9篇关于SSD的计算机毕业论文

今天分享的是关于SSD的9篇计算机毕业论文范文, 如果你的论文涉及到SSD等主题,本文能够帮助到你

轨道扣件快速弹条状态识别应用软件设计与实现

这是一篇关于扣件状态识别,快速弹条扣件,SSD,Spring Cloud,Vue.js的论文, 主要内容为轨道交通运营安全一直是我国交通安全的重要部分,现如今高速铁路与地铁建设飞速发展,轨道交通安全运营成为我国轨道交通维稳发展的重要体现,同时也承载了千万家庭愿望。然而,当前轨道交通的维护形式基本上仍以传统模式为主,如通过人工寻道对轨道扣件进行目视巡检。但是在广阔而密布的轨道线路中人工巡检存在效率低下、巡检主观性强、费时费力等问题。如何利用现代技术结合互联网和各种传感器高效而稳定的对轨道扣件进行全方面监测已经成为了国内外研究的重要课题。本文设计并实现了一款快速弹条状态识别应用软件系统,该系统采用C/S与B/S相互结合的架构方式,其中扣件识别应用软件集成了双线阵相机控制模块、识别结果展示模块、数据提交模块。通过人性化的UI界面即可完成一站式的双线阵相机的数据采集、数据保存、状态识别、数据提交等功能。此外,在用户可以随时通过浏览器登录轨道扣件数据平台,查询轨道扣件检测数据、对相关数据进行留言以及与以往的数据对比和分析。本套应用软件系统具有很强的综合性和实用性。论文主要工作及成果如下:(1)针对轨道扣件快速弹条状态识别算法进行研究,提出一种基于灰度差的快速弹条定位算法,能够以较好的准确度和速度定位轨道扣件快速弹条。除此之外,结合时下最为流行的卷积神经网络,提出一种基于计算机视觉SSD(SingleShot Multi Box Detector)的轨道扣件快速弹条状态检测方法。并使用Python编程实现,生成exe可执行文件供主程序调用。(2)使用C#开发线阵相机图像采集与状态识别应用软件,该应用软件采用多线程技术,支持双相机同时工作,可以实时保存图像数据。除此之外,该应用软件整合了轨道快速弹条状态识别算法模块,采用基于轨道扣件纹理特征的方法对采集到的图像数据进行分析识别出未扣紧的扣件。(3)基于Spring Cloud开发Web后端微服务为轨道扣件数据平台提供数据接口。完成微服务的搭建工作,My SQL数据库开发,各个数据接口的设计和开发,配置Nginx服务器完成反向代理与静态资源文件的代理。确保了整个系统平台可以正常运行。(4)基于Web前端框架Vue.js开发轨道扣件数据平台前端模块,完成用户登录模块、扣件数据查询模块。用户可以远程登录该平台,查看不同线路的检测数据,并对检测结果进行留言评价。

基于神经网络的酿酒酵母细胞检测方法

这是一篇关于酿酒酵母细胞检测,卷积神经网络,深度学习,YOLOv3,SSD的论文, 主要内容为微生物感染一般可以分为细菌感染、病毒感染以及真菌感染。微生物感染导致的疾病是人类最常见的疾病,也是人类身上发生最多的感染性疾病。侵入性酿酒酵母感染是一种非常典型的侵入性真菌感染疾病,例如,服用酵母菌制剂后导致原因不明的发烧、肺炎、真菌血症、肝脓肿、腹膜炎、阴道炎、尿路感染或感染性休克等。临床上常用病原菌检测方法的操作过程不仅繁琐耗时和需要昂贵的高精度仪器,而且在操作过程中还有可能污染测试样品,因此建立一种新的酿酒酵母快速检测方法对该疾病的及时预防和快速诊断有着重要意义。本文以侵入性酿酒酵母感染疾病检测作为具体研究对象,用深度学习的方法对血液显微图像中的酿酒酵母细胞进行检测,实现对显微图像中酿酒酵母细胞的快速准确检测,具体的内容阐述如下:(1)简要介绍了卷积神经网络的基础结构,包括对卷积层、池化层、激活函数、全连接层以及损失函数的基本介绍,然后对Res Net和Ghost Net这两个卷积神经网络模型的结构进行了描述,并在后续对其进行了使用。(2)为了模拟酿酒酵母细胞侵入血液的真实环境,本研究在实验室完成了酿酒酵母细胞的培养活化,使用志愿者捐献的血液完成了酿酒酵母感染样本的制备,使用显微镜采集样本图像,并使用标注软件对图像中的酿酒酵母细胞进行标注,搭建了酿酒酵母细胞感染数据集。使用SSD算法对血液细胞与酿酒酵母细胞混合溶液的显微图像进行检测,对检测方法进行可行性验证。为了提升网络性能,首先对SSD算法的特征提取网络进行替换,使用Res Net50卷积神经网络作为SSD算法的特征提取网络,然后在五个额外的特征层上各个卷积层的后面添加了批标准化(Batch Normalization,BN)层。通过以上方法构建了一个更高精度的酿酒酵母细胞检测算法,平均精度(Average Precision,AP)为97.70%,在CPU上单张图片的检测速度为0.31s,比原始SSD算法的平均精度高了1.88%,检测速度无明显差异。(3)对YOLOv3算法进行了改进,进一步提升检测精度和检测速度并减少模型参数数量。首先为了减少模型参数数量,提升检测速度,对YOLOv3算法的特征提取网络进行替换,使用轻量级卷积神经网络Ghost Net作为特征提取网络对Dark Net53进行替换,并将YOLOv3网络的部分卷积层修改为深度可分离卷积,模型的参数数量减少为原来的大约五分之一,检测速度得到提升。为了提高小目标的检测效果,利用扩张卷积增加Ghost Net的感受野;并使用性能更好的Hard Swish激活函数替换了Leaky Re LU激活函数。此外,为了更准确地定位酿酒酵母细胞,将CIo U损失函数应用于边界框回归,其可以对两个边界框之间的距离直接进行最小化,获得更快的收敛速度和更好的回归效果。最后通过在网络结构中加入CBAM注意力机制,使得网络能够更好地关注重点特征。对显微图像通过消融实验进行了验证,由实验结果可知,改进后的YOLOv3与原始YOLOv3相比检测精度和检测速度均得到了提升,平均精度AP为97.96%,在GPU上单张图片的检测时间为0.021s。此外,与Faster R-CNN、SSD、Retina Net、Efficient Det这些经典的目标检测方法以及第三章中使用的基于Res Net50的SSD算法相比,改进之后的YOLOv3拥有着更高的检测精度和更快的检测速度,这进一步体现了改进后的YOLOv3性能的优越性。综上所述,本文针对常用病原菌检测方法操作繁琐耗时等缺点,提出了基于神经网络的侵入性酿酒酵母感染疾病的检测方法,实现了对血液显微图像中酿酒酵母细胞的快速准确检测,为检测侵入性酿酒酵母感染以及其他由微生物导致的相关疾病提供了一种新的、有潜力的方法,同时对发展和完善深度学习技术在细胞检测领域的应用有积极的作用。

基于人脸识别的教室考勤系统的设计与实现

这是一篇关于人脸检测,人脸识别,教学考勤,SSD的论文, 主要内容为在教室里对每一位学生出勤检查是课程教学必不可少的组成部分,但这不仅仅是繁重的工作,而且也是一项耗时的工作。利用传统方法对学生进行出勤管理是近年来的一个挑战。本文针对校园授课过程中教室考勤的环境和教学双方的不同要求,认真分析了基于人脸识别的教室考勤系统的功能需求和性能需求,并且深入研究了人脸检测技术、人脸识别技术以及考勤系统,结合人脸检测与识别技术的最新研究进展与成果,在满足各种需求的前提下设计了一种基于人脸识别的教室考勤方案。本文根据系统功能模块进行划分,设计了每个模块的软硬件架构,主要包括四个模块:图像采集模块、图像检测和识别模块、数据库模块、考勤模块。本文对部分人脸检测和识别算法进行了优缺点的对比分析,选取SSD(Single Shot Multibox Derector)算法进行人脸检测,采用LBPH算法进行人脸识别。本系统基于Structs架构、结合J2EE框架、B/S系统结构模式、SQLServer数据库,主要设计并实现了考勤模块以及数据库信息模块,为校园教学考勤管理提供了一种更便捷更智能更可靠的方案。

面向SSD的用户态文件系统设计与实现

这是一篇关于SSD,野指针保护,用户态内存保护,用户态文件系统的论文, 主要内容为随着计算机与互联网的发展,越来越多的数据需要存储到持久性设备中。从过去的磁带、磁盘过渡到了现在被广泛使用的固态硬盘(SSD),介质的容量和速度都有了飞跃式地发展。SSD拥有更高的带宽、更低的延迟以及低功耗等优势。但是,SSD也存在一些缺点,例如存储芯片写入寿命有限、无法in-place写入数据、以及写入数据最小单位小于擦除数据最小单位等问题。为了适应SSD的特性,研发人员在Linux内核态开发了更加合适的文件系统。然而,SSD较低的访问延迟导致内核I/O栈的额外开销占整个流程的比例变大。为降低额外开销,在用户态实现文件系统成为了新的研究方向。用户态文件系统可以绕过整个内核机制从而降低额外开销。此时,文件系统的性能受限于随机I/O。文件系统由于其本身的特性需要频繁和随机地访问SSD中的数据,比如,file＿mapping需要递归地查询索引然后读取下一级索引的数据块。因此,如何减少主机与SSD之间的随机I/O成为了新的问题。在用户态实现文件系统还带来了新的安全问题。以往文件系统实现在内核态,内核地址空间与用户地址空间是隔离的。这种情况下,进程中的野指针不会指向文件系统中的数据。当文件系统实现在用户态时,它会和进程共享地址空间。如果程序存在野指针,文件系统的数据就存在被野指针索引的可能性。程序对野指针的访问可能造成文件系统数据损坏甚至系统崩溃。因此,文件系统需要一个用户态内存保护机制解决用户态数据安全问题。为了解决第一个问题。本文设计并实现了一个主机与SSD协作的用户态文件系统。此文件系统使用日志结构文件系统的模型减少对SSD的随机写入次数,并且选择容易产生随机I/O的功能卸载到SSD内部执行从而减少PCIe传输数据的次数。本文的文件系统划分为三层,包括API层、主机层和SSD层。SSD层通过对内部系统的开发实现了日志应用、file＿mapping、path＿lookup和数据迁移四个功能。主机层负责元数据缓存和文件系统通用功能。API层负责接收程序的请求。文件系统的主机层均在用户态实现,并且使用spdk库提供用户态NVMe驱动与SSD交互。为了解决第二个问题,本文设计并实现了一个基于双地址空间的用户态内存保护机制。此机制为进程额外生成一个保护线程,作用是管理受保护的内存区域。保护线程通过Linux内核预留一部分地址空间去映射受保护的数据。普通线程在访问受保护的地址时会因为权限错误而终止运行。保护线程的其余地址空间仍然会和普通线程共享。这样可以消除普通线程请求读写保护区域时产生的额外数据拷贝。本文最后记录了功能测试和性能测试结果。功能测试验证了文件系统功能和用户态内存保护机制功能的正确。本文文件系统的性能对比F2FS文件系统在部分读写场景下速度有一定程度的提升的提高。启用用户态内存保护机制时的内存带宽对比没有此机制的情况下性能损失为0%。

基于计算机视觉的水面目标检测及无人船平台研发

这是一篇关于无人船,Faster-RCNN,SSD,卡尔曼滤波,目标检测的论文, 主要内容为我国水资源总量丰富,海岸线漫长,拥有众多河流湖泊。水上乐园、水上游轮以及乘船等交通出行方式早已深深融入到大众的日常生活中;但是,危险同样存在,在水面上,一旦发生船体侧翻、触礁以及其他不可控因素导致船体沉没等安全事故,会造成十分严重的后果。因此,在船体发生安全事故导致沉没后,如何快速有效的搜索定位落水人员,对减少人员伤亡以及财产损失具有重要研究意义。本论文分别针对水面目标检测和无人船系统研发进行研究,提出了基于Faster Region with CNN feature(Faster-RCNN)和Single Shot Multi Box Detector(SSD)模型的目标检测算法;同时,研发了一套由远程监控系统、本地基站和无人船组成的无人船系统,将算法进行了工程化实现,实现了对水面目标的快速搜索定位。本文提出基于Faster-RCNN和SSD模型融合的水面目标快速检测算法,专门针对船体沉没事故导致的落水人员难以快速搜寻定位问题;Faster-RCNN算法和SSD算法是当前计算机视觉目标检测领域的流行算法,选用新加坡公开的海洋数据集分别对两种算法进行训练,其中新加坡海洋数据集提供了渡轮、浮标、轮船、快艇、独木舟、帆船、水面的人和飞机以及其他物体等水面常见的十类物体来增加算法的准确性;模型训练完毕后,使用卡尔曼滤波算法对两个模型预测出的目标检测框进行融合修正,实现了对水面目标的实时快速搜寻定位,并且解决了两个单模型分别造成的速度慢和准确度低的问题,同时提高了算法的稳定性和抗干扰性。针对当前水面搜救慢,搜索多采用固定式摄像头等低效率的传统方式,本文研究开发了一套由远程终端,本地基站和无人船组成的无人船系统,基于B/S架构设计了远程终端系统,基于C/S架构设计了本地基站;并对数据库进行相应设计、包括目标检测、历史数据回放、一键返航以及定点巡航等功能。该系统突破了传统无人船系统岸基模式的限制,在传统模式的基础上引入了远程终端,方便工作人员远程实时查看当前船体的位置和搜索状态。最后,将本文研发的无人船系统进行实地试验。试验表明,无人船系统各个模块工作正常,通信稳定,并且验证了水面目标检测的准确度和快速性。

基于人脸识别的教室考勤系统的设计与实现

面向病虫害识别的轻量级目标检测算法研究

这是一篇关于深度学习,病虫害识别,YOLOV5,SSD,Faster R-CNN的论文, 主要内容为随着图形处理器(GPU)的处理能力日益强大,基于深度学习的目标检测技术在农作物病虫害识别领域得到了广泛应用。农作物病虫害是制约农作物生长的最复杂、多变且难以克服的因素之一,给我国农业生产带来了巨大的经济损失。传统的病虫害识别方法主要依赖于人工鉴别或机器学习分类器,效率较低且存在误差。而深度学习技术提供了一种更精准、高效的解决方案。尽管基于深度学习的病虫害检测技术日益成熟,但现有深度学习算法的模型体积较大,运算量高,部署在嵌入式设备中成本较高,不利于在病虫害识别场景下的实际应用。因此,在精度与模型复杂度之间寻找平衡显得尤为重要。为了解决深度学习技术在农业病虫害识别领域产业化过程中的重要问题,迫切需要设计一种适用于在计算资源有限的嵌入式设备上部署的轻量化目标检测模型。本文围绕着这一问题,开展的具体工作如下:(1)自建病虫害数据集。针对广西地区特定病虫害数据集缺乏的问题,本文在南宁市武鸣区收集了荷兰豆菜青虫和无核沃柑溃疡病图片,并采用直方图均衡化等一系列数据增强方式扩充至1679张,再用label Img工具标注,建立了一个VOC格式的数据集用于本文全部实验。(2)利用经典目标检测算法构建病虫害识别模型,并设计了两个轻量化的算法——Res Net50-Faster R-CNN和Mobile Netv2-SSD。首先,利用经典的两阶段目标检测算法Faster R-CNN(VGG16-Faster R-CNN)以及一阶段目标检测算法SSD(VGG16-SSD)、YOLOX和YOLOV5,在自建数据集上进行模型构建和实验测试。其次,基于上述研究,针对原始的Faster R-CNN和SSD以VGG16作为特征提取网络而导致计算参数冗余的问题,本文对其特征提取网络进行了优化。优化后的Res Net50-Faster R-CNN相较于原始算法,m AP提高了1.6%,模型体积压缩了70.9%;Mobile Netv2-SSD相较于原始算法,m AP提高了3%,模型体积压缩了83.7%。实验结果表明,设计高效简洁的特征提取网络,可以在提升m AP的同时缩小模型体积。最后,将上述六种模型的性能对比分析,结果表明,改进后的Res Net50-Faster R-CNN和Mobile Netv2-SSD在性能上有所提升,但相比较YOLOV5仍有些许差距。(3)针对原YOLOV5网络结构中普通卷积利用率较高而导致计算成本大的问题,本文提出了一种基于Ghost Net和CA注意力的GCA-YOLOV5算法。采用Ghost Net和CA注意力机制的设计思路,改进YOLOV5的主干网络和颈部网络。实验结果表明,改进后的GCA-YOLOV5相比于原YOLOV5,m AP提高了0.2%,模型体积缩小了56.9%,参数量减少了59.2%,浮点运算量降低了51.5%。此外,在服务器端,将GCA-YOLOV5与上述工作中建立的六种模型进行了全面的性能对比,实验数据显示,GCA-YOLOV5相比于其他模型,具有高精度、少参数量、低计算量、小体积的优越性。在嵌入式设备端,将GCA-YOLOV5与YOLOV5进行推理性能对比分析,实验数据显示,GCA-YOLOV5需要更少的计算资源且处理并行任务的能力更强。因此,本文所提出的GCA-YOLOV5算法为深度学习技术在农业病虫害识别的模型轻量化上提供了一种较好思路。