基于工作流技术的移动管道传输规划系统的设计与实现

这是一篇关于工作流,AOV网,轻量级模型,JBPM,管道传输规划的论文, 主要内容为在中国通信行业全业务背景下,网络建设需求不断变更,网络规划越来越注重信息的沟通和统一管理,传统的网络规划方式已不再适用,寻求信息化的支撑手段迫在眉睫。通信管道规划作为网络规划的重要组成部分,实现其信息管理系统具有重要的现实意义。工作流技术作为企业信息化建设过程中的重要指导思想,能够实现业务过程与IT操作的分离,从而实现业务人员与技术人员的明确分工,充分响应业务创新的要求。并且它能够在不改变系统具体功能的前提下,通过修改业务流程模型来实现业务过程的快速重组。因此,将工作流技术引入管道传输规划系统可以增强系统应对需求变更的敏捷性。 首先,本文在深入研究工作流理论的基础上,提出了一种基于改进AOV网的轻量级工作流模型来应对复杂的管道规划业务过程,且给出了模型的定义、过程调度算法以及模型的验证方法,并以此作为理论基础,对开源的工作流框架——JBPM进行改造,实现了适用于本系统的轻量级工作流框架,降低了系统流程建模时的复杂度。 其次,为了使系统实现结果贴近系统需求,提高系统设计效率,本文提出了一个新的系统设计方法论,该方法论主要包括系统的组织模型设计、流程模型设计、功能设计、安全性设计以及数据库设计,其中组织模型设计和流程模型设计作为后续设计环节的基础,均需要业务人员的参与,这样的设计方式为系统业务人员和开发人员之间搭建了沟通的桥梁,降低了需求沟通成本。 再次,基于工作流技术实现了系统的具体功能和流程运转,并对系统中的两个特殊流程模式——会审和回退分别进行实现,且扩展了JBPM的流程历史功能,实现了详细的流程历史跟踪模块。 最后,对系统的工作流模型及流程调度算法进行测试。并给出两种测试方案,在系统页面功能已经实现的基础上进行黑盒测试,在只有工作流模型的前提下进行白盒测试。测试结果证明,本文所提出的工作流模型及其调度算法在系统中运行正确。 本系统实现了管道规划的人工操作向计算机信息自动化、智能化的模式转变,提高了工程管理的效率、降低了信息沟通的成本,并且通过工作流技术的引入,充分响应业务需求的快速变更,达到了管道规划过程中降本增效的目的。

云-边协同的人体姿态估计方法与应用研究

这是一篇关于人体姿态估计,轻量级模型,深度学习,云-边协同,服务质量的论文, 主要内容为人体姿态估计是指从包含人体的图像和视频等输入数据中定位人体的各个关节点,并构建人体姿态表征(如骨架模型等),是动作分析、人机交互等诸多应用的基础关键技术。尽管基于卷积神经网络的方法已经在人体姿态估计任务上有了较好的表现,但是这些方法应用于实际应用中时仍然存在一些挑战。第一,面对现实中的复杂环境(例如拥挤、明暗变化、遮挡等),如何确保方法的性能。第二,当前大多数方法往往是以提升网络复杂度来确保方法性能的提升,而复杂的网络模型难以直接应用在计算资源有限、时延敏感等场景中。第三,在基于云计算的环境中,复杂网络模型的训练需要消耗更多的计算及宽带资源,导致较高的时延,降低数据的安全性。针对以上问题,本文进行了以下几个方面的研究工作:(1)提出了一个基于MLP-Mixer的人体姿态估计算法。针对复杂环境中人体姿态难以检测的问题,本文设计了一个新的模型—MLPPose。通过将MLP-Mixer层与卷积嵌入相结合,获取不同关键点之间的依赖关系,并有效地捕捉关键点与场景之间的全局依赖关系,从而提升了模型对于复杂关节点的检测能力。实验表明,相比于卷积神经网络和transformer等方法,该算法在取得较好性能的同时拥有更少的计算量和参数。(2)提出了一个新的轻量级模型—Lite Net。针对模型存在高复杂度,难以应用到资源受限终端的问题,本文在MLP-Mixer的基础上,设计了一个能够提取图像全局依赖关系的轻量级模块—长短距离卷积模块(Long-Short Range Convolution,LSRC),并设计了反卷积融合模块(Convolution Fusion Deconv)去提升模型的能力。实验表明,相比于自注意力机制,Lite Net能够以更低的模型复杂度取得更好的性能。(3)设计了一种云-边协同的人体姿态估计方法。针对云计算方式下,人体姿态模型资源高消耗、检测高延时的问题。本文将边缘计算、云计算与轻量级人体姿态估计模型进行融合,设计了一种基于云-边协同的的人体姿态检测方案,该方案通过结合云中心和边缘节点与轻量型模型各自的优势,使其满足资源受限终端使用以及检测速度要求的同时能够有效的减少计算资源的消耗、提升检测速度、保障数据安全。综上所述,本文的研究工作旨在研究云-边协同的人体姿态估计方法与应用,提出的方法具有递进关系:首先基于MLP-Mixer的方式能够提升模型对于拥挤、明暗变化、遮挡等复杂环境的检测性能。其次基于长短距离卷积的模型在前一种方法的基础上进行了模型轻量化操作,使其能够更好的用于资源受限设备。最后基于云-边协同的检测方案将前一种轻量型算法进行具体应用部署,降低了资源消耗和检测时延。

深度学习在农作物病害图像识别中的研究与应用

这是一篇关于深度学习,农作物病害,图像识别,卷积神经网络,轻量级模型的论文, 主要内容为农作物病害一直是农业生产的主要威胁之一,极大地降低了农产品的产量和质量。传统病害识别方法存在成本高、效率低等问题,难以满足现代农业的要求。随着人工智能技术的不断发展,利用深度学习进行农作物病害图像识别已成为研究热点,卷积神经网络可以自动提取特征进行端对端的学习,获得更好的识别效果,但也存在计算成本大、移动端部署难等问题。本文以提高模型的识别精度和训练速度、降低模型计算成本和规模为目标,基于深度学习开展农作物病害图像识别的相关研究,主要内容如下:(1)针对苹果叶片病害图像的识别,提出一种基于混合注意力机制残差网络(CBAM-Res Net)和迁移学习的方法。通过对残差网络Res Net50的原始残差块进行改进,并嵌入串联的通道注意力模块和空间注意力模块,使模型能够在训练过程中更关注重要信息区域,有效地对苹果叶片病害进行特征提取;同时采用迁移学习对模型的全连接层重新设计后进行训练,提升了网络的表达能力,识别准确率能够达到95.5%。(2)针对番茄叶片病害图像的识别,提出一种改进的轻量级模型(MCA-Mobile Net)和基于Wasserstein距离的生成对抗网络的方法。在Mobile Net V2的基础上嵌入改进后的多尺度特征融合模块和坐标注意力模块,使模型能够在提升识别精度的同时减少计算成本;同时采用WGAN对原始数据集进行数据增强,使番茄病害图像数据更加丰富,提升了模型的鲁棒性,识别准确率能够达到94.11%,参数量仅有2.75M。(3)针对葡萄叶片病害图像的识别,提出一种改进的轻量级模型(HC-Efficient Net)和集成学习的方法。在Efficient Net V2的基础上结合混合空洞卷积进行改进,使模型进一步增大感受野,获取了更多的病害特征;引入坐标注意力模块代替原始模型中的注意力模块,提升了模型的全局关注能力;同时采用多个单一分类器进行集成学习,有效减小了模型学习过程中产生的偏差,提高了模型的特征提取能力,识别准确率能够达到95.29%,参数量仅有2.06M。本文针对不同数据集,从提升模型性能和减小模型规模两个角度进行研究,为深度学习在农作物病害识别上提供了新的方法。

基于无人机的道路监测系统设计与实现

这是一篇关于小目标检测,轻量级模型,道路监测系统,深度学习,安卓开发的论文, 主要内容为传统的道路监控探头在处理交通事故中需要专业人员手动找到违规人员和肇事车辆,这样不仅效率低下,且因为探头被固定安装带来了机动性差、视野狭窄等问题。将无人机摄像头作为道路监控探头具有体积小、成本低、视野广阔、灵活性高等优点,此外,运用基于视觉的目标检测技术对无人机影像进行智能化分析可以快速且准确的定位地面的行人及车辆,同时大幅度提升监测效率。基于上述背景,本文对行人及车辆目标检测技术展开了研究,并基于安卓开发和目标检测设计并实现了一个道路监测系统,主要工作如下:1)对基于深度学习的行人及车辆检测算法进行理论研究和实验分析。为了增强模型的泛化能力,独立标注了无人机拍摄和网络视频截图的图片,与部分Visdrone2019图片一同构成本文使用的数据集。虽然基于深度学习的目标检测和传统算法相比,其可以学习到不同的辨别性特征,且泛化能力更强,但网络复杂度的增加使其在便携式设备上的移植出现了困难。针对上述问题,本文选取了一个轻量级检测模型YOLOv5s,其检测速度快、检测效果佳、计算量小且模型体积仅为14.4MB,降低了对系统算力的要求。此外还通过处理数据集以及调节训练时参数优化检测模型,使得m AP(mean average precision)上升2.0%。2)针对无人机视角下密集区域小目标检测问题,改进了检测模型网络结构。无人机需要在复杂多变的环境中监测地面情况,其飞行较高时地面目标尺寸会变得很小,给目标检测带来了困难。本文在Backbone部分加入了CBAM注意力机制,同时在Neck部分增加了一个小目标检测层,使得检测模型的m AP提升7.6%。针对无人机摄像头在飞行中可能会出现的角度变化、遮挡、镜头模糊等问题,对改进后的模型进行了鲁棒性分析,实验结果表明改进后的模型具有较强的稳定性和适应能力。3)基于安卓移动应用程序开发及Py Torch转ncnn技术,将改进后的检测模型部署到算力弱、价格低廉、易携带、功耗低以及可扩展性高的安卓设备上,实现无人机摄像头在线对行人及车辆进行监测。为了使系统更加智能化,还引入了在线的高德2D地图,添加了若干与自主飞行相关的可交互按钮,用户可以根据自己的需求定制飞行任务,实现无人机在自主飞行时对地面目标监测。经过测试,此道路监测系统可以在线检测行人及车辆,系统可用且检测效果好。

基于无人机的道路监测系统设计与实现

这是一篇关于小目标检测,轻量级模型,道路监测系统,深度学习,安卓开发的论文, 主要内容为传统的道路监控探头在处理交通事故中需要专业人员手动找到违规人员和肇事车辆,这样不仅效率低下,且因为探头被固定安装带来了机动性差、视野狭窄等问题。将无人机摄像头作为道路监控探头具有体积小、成本低、视野广阔、灵活性高等优点,此外,运用基于视觉的目标检测技术对无人机影像进行智能化分析可以快速且准确的定位地面的行人及车辆,同时大幅度提升监测效率。基于上述背景,本文对行人及车辆目标检测技术展开了研究,并基于安卓开发和目标检测设计并实现了一个道路监测系统,主要工作如下:1)对基于深度学习的行人及车辆检测算法进行理论研究和实验分析。为了增强模型的泛化能力,独立标注了无人机拍摄和网络视频截图的图片,与部分Visdrone2019图片一同构成本文使用的数据集。虽然基于深度学习的目标检测和传统算法相比,其可以学习到不同的辨别性特征,且泛化能力更强,但网络复杂度的增加使其在便携式设备上的移植出现了困难。针对上述问题,本文选取了一个轻量级检测模型YOLOv5s,其检测速度快、检测效果佳、计算量小且模型体积仅为14.4MB,降低了对系统算力的要求。此外还通过处理数据集以及调节训练时参数优化检测模型,使得m AP(mean average precision)上升2.0%。2)针对无人机视角下密集区域小目标检测问题,改进了检测模型网络结构。无人机需要在复杂多变的环境中监测地面情况,其飞行较高时地面目标尺寸会变得很小,给目标检测带来了困难。本文在Backbone部分加入了CBAM注意力机制,同时在Neck部分增加了一个小目标检测层,使得检测模型的m AP提升7.6%。针对无人机摄像头在飞行中可能会出现的角度变化、遮挡、镜头模糊等问题,对改进后的模型进行了鲁棒性分析,实验结果表明改进后的模型具有较强的稳定性和适应能力。3)基于安卓移动应用程序开发及Py Torch转ncnn技术,将改进后的检测模型部署到算力弱、价格低廉、易携带、功耗低以及可扩展性高的安卓设备上,实现无人机摄像头在线对行人及车辆进行监测。为了使系统更加智能化,还引入了在线的高德2D地图,添加了若干与自主飞行相关的可交互按钮,用户可以根据自己的需求定制飞行任务,实现无人机在自主飞行时对地面目标监测。经过测试,此道路监测系统可以在线检测行人及车辆,系统可用且检测效果好。

基于深度学习的条烟溯源隐形码文字识别技术研究及实现

这是一篇关于OCR,深度学习,移动端部署,条烟溯源,轻量级模型的论文, 主要内容为OCR作为计算机视觉领域中的热门方向之一,其产品的落地与应用可以极大地方便人们的日常工作和生活。传统OCR技术对于文档文本的识别己经十分成熟,但在自然场景下,由于背景复杂、文字多样,面向通用领域的图片文本识别仍然是一项具有挑战性的任务,需要不断地探索和改进。目前场景文字识别模型的落地更多是针对某个垂类进行建模以取得更好的效果。因此,本文以基于隐形码的条烟溯源为应用背景,以移动设备的场景文字识别作为主要研究内容,针对深度学习模型在移动设备上的模型结构及训练策略进行优化,并设计移动端应用程序及与其配套的一体化平台。本文的主要工作如下:1.标注并整理条烟隐形码数据集,用以解决通用场景文字数据集在应用中效果极差的问题。条烟隐形码是一种在特殊灯光下才能看到的文字,其形状与生活中常见的文字存在较大差异。2.分析通用场景下的评估标准,定义适用于条烟隐形码的评估指标,并依据新的评估指标对OCR两个阶段的多个模型进行仿真实验对比,选择出综合性能良好的DBNet和CRNN模型作为基础模型。3.针对基础模型的结构和训练策略进行优化,并根据移动设备的特点构建了适合其使用的隐形码识别模型。在保证识别准确率的情况下,模型体积缩小为基础模型的1/7左右,移动设备运行时间也减少到基础模型的1/3左右。4.提出隐形码识别校正处理方法,该方法利用BiLSTM模型和启发式的校正修复策略进行隐形码的信息检查及修复,提高了隐形码解析的准确率。5.设计并实现“隐形码识别APP”及与其配套的隐形码管理一体化平台,将深度学习技术应用于条烟的溯源过程。

面向电力营销知识图谱的自然语言理解方法研究

这是一篇关于电力营销,知识图谱,自然语言理解,编码融合,轻量级模型的论文, 主要内容为随着自然语言处理技术的不断发展,智能对话系统在各个应用领域得到了广泛的应用。从电商客服对话机器人,到景区语音对话助手,通过与用户进行自然语言的交互问答,快速地提供解决方案和服务。近年来,电力行业信息化与智能化不断融合,通过智能问答为用户提供检索服务也成为趋势。对话系统中自然语言理解是核心模块,它通过对用户输入的自然语言进行解析和理解,帮助对话系统充分了解用户意图并准确提取关键信息,以便进行高质量的数据查询和分析服务。本文面向电力营销领域的指标问答应用,设计并构建了一个包含领域背景知识以及各类指标数据的业务知识图谱。针对指标问答任务,利用图谱知识设计了相应的自然语言理解任务,实现了融合知识编码的自然语言理解模型,以识别出用户问题中对应的业务领域、查询意图和槽,并根据应用需求研究实现了模型的轻量化部署方法。本论文的贡献主要包括三个方面:(1)设计和构建了面向电力营销领域的领域知识图谱。本文首先利用领域专家梳理后的基础业务数据表之间的关系,在电力营销的业务系统数据库的实体-关系模型(ER模型)基础上,构建了一个概念本体。接着,对业务数据库的数据表进行遍历,通过数据清洗、数据筛选以及特征选择等操作,获得知识图谱实例,存储到图数据库Neo4j中。知识图谱的信息辅助自然语言理解任务设定相应的领域、意图、槽,同时为自然语言理解模型提供额外的知识表示。(2)提出了融合领域知识的少样本自然语言理解模型。自然语言模型的性能依赖大量的标注数据。然而,领域应用通常缺乏历史数据,人工收集标注数据成本太高。由此本文提出了基于编码融合的少样本自然语言理解模型,通过引入电力营销的领域知识丰富自然语言的表示。具体来说,在编码阶段,将领域术语对应的知识融合到模型编码中,增强模型对样本中未出现标识的理解。实践表明,引入领域知识确实可以弥补训练样本的不足,并显著提高模型的准确性。(3)实现了基于早退机制和知识蒸馏的轻量级自然语言理解模型。本文将早退机制和知识蒸馏两种方法结合在一起对自然语言理解模型进行了压缩和优化,以确保在实际应用场景中具备快速推理能力同时满足部署成本控制的需求。该方法在保持性能下降幅度不大的情况下,有效地降低模型的复杂度和计算资源需求。综上所述,本文基于电力领域数据设计并构建了电力营销领域知识图谱,在此基础上构建了基于编码融合的少样本自然语言理解模型。为了在保持模型性能的同时提升推理速度,本文提出了一种基于早退机制和知识蒸馏的轻量化模型构建方法。最终,该轻量化模型通过API接口的形式集成在现有的电力营销系统中,提高了相关工作人员进行企业信息查询的效率。

基于工作流技术的移动管道传输规划系统的设计与实现

这是一篇关于工作流,AOV网,轻量级模型,JBPM,管道传输规划的论文, 主要内容为在中国通信行业全业务背景下,网络建设需求不断变更,网络规划越来越注重信息的沟通和统一管理,传统的网络规划方式已不再适用,寻求信息化的支撑手段迫在眉睫。通信管道规划作为网络规划的重要组成部分,实现其信息管理系统具有重要的现实意义。工作流技术作为企业信息化建设过程中的重要指导思想,能够实现业务过程与IT操作的分离,从而实现业务人员与技术人员的明确分工,充分响应业务创新的要求。并且它能够在不改变系统具体功能的前提下,通过修改业务流程模型来实现业务过程的快速重组。因此,将工作流技术引入管道传输规划系统可以增强系统应对需求变更的敏捷性。 首先,本文在深入研究工作流理论的基础上,提出了一种基于改进AOV网的轻量级工作流模型来应对复杂的管道规划业务过程,且给出了模型的定义、过程调度算法以及模型的验证方法,并以此作为理论基础,对开源的工作流框架——JBPM进行改造,实现了适用于本系统的轻量级工作流框架,降低了系统流程建模时的复杂度。 其次,为了使系统实现结果贴近系统需求,提高系统设计效率,本文提出了一个新的系统设计方法论,该方法论主要包括系统的组织模型设计、流程模型设计、功能设计、安全性设计以及数据库设计,其中组织模型设计和流程模型设计作为后续设计环节的基础,均需要业务人员的参与,这样的设计方式为系统业务人员和开发人员之间搭建了沟通的桥梁,降低了需求沟通成本。 再次,基于工作流技术实现了系统的具体功能和流程运转,并对系统中的两个特殊流程模式——会审和回退分别进行实现,且扩展了JBPM的流程历史功能,实现了详细的流程历史跟踪模块。 最后,对系统的工作流模型及流程调度算法进行测试。并给出两种测试方案,在系统页面功能已经实现的基础上进行黑盒测试,在只有工作流模型的前提下进行白盒测试。测试结果证明,本文所提出的工作流模型及其调度算法在系统中运行正确。 本系统实现了管道规划的人工操作向计算机信息自动化、智能化的模式转变,提高了工程管理的效率、降低了信息沟通的成本,并且通过工作流技术的引入,充分响应业务需求的快速变更,达到了管道规划过程中降本增效的目的。

基于超声图像的轻量级甲状腺结节辅助诊断算法研究

这是一篇关于甲状腺结节,轻量级模型,注意力机制,EDSResNet,HETDCNet的论文, 主要内容为目的:甲状腺癌是最常见的癌症之一,其首发症状是位于颈部的甲状腺结节。为辅助甲状腺结节的诊断工作,近年来国内外研究人员已提出了诸多相关的计算机诊断算法。这些算法虽然取得了较高的准确率,但是算法中用到的深度学习模型复杂程度高,参数量和计算量庞大。大参数量的模型容易使运行设备在硬件方面受到限制,从而无法正常工作。庞大的计算量则导致了较长的推理时间,不利于诊断的实时性。除准确率外,设备普适性和推理速度也是决定模型能否实际应用于临床一线的重要因素。本文开展基于超声图像的甲状腺结节辅助诊断算法研究,构建针对甲状腺结节诊断的轻量级网络模型,以切实帮助临床医生筛查甲状腺结节,提高诊断精度和效率。方法:首先,为了更充分地训练模型,提升模型的泛化能力,采用水平、垂直平移和0-360度范围内的随机旋转对数据集进行扩充。由于实验所用的部分甲状腺结节超声图像数据存在亮度低、对比度差的问题,使用对比度受限制的自适应直方图均衡化算法来提高甲状腺结节主体部分与周围背景的对比度,突出结节的病灶区域。其次,在Res Net-34的基础上提出了轻量级残差网络EDSRes Net。通过引入深度可分离卷积来简化残差模块,重新设计了卷积结构以此来保留更多的特征信息,并使模型更具鲁棒性。在残差模块中引入注意力机制,在通道维度上对特征图的有效信息进行提取。最后,提出了基于双池化压缩注意力机制的卷积神经网络HETDCNet。以Dense Net-121为骨干,旨在加强图像特征的重复利用。提出了DCAM注意力机制模块,采用两种不同池化对特征图进行压缩,通过全连接层和激活函数层生成权重向量,DCAM模块在权重提取时可以更好地关注到图像内部的纹理信息,提升模型对甲状腺结节的识别能力。使用异构卷积替换模型的标准卷积,以此来降低参数量和计算量。改进了稠密块结构,以此来优化梯度下降的过程并增强学习特征的能力。结果:EDSRes Net在甲状腺结节超声图像数据集的准确率、敏感度、特异度分别为92.4%、94.5%、91.7%,较Res Net-34分别提升了0.9%、1.3%、0.6%,参数量仅为改进前的6.6%,FLOPs仅为改进前的10%。HETDCNet的准确率、敏感度、特异度分别达到94.5%、96.3%和92.5%,参数量和FLOPs仅为1.6×106和1.6×108。实验表明,HETDCNet在准确率和敏感度方面优于所有的对比模型,在特异度方面仅次于VGG-16。结论:本文提出了EDSRes Net和HETDCNet两种深度学习模型,能够通过超声图像对甲状腺结节进行自动诊断。EDSRes Net在拥有较小参数量和计算量的情况下,能够出色地识别甲状腺结节的良恶性。HETDCNet相比EDSRes Net拥有更少的计算量,且加强了图像特征的重用,分类性能也得到了进一步提升,更具临床适用性。本研究有效解决了已有甲状腺结节辅助诊断算法中存在的参数量和计算量庞大的问题,并保证了分类精度,对于当前甲状腺结节的临床诊断具有重要的现实意义。