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。

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。

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。

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。

基于深度学习的网箱养殖鱼类体表疾病自动监测研究

这是一篇关于网箱养殖,鱼病识别,深度学习,YOLO,注意力机制,MobileNet,GELU,深度可分离卷积的论文, 主要内容为水产养殖是全球粮食生产中增长最快的高蛋白资源来源,被认为是满足日益增长的粮食需求的最有效和可持续的主要方法,有助于全球经济发展和社会稳定。全球水产养殖产量达到1.145亿吨,其中鱼类(如鳍类、贝类和甲壳类)产量为8210万吨。中国是世界上最大的水产养殖生产国,2020年中国的水产养殖产量占全球总量的57.50%,其中养殖产量达到5224.20万吨。养殖鱼类的疾病被认为是影响许多水产养殖鱼种可持续生长的主要问题,因此,发现和识别病鱼的时效性和准确性对于预防鱼类疾病的爆发和及时进行治疗至关重要,从而避免鱼类大量死亡,降低渔民和相关养殖企业的经济损失。传统的鱼病监测需要有专业知识的工作人员人工实时监测,存在一些局限性。因此,使用图像识别技术结合病鱼检测的相关知识,使用计算机分析视频中的鱼体表异常来评估鱼的健康状况代替人工鱼病检测,结合深度学习方法可以有效实现水下复杂场景下的养殖病鱼检测,提高检测的准确性,减少人工鱼病检测所消耗的人力物力。本文针对网箱养殖中易发生鱼病且人工实时监测养殖鱼类健康状况成本极高且难以实现从而导致较高的经济损失的问题。本研究基于2021年和2022年澎湖号远洋养殖网箱(珠海蜘洲岛养殖渔场)和长鲸一号远洋养殖网箱(长岛县大钦岛海域)的养殖鱼群图像和视频数据,采用基于深度学习的YOLO v4模型,提出了一种自动监测网箱养殖鱼类健康状况的方法。主要的工作与结果如下:(1)设计了鱼病的图像获取系统,构建了鱼病数据集。因为基于深度学习的鱼病识别的数据集空缺,依托于专家指导和专著指导,搭建了基于网络爬虫的图像获取系统采集百度图片、bing图片和谷歌图片作为网络图像数据集,结合芦潮港(上海市浦东新区南汇新城镇)鱼市拍摄的照片、澎湖号远洋养殖网箱(珠海蜘洲岛)拍摄的照片和黄海长鲸一号远洋养殖网箱(长岛县大钦岛海域)的水下云台设备采集的视频设备拍摄视频共同组成了鱼病数据集。该数据集包括正常鱼类图像、患水霉病鱼类图像、患出血病鱼类图像、患小瓜虫病鱼类图像、患纤毛虫病鱼类图像和患本尼登虫病鱼类图像共650张,并对鱼病数据集完成标注。(2)因养殖病鱼的数据获取难度高且具有一定的特殊性,在充分考量鱼类的水下高斯模糊、光照变化和鱼类游动角度的实际情况基础上提出了鱼类数据增强标准,对养殖鱼病数据进行数据增强。在对鱼类数据在水下去雾操作增加清晰度的基础上,再对图像进行高斯模糊、旋转、亮度随机调整等图像增强操作,将图像数据集增强至6050张,实现对已标注图像的处理与增强。(3)为了实现网箱养殖鱼类健康的识别与分类,对当前常用三种目标检测与识别网络模型:SSD目标检测与识别网络模型、Fatser R-CNN目标检测与识别网络模型和YOLO v4目标检测网络,对健康鱼、病鱼和死鱼三类图像数据集进行训练,对训练结果进行分析对于网箱养殖的鱼病检测的最佳检测模型,引入了注意力机制并通过评价指标讨论了注意力机制对于病鱼检测任务的影响。(4)为了在水下云台设备上进行鱼病检测模型的轻量化部署,实现对病鱼的实时检测,提出了一种基于轻量化设计的YOLO v4网络模型。对比了不同的特征提取网络后使用基于通道注意力机制的Moblie Net v3特征提取模块替换Y OLO v4的特征提取模块,同时引入了GPT 2.0网络中表现较好的激活函数GE LU激活函数,提高了对于相似特征的识别准确性。利用深度可分离卷积替换了大块卷积块,大幅降低了网络参数量,减少了网络的运算量。实验结果表明该网络在原有模型的技术上增强了种内分类能力,在轻量化网络的硬件部署、网络学习能力、检测准确率和检测速度上均有显著的优势。本研究通过比较三种目标检测网络,并对其中最优的网络模型进行针对渔业使用场景的定向优化的方式,提出了一种用于检测鱼类体表疾病的改进的YOL O v4网络模型解决了养殖病鱼实时检测中鱼类移动速度过快、鱼病面积小特征不明显所导致的检测困难的问题。本研究的研究成果可以为养殖病鱼的实时检测提供科学的方法和技术,推动了深远海网箱智能化监控平台的发展。

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。

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。

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。

基于细粒度特征的面料图像检索研究

这是一篇关于CBIR,面料检索,细粒度特征,特征融合,MobileNet的论文, 主要内容为面料图像检索技术不仅在织物识别、推荐系统等视觉任务中具有潜在的应用价值,还在电子商务、面料库存管理、纺织品产品设计等诸多领域存在重要的应用价值,近年来成为研究热点。但由于纺织面料外观的多样性以及织物纹理的精细性,导致在面料检索时对面料图像细粒度特征的提取存在较大困难。为了克服目前的面料图像特征提取技术存在的特征表达能力低、只关注整体特征、网络训练时间长等缺陷。本文依托课题组采集的面料图像数据库,使用细粒度特征实现了面料图像的精准检索,具体工作如下:(1)提出了一种基于细粒度特征的面料图像特征提取模型。针对目前大多数卷积网络提取的特征都是面料图像的宏观特征,缺乏凸显面料图像细粒度特征的问题,提出一种基于细粒度特征的特征提取模型。通过引入坐标注意力模块来加强网络对面料图像的精细纹理、编织结构等局部细节特征的关注,进一步提高图像检索精度。实验结果表明,加入坐标注意力模块的网络的查准率和召回率达到了91.0%和89.6%,比原始MobileNetV3网络提高了15.7%和16.0%。(2)提出了一种基于改进MobileNetV3网络的面料图像检索提速模型。尽管MobileNetV3网络对MobileNetV2网络中的计算密集层结构进行了优化,采用了降低卷积核数量和减少三个卷积层的计算量等方式来减轻网络训练的负担,但对于面料图像检索而言,其参数量仍然过大。受到Efficient Net网络的启发,将缩放系数方法用于在宽度和高度方面整体缩放MobileNetV3的网络结构以减少模型参数数量,达到减少网络训练时间、提高检索速度的目的。实验表明,相较于基准MobileNetV3模型,结构优化后的网络在保持检索精度大致不变的情况下,输出参数量为3.74M,FLOPs达到175.34M,减少了网络1.74M的计算量,同时平均检索时间为1.8s,检索速度提高了65%。(3)提出了一种基于特征融合的面料图像检索模型—FA-MobileNet。针对卷积神经网络提取的细粒度特征无法包含面料图像颜色信息的问题,本文利用颜色直方图提取面料图像的颜色特征,并将其与细粒度特征融合,以提高检索性能。实验结果表明,该融合策略可以有效提高面料图像检索的性能,面料图像检索模型的查准率和Top-5准确率分别为92.63%和75.65%,比未使用特征融合的改进MobileNetV3网络分别高出0.81%、4.27%。(4)最后,采用基于特征融合的面料图像检索模型构建了一个面料图像检索系统。该系统能够快速而有效地实现纺织面料侧重颜色联合细粒度特征的图像检索,显著提升了纺织企业的生产效率与竞争力,满足了实际应用的需求,具有广阔的应用前景。