性能分类器对数据切片进行训练。实测数值实验表明:与传统CFAR,Faster R-CNN算法相比,所提方法在提高检测概率、抑制虚警和轻量时效性方面有显著优势。

一种轻量化的金字塔卷积

金字塔卷积(Pyconv)是近年提出的一种金字塔式多层结构,可以提取多尺度的特征信息,已被应用于多种计算机视觉任务,但其冗余度高,参数量大。因此,本文提出了一种轻量化的金字塔卷积light_Pyconv,其使用卷积分解和分组卷积降低卷积冗余度,同时,将残差单元、通道混洗技术以及注意力机制引入设计,以维持网络的准确率并加速有效特征的提取。在VGG13网络上,参数量从1.96M下降到了0.56M,而在CIFAR-10和CIFAR-100数据集上的准确率仅分别下降了0.87%和0.04%;在ResNet18网络上,参数量从9.22M下降到了7.72M,而在两个数据集上的准确率仅分别下降了0.24%和0.76%。light_Pyconv在降低模型尺寸的同时,其在收敛速度和准确率波动上的表现仍优于原始网络结构。

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STM32微控制器的表面缺陷视觉检测方法

表面缺陷检测是产品质检的重要工序之一,现有深度学习视觉检测大多基于云端服务器,存在模型大、算力需求高、成本高等不足。以STM32微控制器为核心,提出了一种基于轻量化网络的表面缺陷视觉检测方法,采用轻量级SSD作为缺陷检测模型,利用MobileNetV1替换原有的骨干网络VGG-16以减小网络规模;采用INT8量化的训练后量化方法对模型进行计算加速,生成的TFlite模型仅有578 KB,运行占用RAM仅为288.29 KB,并在STM32微控制器中实现了模型的移植和部署。实验测试结果表明,该方法能实现锂电池表面划痕和凹坑两种缺陷的边缘侧准确检测。

基于长短期记忆网络和LightGBM组合模型的短期负荷预测

短期负荷预测是电网安全调度与平稳运行的基础,为进一步提升负荷预测的精度,提出了基于长短期记忆(LSTM)网络和轻梯度提升机(LightGBM)的组合预测模型。首先,根据LSTM网络和LightGBM模型的输入结构,将预处理后的负荷数据、温度数据、日期数据以及节假日信息分别输入2个模型中,通过训练得出各自的预测结果。然后,采用最优加权组合法确定权重系数,并得出组合模型的预测值。最后,采用实际负荷数据进行算例分析,结果表明所提方法能够有效结合2种模型的优点,在保留对时序数据整体感知的同时兼顾非连续特征的有效信息,与其他模型相比具有更高的预测精度。

基于轻量化YOLOv5的安全帽检测

配电网运维施工安全智能监控系统中存在大量数据,客观上要求算法具有较高实时性。基于此,本文轻量化改进YOLOv5算法,具体包括改进K-means算法聚类锚框,采用Hard-swish激活函数和CRD损失函数,同时在主干网融合ShuffleNet结构以及FPN模块增加Attention机制。该模型SNAM-YOLOv5 (ShuffleNet and Attention Mechanism-You Only Look Once version 5)能够显著提高小目标和遮挡目标的检测性能以及处理速度。在基于海思Hi3559A嵌入式平台进行安全帽检测的运行结果表明,该模型优于同类算法,同时具有良好的实时性。

空天地一体化融合组网的挑战与关键技术

面向全域一致通信体验的需求,协同天基、空基、地基网络,能够消除通信盲区、加强广域互联的空天地一体化融合组网是未来通信重要的发展方向之一。然而,现阶段的空天地一体化融合组网只在一些特殊场景中取得了初步的应用,距离消除通信盲区、广域万物智联的愿景仍然存在诸多挑战。首先,文中概述了未来的空天地一体化融合组网架构;然后,分别从硬件、协议、节点部署和服务保障的角度分析了融合组网过程中面临的四大挑战,包括基于专用硬件的网元节点带来的融合组网功能升级困难、现有卫星通信协议标准性能低、三维广域空间带来的活动基站选址困难以及多样化业务难以进行差异化保障等问题。针对上述挑战,分别介绍了面向卫星的轻量级虚拟化技术、基于5G技术的卫星通信系统、水平与垂直面解耦的的活动基站选址和端到端的空天地一体化网络切片4个解决方案,为空天地一体化融合组网的发展提供参考。

基于深度学习的高压隔离开关分合状态检测算法研究

高压隔离开关的正常工作是电力系统稳定运行的前提。为正确识别隔离开关的分合状态,提出一种轻量化改进型YOLOv5s目标检测算法。首先,针对隔离开关数据集,采用二次优化K-means++聚类算法重新获取锚框参数。然后,将模型中的损失函数由CIOU替换为具有更强收敛性能的EIOU,加快模型训练的收敛速度。最后,在模型主干特征提取网络的最后一层添加CBAM注意力模块,加强模型特征提取能力。在此基础上,采用通道稀疏化剪枝的方法对改进后的模型进行轻量化处理,减小模型体积和算力消耗。实验结果表明,改进后的模型识别平均精度均值到达97.4%,轻量化处理后的模型大小为3.92 MB,使得模型更加容易部署到移动端设备完成实时检测。

基于密集连接的红外可见光图像融合方法

针对基于人工智能的红外可见光图像的融合方法中神经网络网络设计复杂、参数量和推理计算量较大的问题,提出一种轻量化网络结构。首先,使用两个相同的密集连接块提取图像特征;然后,对红外图像和可见光图像使用共同的卷积核,以减少参数量;最后,利用残差连接保留梯度信息,同时基于像素显著性原则设计网络损失函数。在TNO和M3FD数据集上的实验结果表明,与U2Fusion经典算法相比,所提方法的参数量和推理计算量分别降低了83.5%和87.5%,并保持了良好的融合效果。

基于机器视觉的轻量化芒果果面缺陷检测

目的:降低自动化芒果分级检测设备的制造成本。方法:对比了3种常用的目标检测算法在芒果缺陷检测中的效果,并以轻量化、移动设备可移植性为目标,提出了一种基于YOLOv5的轻量化芒果果面缺陷检测算法。结果:试验算法在满足芒果表面缺陷检测要求的前提下,相较于原算法可使参数量减少45.9%,浮点运算次数减少46.7%,权重文件大小减小45.2%。结论:试验算法有效降低了对部署设备的性能需求,在降低芒果分级检测设备的制作成本方面具有潜在价值。

双路注意力循环网络的轻量化语音分离

提出了双路注意力循环网络的轻量化语音分离方法。首先,该方法使用基于“双路注意力机制”和“双路循环网络”的可选择分支结构对语音信号进行建模,从而提取深层特征信息并降低模型的参数量。其次,引入子带处理技术,从而降低模型的计算量。在LibriCSS数据集上的实验结果表明,该方法取得的平均词错误率为8.6%,且参数量和计算量分别仅为0.15 MiB和15.2 G/6s,与当前主流方法相比,分别减小了3.3~391.3倍和1.1~3.2倍。这表明,所提方法在取得高语音分离性能的同时,能有效地降低模型的参数量和计算量。

MalMKNet:一种用于恶意代码分类的多尺度卷积神经网络

对未知恶意代码及其变种进行快速准确地识别,是对恶意攻击行为进行有效防范的前提和基础.但随着恶意代码变种的急剧增加,人工更新样本数据库的效率越来越差,仅仅依据延时的数据库信息,传统的识别方法难以有效捕获经过混淆方法操作的样本特征信息.针对上述问题,本文设计了一种基于灰度图像处理的深度学习模型MalMKNet(Multi-scale Kernel Network for Malware),建立了一种多尺度卷积核混合的卷积神经网络(Convolutional Neural Network,CNN)架构,以提高恶意代码识别能力.该模型运用具有捷径(shortcut)结构的深度大内核卷积和标准小内核卷积相结合的混合卷积核(Mixed Kernels,MK)模块,以提高模型准确率;在此基础上,通过多尺度内核融合(Multiscale Kernel Fusion,MKF),以降低模型参数量;再结合特征重组(feature shuffle)操作,实现优化特征通信,在不增加模型参数量的前提下提升了分类精度.实验结果表明,MalMKNet在恶意代码家族分类准确率方面优于其他基于深度学习的分类方法,准确率达到了99.35%.

可见光通信与WiFi异构网络资源管理算法

可见光通信(VLC)/WiFi异构网络实现了室内的高速通信与无线覆盖,资源管理算法是实现异构网络高效传输的关键。针对传统资源分配管理算法在大规模VLC/WiFi异构网络环境下存在系统公平性低、用户体验感差等问题,提出一种动态加权轮询(DWRR)算法。将用户资源需求量、平均请求速率及与最近接入点的距离这3个因素进行加权作为用户的初始优先级。在每轮调度结束后,对时延较大的用户做出补偿,提高时延较大用户的优先级。考虑VLC和WiFi覆盖范围的差异及用户对资源的竞争程度,定义不同区域内的用户资源优先级,使VLC覆盖范围内优先级高的用户利用VLC资源,剩余用户与VLC覆盖范围外的用户联合分配WiFi资源。仿真结果表明,与最大载干比调度、比例公平算法相比,DWRR算法保证了用户间的公平性,同时提升了系统吞吐量和用户体验。

基于知识蒸馏的GIS关键组件红外特征识别与温变特性提取

针对气体绝缘组合电器(Gas Insulated Switchgear,GIS)红外热成像巡检缺乏对关键组件的红外特征实时识别功能、温变特性的提取缺乏针对性和易受干扰等不足,提出了一种基于知识蒸馏的轻量化改进GIS红外目标检测和温变特征提取算法。通过Mosaic和Mixup策略对变电站实际采集到的图片进行数据增强预处理,构建了3200条包含水平母线、垂直母线、互感器、断路器和隔离开关的GIS红外图谱数据集;采用YOLOX-s作为教师检测器,YOLOX-tiny作为学生检测器,使用教师网络模型指导学生网络模型进行知识蒸馏训练,进一步从整体上提升知识迁移的性能,实现对GIS不同组件的轻量化目标识别,在数据集上的测试结果表明明显优于其他目标检测算法,所提出的算法模型参数仅为19M,在上位机终端的识别速度可达29.5fps,同时保持了的82.3%的识别准确率;并采用灰阶差值算法进一步实现了对识别出的GIS组件的温度特征提取和分析。结果表明,本文所提出的算法可便于实现对智能红外终端的轻量化部署和集成,为提高GIS红外热成像巡检智能化水平和内部过热缺陷的诊断可靠性提供了一种有效方法。

基于轻量级网络自适应特征提取的番茄病害识别

为了实现番茄病害的精准识别,本研究提出一种轻量级网络自适应特征提取方法。该方法首先对图片进行正形处理,然后基于SqueezeNet模型构建轻量级网络模型GKFENet。GKFENet模型包含全局特征提取和关键特征提取2个模块,其中全局特征提取模块逐层提取番茄病害叶片的全局特征,关键特征提取模块通过学习评估出特征图各通道的重要程度,计算出权重值,最后将该值加权到原特征图上,从而实现病害关键特征的自适应提取。结果显示,正形机制有助于神经网络学习特征,本研究构建的GKFENet模型的平均识别准确率为97.90%,模型大小仅为2.64 MB,且在强噪声环境下,其识别准确率仍能保持在78.00%以上。GKFENet模型在训练过程中相对稳定,对8种番茄病害的识别准确率均超过96.00%。相比Bayes、KNN、LeNet、SqueezeNet、MobileNet模型,本研究构建的GKFENet模型的识别精度高,稳定性强且占用内存小,对于移动端未来的应用具有较高的实际价值。

BP神经网络应用于散货船空船质量估算

以搜集的200余条散货船为样本,建立了空船质量统计回归模型和三种情况下的BP神经网络模型,并选取10条散货船对各模型进行了测试和比较。三种BP神经网络模型测试结果与实际值很接近,精度优于传统的统计回归模型,表明用BP神经网络进行空船质量估算是可行和实用的。

基于图像的混凝土表面裂缝量化高效识别方法

卷积神经网络(convolutional neural network,CNN)算法是目前进行裂缝图像识别的常用方法。但目前仍存在卷积神经网络过于复杂、训练参数多、设备配置要求高和检测实时性低等问题。针对以上问题,本文提出一种基于轻量化CNN的混凝土表面裂缝识别方法。通过搭建轻量化全卷积神经网络(light-weight full convolutional neural network,LFNet)解决目前经典的卷积神经网络中训练参数过多的问题;采用基于高斯梯度变化的阈值分权法,对存在裂缝的图像进行分析,提取裂缝特征;最后采用基于欧氏距离的裂缝宽度算法实现对裂缝宽度分析计算。实验结果表明,本文所提的LFNet优于目前经典的卷积神经网络,其精确率、召回率和综合评价函数值三个参数分别达到97.944%、98.277%、98.108%,裂缝宽度特征参数的计算误差可控制在0.5 mm以内。

高速计算机网络协议的关键技术

本文探讨了提高计算机网络协议处理性能，使其适应高速计算机网络环境的三种途径：协议体系结构的革新，轻型协议的研制和高速协议的硬件实现。