外来入侵生物智能识别与监测系统的研究和实现
这是一篇关于外来入侵生物,机器视觉,深度学习,MobileNet,轻量化模型的论文, 主要内容为外来入侵生物不断繁殖、扩散,严重威胁我国的农林生态与水生系统,对人畜健康、农业生产和经济发展具有巨大危害。外来入侵生物种类繁多,存在类间同质和类内异质现象,给外来入侵技术人员甄别和防治带来了挑战。因此,外来入侵生物智能识别对早期的预测预警和后期的防治控制具有重要的意义。然而人工野外实地调查工作量较大且数据出错概率高,并且现有的外来入侵生物识别软件难以在野外网络带宽限制的条件下完成识别任务。针对上述问题,本文建立了基于深度学习的外来入侵生物智能识别模型,开发了外来入生物智能识别与监测系统的服务端、Android客户端和Web客户端。主要研究内容与结果如下:(1)外来入侵生物图像识别算法的优化。为了解决因外来入侵生物种类繁多和类内异质、类间同质所造成识别准确率低下的问题,本文提出了基于深度学习的外来入侵生物图像识别改进方法。本文在MobileNet网络基础上,引入基于通道域的注意力机制和深度连接注意力网络,通过消融实验结果可知模型在添加通道域的注意力机制和深度连接注意力网络的准确率分别提高了 3.8和5.9个百分点。(2)轻量化外来入侵生物识别模型的研究。针对在野外不稳定网络状态下也能实现离线识别的需求,本文提出了模型的轻量化改进方法。本文对算法优化后的模型进行BN通道剪枝和知识蒸馏,让模型既实现轻量化也弥补了通道剪枝所造成准确率的降低。通过实验结果可知模型识别准确率较原始模型提高了 6.0个百分点且参数量减少了约50%。最终建立了外来入侵生物识别模型MobileNet-SpeciesLW,测试结果表明,MobileNet-SpeciesLW模型对120种外来入侵生物的识别获得了最高平均准确率、平均召回率和F1值,分别达到了 85.8%、84.6%和85.2%,并且参数量只有2.2M。(3)外来入侵生物智能识别与监测系统客户端和服务端的设计与实现。针对外来入侵生物智能化与轻量化防治的需求,本文搭建了外来入侵生物智能识别与监测系统的客户端与服务端。利用Vue框架实现Web客户端;并在Android Studio环境下实现Android客户端。通过Tomcat搭建应用服务端,实现与客户端之间的请求交互;为满足Web客户端的识别需求,使用开发框架Django建立图像服务端来完成深度学习模型的识别以及识别结果的返回;并使用MySQL关系型数据库存放所有的业务数据。(4)外来入侵生物智能识别与监测系统测试。为了检测外来入侵生物智能识别与监测系统的运行情况,通过功能完整性测试、系统关键功能的接口响应耗时测试、兼容性测试等方法测试了外来入侵生物智能识别与监测系统。测试结果表明,在功能完整性测试中,系统的各项功能均满足测试用例;在系统关键接口响应耗时测试中,系统关键功能的响应耗时满足设计要求;在兼容性测试中,系统可以兼容主流浏览器和主流Android手机,符合设计预期。综上测试结果,外来入侵生物智能识别与监测系统能够在多种浏览器和Android手机上实现外来入侵生物的识别、调查、鉴定和监测功能。
鱼种类智能识别方法研究及应用
这是一篇关于鱼种类识别,卷积神经网络,MobileNet,YOLO,模型部署的论文, 主要内容为针对水产养殖行业鱼的销售过程中手工录入账目信息带来的低效率、易出错和漏记等问题,本文设计了鱼种类智能识别算法和移动端应用软件,实现自动识别鱼的种类,并实时上传价格、售卖时间等信息,能够查看和统计相关信息,减少了录入和统计等工作量。本文分别使用Mobile Net V3与YOLOv5s两种模型进行单目标场景与多目标场景下的鱼种类智能识别,并将其部署应用于移动端设备,最后设计开发了相关应用软件,将鱼种类识别功能落地,并实现了订单查询功能便于用户统计账目。本文具体工作如下:1)针对实际应用场景下数据样本量小的缺陷,自建“wfish-data”数据集,并采用Auto Augment搜索策略预处理数据以增强数据鲁棒性。采用Mobile Net V3模型完成单目标场景下的识别。针对移动端设备算力低、性能差的问题,设计了w-SENet模块使模型在维持原有准确率的情况下最大幅度减小计算量,同时采用Re LU6激活函数对浅层网络进行优化,弥补了由模型缩减带来的精度损失。最后基于Android平台实现了部署落地,并基于该平台完成推理速度提升实验。实验数据表明,数据预处理后模型准确率可达99.1%,模型改进后推理速度得到了提升。2)采用YOLOv5s模型完成多目标场景下的识别。针对多目标场景下目标易被遮挡且被遮挡目标检测效果差的问题,采用区域随机擦除的方法优化被遮挡情况下的模型检测效果。针对移动端设备算力低、无法满足实时性要求的问题,以BN层γ值为衡量标准对模型进行结构化剪枝以缩小模型体积,采用int8量化进一步减少模型计算量,并基于Android平台完成模型部署落地。最后基于部署平台对随机擦除与剪枝量化后的模型进行实验分析。实验结果表明,随机擦除后模型m AP可达97.52%,剪枝量化后推理速度提升较大。3)最后,本文基于两种场景下的鱼种类识别算法设计了移动端App,将识别模型在单目标场景与多目标场景下的应用与功能相结合,实现了实时识别鱼种类、一键上传订单信息、销售信息统计查询等功能。
西乡县茶产业数据服务平台实现
这是一篇关于微信小程序,茶产业数字化管理,MobileNet,茶叶病害识别的论文, 主要内容为本文旨在解决西乡县茶产业数据服务平台所提供的茶叶生产经营数据管理、病害识别和防治的功能服务开发问题。随着当地茶产业快速发展,茶叶种植、加工、销售等环节都需要大量的数据支撑,而传统人工数据管理方式已经无法满足需求。在此背景下依托西北农林科技大学西乡县茶叶试验示范站,对其实际种植生产过程需求分析。主要贡献包括设计一套符合地方特点的茶产业数据服务平台,实现生产管理者在种植经营,修剪施肥,病害识别预防等环节做跟踪记录和指导。具体工作如下:(1)需求分析与基础数据管理功能设计实现。针对生产经营过程中管理效率低,数据难以汇总统计的问题,根据当地实际生产需求和现状,设计实现了西乡县茶产业数据服务平台基础数据功能子模块。设计包括数据库概念结构设计和逻辑结构设计,将系统确定为基于MINA框架设计开发的微信小程序端和与之配套的Express框架茶产业Web管理系统。各功能模块的实现包括登录注册、单位基础信息管理、经营投入、经营产出、各渠道营收、茶园信息、机械设备、施肥修剪数据管理等8个功能子模块。(2)茶叶病害数据集自建与模型优化。根据当地种植者和管理人员缺乏专业的茶叶病害知识,难以及时防治等困难,系统设计实现数据服务平台病害识别功能子模块。该子模块采用基于Mobile Netv3茶叶病害识别流程,包括数据集采集构建、开发环境搭建、数据集预处理及增强、模型超参数设计与评价指标、模型调整优化、训练实验与对比分析等6个部分。(3)茶叶病害分类识别模型对比分析。针对系统搭载移动端平台的特点,需选取轻量级,参数量小的网络模型Mobile Netv3,并引入了Efficient Net和Mobile Netv2网络模型进行对比分析,以评估所提出的模型效果。针对数据集采集场景单一,为增强模型泛化能力,采用离线增强方式,对数据进行运动模糊、添加高斯噪声操作。此外,还对模型超参数调整,小批量随机梯度下降(Mini-Batch Stochastic Gradient Descent,Mini-Batch SGD)替换,学习率自适应矩估计(Adam)等优化,最后通过对比试验在5个疾病分类(云纹叶枯病、茶赤叶斑病、茶圆赤星病、茶饼病、茶炭疽病)上Precision、Recall和F1-Score三项指标均达到95%以上。(4)茶产业数据服务平台系统测试。在系统测试方面,针对平台功能进行了黑盒和白盒功能测试,包括对基础数据管理8个模块和病害分类识别的功能性测试以及对整个平台小程序的性能测试,并且评估测试结果,验证了该平台的稳定性和可靠性。
西乡县茶产业数据服务平台实现
这是一篇关于微信小程序,茶产业数字化管理,MobileNet,茶叶病害识别的论文, 主要内容为本文旨在解决西乡县茶产业数据服务平台所提供的茶叶生产经营数据管理、病害识别和防治的功能服务开发问题。随着当地茶产业快速发展,茶叶种植、加工、销售等环节都需要大量的数据支撑,而传统人工数据管理方式已经无法满足需求。在此背景下依托西北农林科技大学西乡县茶叶试验示范站,对其实际种植生产过程需求分析。主要贡献包括设计一套符合地方特点的茶产业数据服务平台,实现生产管理者在种植经营,修剪施肥,病害识别预防等环节做跟踪记录和指导。具体工作如下:(1)需求分析与基础数据管理功能设计实现。针对生产经营过程中管理效率低,数据难以汇总统计的问题,根据当地实际生产需求和现状,设计实现了西乡县茶产业数据服务平台基础数据功能子模块。设计包括数据库概念结构设计和逻辑结构设计,将系统确定为基于MINA框架设计开发的微信小程序端和与之配套的Express框架茶产业Web管理系统。各功能模块的实现包括登录注册、单位基础信息管理、经营投入、经营产出、各渠道营收、茶园信息、机械设备、施肥修剪数据管理等8个功能子模块。(2)茶叶病害数据集自建与模型优化。根据当地种植者和管理人员缺乏专业的茶叶病害知识,难以及时防治等困难,系统设计实现数据服务平台病害识别功能子模块。该子模块采用基于Mobile Netv3茶叶病害识别流程,包括数据集采集构建、开发环境搭建、数据集预处理及增强、模型超参数设计与评价指标、模型调整优化、训练实验与对比分析等6个部分。(3)茶叶病害分类识别模型对比分析。针对系统搭载移动端平台的特点,需选取轻量级,参数量小的网络模型Mobile Netv3,并引入了Efficient Net和Mobile Netv2网络模型进行对比分析,以评估所提出的模型效果。针对数据集采集场景单一,为增强模型泛化能力,采用离线增强方式,对数据进行运动模糊、添加高斯噪声操作。此外,还对模型超参数调整,小批量随机梯度下降(Mini-Batch Stochastic Gradient Descent,Mini-Batch SGD)替换,学习率自适应矩估计(Adam)等优化,最后通过对比试验在5个疾病分类(云纹叶枯病、茶赤叶斑病、茶圆赤星病、茶饼病、茶炭疽病)上Precision、Recall和F1-Score三项指标均达到95%以上。(4)茶产业数据服务平台系统测试。在系统测试方面,针对平台功能进行了黑盒和白盒功能测试,包括对基础数据管理8个模块和病害分类识别的功能性测试以及对整个平台小程序的性能测试,并且评估测试结果,验证了该平台的稳定性和可靠性。
基于FPGA和CNN的车辆目标检测系统设计
这是一篇关于FPGA,车辆检测,MobileNet,硬件加速的论文, 主要内容为随着我国经济快速发展,国民汽车持有量不断增长,给城市交通带来严峻挑战。为缓解交通阻塞和减少交通事故发生率,中国智能交通系统(ITS)迅速发展。车辆检测作为其中一项关键技术,实时的反馈交通信息显得尤为重要。近年来,传统方法的车辆目标检测效果表现平平,而基于深度学习的车辆目标检测方法逐渐成为主流算法。但其较高的计算量成为移动端设备部署的难题,在实时性和低功耗方面往往不能兼得。FPGA因其高并行性和流水线处理等特性,不仅在处理速度和功耗方面有较大优势,而且可重构设计灵活便捷。故本文基于FPGA进行车辆目标检测系统设计。本文采用CPU+FPGA异构计算平台方式进行车辆目标检测系统设计。CPU端负责完成基于卷积神经网络Mobile Net的车辆目标检测算法设计,将训练好的网络参数通过光纤模块传输至FPGA中;FPGA端利用逻辑电路搭建网络模型结构,对摄像头OV5640采集到的视频图像进行实时车辆目标检测,通过HDMI将视频图像和车辆目标检测结果在显示屏上实时显示。本文主要研究内容包括:(1)对系统进行自上向下的模块化设计,对数据通信、图像采集和显示控制等模块进行流水线和并行处理;(2)设计一种通用型卷积计算引擎,适用于Mobile Net中所有卷积层的计算,同时对不同类型卷积层进行多通道并行和资源循环复用设计,提高计算速度的同时减少资源消耗;(3)根据FPGA的处理特性,选用轻量型卷积神经网络Mobile Net作为车辆目标检测算法的基础,通过合理的设置宽度因子α和分辨率因子β对网络模型进行压缩瘦身,并对网络参数进行定点化设计;(4)将网络模型中的卷积层和批量归一化进行层融合设计,简化其在FPGA中逻辑电路结构的设计,提高计算效率。最终,基于Xilinx的XC7K325 FPGA芯片,采用Verilog硬件描述语言完成系统硬件设计。对优化后的算法进行硬件部署,在50MHz时钟频率下,系统总功耗为2.89W,车辆检测算法部分功耗为0.688W,检测帧率可以达到52.69fps。与近几年相关文献相比,本设计硬件资源消耗较少,且处理速度和功耗方面具有一定的优势。
基于FPGA的MobileNet卷积神经网络加速器的设计与研究
这是一篇关于卷积神经网络,MobileNet,协处理加速器,FPGA的论文, 主要内容为为了应对层出不穷的交通事故,保障人民的生命财产安全,自动驾驶技术的推进越来越受到人们的关注。针对自动驾驶场景中的路标识别问题,人工智能技术以其高宽容性与高准确度的优势,成为解决该问题的关键技术之一被广泛使用。作为人工智能的一个子领域,卷积神经网络(Convolutional neural network,CNN)是一种通过使用大量网络参数对从传感器采集到的图片进行分类的深度神经网络模型。由于其高精度和高泛化能力,在图像识别和目标检测领域得到广泛关注,已经成为该领域的研究热点。本课题来自于企业合作项目,针对轻量级计算的物联网边缘或端设备,设计了一种基于MobileNet神经网络模型的协处理加速器,用于加速汽车自动驾驶场景下的路标识别能力。通过量化技术将网络模型压缩,使模型大小适应存储受限需求,并通过设计合理的数据传输与缓存措施,大幅提升加速器的吞吐率,再配合数字电路的高并行性计算特点,使最终加速性能达到实时性需求。本工作首先针对MobileNet网络结构进行了并行化分析,提出一种基于深度可分离卷积的并行化结构设计方法。采用该方法在计算量及参数量上相对于传统卷积方法具有更为突出的轻量化优势。设计中针对量化至INT8类型的模型,在理论上推导出硬件实现的计算方法,相比于原始未量化模型98.39%的Top1准确率,量化后的准确率仍可达到97.79%。其次,本工作以自顶向下的设计模式,将MobileNet加速器以协处理器的形式,配合主控核心Cortex-A9进行协同设计,通过AXI总线协议对加速器进行寄存器配置,并使用DMA配合AXI-Stream协议进行大量网络参数传输,以此达到片内互联需求。本文的重点是软硬件设计。通过上述的计算理论与硬件实现规划,本文使用Verilog硬件描述语言,配合Xilinx提供的专用IP等,完成了硬件加速协处理器的设计。针对数据传输中存在的瓶颈,本文通过使用pingpong buffer提前缓存网络参数,并妥善设计加速器中的数据流,最大化复用片上存储,使最终峰值达到50GOPs。在卷积计算中,本文采用加法树配合流水线设计,并针对不同卷积计算细节,设计了对应的状态跳转控制循环的方式,提升整体运算效率。同时,为了进一步降低布局布线面积,本文在硬件设计中还采用了FPGA专用器件代替LUT等方式,节省了大约60%片上LUT资源的使用。另一方面,为了增强所设计的加速器的可移植性,便于用户使用,本文还设计了配合硬件部分的C++软件部分代码,通过软件部分便捷配置加速器寄存器,控制网络参数传输等。最后,本文将设计出的硬件部分部署至FPGA器件上,首先对使用的MobileNet模型在德国交通标志数据集上进行预测准确度分析,结果表明,在测试集上使用所设计的加速器进行预测,其准确度为97.79%,与量化后模型的准确度一致,说明在预测准确率上,本次设计可以满足自动驾驶中的准确识别要求。其次,使用所设计的加速器进行图片预测,与PC平台上使用GPU等进行预测的计算结果是一致的,表明设计的功能是正确的。第三,通过Vivado布局布线后分析,加速器整体资源占用满足FPGA器件中的资源数量要求,这表明本次设计可以满足计算端设备的资源限制要求。最后,通过各个平台间的加速性能与功耗对比,本次设计的硬件加速器加速性能是CPU平台的65.48倍,与GPU平台的推理时间相近,并且设计出的加速器功耗仅为GPU平台的1/21。相比于国内外的其他设计,本设计在加速性能、计算性能以及功耗方面均达到了优秀效果,可见本次设计达到了神经网络加速器的先进水平。
基于生成对抗网络的显微热成像系统超分辨率重建
这是一篇关于显微热成像,生成对抗网络,超分辨率重建,注意力机制,MobileNet的论文, 主要内容为显微热成像系统可以观测并记录分析细微目标的温度变化过程,在一些基于细微热分析进行无损检测的领域有着广阔的应用前景。课题组前期基于非制冷焦平面探测器和光学微扫描技术搭建了一款新型的光学微扫描显微热成像系统。然而该系统采集的显微热图像存在图像质量差、空间分辨率低等问题。为解决以上问题,本文基于图像处理和深度学习理论,研究图像增强算法与图像超分辨率重建算法,主要工作如下:首先,针对红外显微热图像动态范围大、图像模糊等问题,对传统图像增强算法进行改进,提出一种基于图像预处理、形态学腐蚀及引导滤波的图像增强算法。该算法对图像边缘和非边缘像素分别处理,在增强对比度的同时强化细节,有效改善单一方法不能兼顾图像内部细节和边缘轮廓的问题,仿真及实验结果表明该算法能够改善图像质量,增强图像视觉效果,为后续超分辨率重建提供理论基础。其次,针对红外显微热图像信噪比及空间分辨率低等问题,对SRGAN算法进行改进,提出SMC-SRGAN算法;该算法对SRGAN中生成网络的残差块重新设计,即将原始残差块中的两个BN层删除,将激活函数Re LU替换为SMU,加入CBAM注意力机制。然后,将SMC-SRGAN与四种超分辨率重建算法进行仿真对比分析;最后,将SMC-SRGAN与图像增强算法进行结合,并在实际显微热成像系统上进行验证。最后,针对SMC-SRGAN算法网络参数量大、图像重建时间长等问题,对SRGAN算法进行改进,提出SRGAN-Lightning算法。首先,为提高算法的计算效率和精度,构建SE-Mobile Net V2模块,即在Mobile Net V2的Bottleneck结构中加入注意力机制SEnet,并将其扩充通道第一个1×1卷积层的Channel变为原来的1/4;然后,针对SMC-SRGAN网络层数深、计算量大的问题,将生成网络中的残差块替换为SE-Mobile Net V2,从而得到SRGAN-Lightning;最后将SRGAN-Lightning与包括SMC-SRGAN算法在内的五种算法进行仿真对比分析,结果证明了所提算法的有效性。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码客栈网 ，原文地址：https://bishedaima.com/lunwen/47877.html
