基于AIoT的智能垃圾分类系统研究
这是一篇关于AIoT,垃圾分类,GhostNetV2,NB-IoT技术,监控管理的论文, 主要内容为针对目前垃圾分类系统存在着分类标准不统一、分类效果差、分类成本高、管理困难等问题,本文首先对垃圾分类算法进行了改进,再将其部署到低成本的嵌入式AI分析单元K210中,然后将AI分析单元与NB-Io T架构融合,并结合Web端的垃圾回收装置监控管理系统,最后形成了一套基于AIo T的智能垃圾分类系统。下面是本文所做的主要工作:(1)针对目前垃圾分类算法的内存占用大,无法部署到低算力嵌入式硬件设备上的问题,本文改进了轻量级算法Ghost Net V2。首先提出了应用于CPU设备和GPU设备的C-Ghost Net V2和的G-Ghost Net V2算法;其次提出了一种改进的逆残差思想,并设计了改进的逆残差结构Inverst block;然后通过引入改进逆残差思想和嵌套逆残差结构,对C-Ghost Net V2和G-Ghost Net V2算法进行改进,提出了C-Ghost Net V2-L1和G-Ghost Net V2-L1算法;最后在垃圾分类数据集上进行消融实验。实验证明引入了逆残差的思想和结构,模型的参数量缩小十倍,准确率有所提升,模型延迟缩小一半,验证了逆残差和改进算法的有效性。(2)为了继续提升算法的性能,在改进算法的基础上引入了通道混洗操作,并设计了C-Ghost Net V2-L2和G-Ghost Net V2-L2算法。经过实验验证,加入通道混洗操作后,模型参数量和内存基本不变,但模型的准确率有所提升。接着为了进一步验证改进模型在实际应用中的效果,需要将改进模型部署在低成本AI分析单元K210上。首先对改进模型进行8bit量化,量化后的模型缩小10倍,最小的模型缩减到2MB以下,已经可以达到K210的内存要求,然后通过格式转换和模型移植操作,最终成功将改进模型部署在K210上。(3)由于目前的垃圾回收装置存在多种分类标准,例如二分类、三分类、四分类等等。为了统一管理多种分类标准的垃圾回收装置,本文使用NB-Io T技术组网,并将AI分析单元融入NB-Io T架构的终端,形成AIo T的垃圾分类系统;为了完善系统功能,在终端使用各种传感器采集垃圾回收装置内的环境信息,并通过NB-Io T网络上传云平台;为了提升用户的使用体验,通过Spring Boot和Vue框架搭建了垃圾回收装置监控管理系统,并设计系统数据库。监控管理系统获取云平台接收的环境信息,将其存储在数据库中,并显示在Web网页上。(4)为了验证系统的有效性和稳定性,搭建了系统硬件测试平台,首先测试了NB-Io T模块的无线通信功能,然后测试了改进算法在嵌入式AI分析单元K210上的垃圾分类功能,并得出结论C-Ghost Net V2-L2算法在AI分析单元K210上的分类效果优于G-Ghost Net V2-L2算法,最后验证了One NET云平台接入功能以及监控管理系统功能。
基于AIoT的智能垃圾分类系统研究
这是一篇关于AIoT,垃圾分类,GhostNetV2,NB-IoT技术,监控管理的论文, 主要内容为针对目前垃圾分类系统存在着分类标准不统一、分类效果差、分类成本高、管理困难等问题,本文首先对垃圾分类算法进行了改进,再将其部署到低成本的嵌入式AI分析单元K210中,然后将AI分析单元与NB-Io T架构融合,并结合Web端的垃圾回收装置监控管理系统,最后形成了一套基于AIo T的智能垃圾分类系统。下面是本文所做的主要工作:(1)针对目前垃圾分类算法的内存占用大,无法部署到低算力嵌入式硬件设备上的问题,本文改进了轻量级算法Ghost Net V2。首先提出了应用于CPU设备和GPU设备的C-Ghost Net V2和的G-Ghost Net V2算法;其次提出了一种改进的逆残差思想,并设计了改进的逆残差结构Inverst block;然后通过引入改进逆残差思想和嵌套逆残差结构,对C-Ghost Net V2和G-Ghost Net V2算法进行改进,提出了C-Ghost Net V2-L1和G-Ghost Net V2-L1算法;最后在垃圾分类数据集上进行消融实验。实验证明引入了逆残差的思想和结构,模型的参数量缩小十倍,准确率有所提升,模型延迟缩小一半,验证了逆残差和改进算法的有效性。(2)为了继续提升算法的性能,在改进算法的基础上引入了通道混洗操作,并设计了C-Ghost Net V2-L2和G-Ghost Net V2-L2算法。经过实验验证,加入通道混洗操作后,模型参数量和内存基本不变,但模型的准确率有所提升。接着为了进一步验证改进模型在实际应用中的效果,需要将改进模型部署在低成本AI分析单元K210上。首先对改进模型进行8bit量化,量化后的模型缩小10倍,最小的模型缩减到2MB以下,已经可以达到K210的内存要求,然后通过格式转换和模型移植操作,最终成功将改进模型部署在K210上。(3)由于目前的垃圾回收装置存在多种分类标准,例如二分类、三分类、四分类等等。为了统一管理多种分类标准的垃圾回收装置,本文使用NB-Io T技术组网,并将AI分析单元融入NB-Io T架构的终端,形成AIo T的垃圾分类系统;为了完善系统功能,在终端使用各种传感器采集垃圾回收装置内的环境信息,并通过NB-Io T网络上传云平台;为了提升用户的使用体验,通过Spring Boot和Vue框架搭建了垃圾回收装置监控管理系统,并设计系统数据库。监控管理系统获取云平台接收的环境信息,将其存储在数据库中,并显示在Web网页上。(4)为了验证系统的有效性和稳定性,搭建了系统硬件测试平台,首先测试了NB-Io T模块的无线通信功能,然后测试了改进算法在嵌入式AI分析单元K210上的垃圾分类功能,并得出结论C-Ghost Net V2-L2算法在AI分析单元K210上的分类效果优于G-Ghost Net V2-L2算法,最后验证了One NET云平台接入功能以及监控管理系统功能。
基于AIoT的智能垃圾分类系统研究
这是一篇关于AIoT,垃圾分类,GhostNetV2,NB-IoT技术,监控管理的论文, 主要内容为针对目前垃圾分类系统存在着分类标准不统一、分类效果差、分类成本高、管理困难等问题,本文首先对垃圾分类算法进行了改进,再将其部署到低成本的嵌入式AI分析单元K210中,然后将AI分析单元与NB-Io T架构融合,并结合Web端的垃圾回收装置监控管理系统,最后形成了一套基于AIo T的智能垃圾分类系统。下面是本文所做的主要工作:(1)针对目前垃圾分类算法的内存占用大,无法部署到低算力嵌入式硬件设备上的问题,本文改进了轻量级算法Ghost Net V2。首先提出了应用于CPU设备和GPU设备的C-Ghost Net V2和的G-Ghost Net V2算法;其次提出了一种改进的逆残差思想,并设计了改进的逆残差结构Inverst block;然后通过引入改进逆残差思想和嵌套逆残差结构,对C-Ghost Net V2和G-Ghost Net V2算法进行改进,提出了C-Ghost Net V2-L1和G-Ghost Net V2-L1算法;最后在垃圾分类数据集上进行消融实验。实验证明引入了逆残差的思想和结构,模型的参数量缩小十倍,准确率有所提升,模型延迟缩小一半,验证了逆残差和改进算法的有效性。(2)为了继续提升算法的性能,在改进算法的基础上引入了通道混洗操作,并设计了C-Ghost Net V2-L2和G-Ghost Net V2-L2算法。经过实验验证,加入通道混洗操作后,模型参数量和内存基本不变,但模型的准确率有所提升。接着为了进一步验证改进模型在实际应用中的效果,需要将改进模型部署在低成本AI分析单元K210上。首先对改进模型进行8bit量化,量化后的模型缩小10倍,最小的模型缩减到2MB以下,已经可以达到K210的内存要求,然后通过格式转换和模型移植操作,最终成功将改进模型部署在K210上。(3)由于目前的垃圾回收装置存在多种分类标准,例如二分类、三分类、四分类等等。为了统一管理多种分类标准的垃圾回收装置,本文使用NB-Io T技术组网,并将AI分析单元融入NB-Io T架构的终端,形成AIo T的垃圾分类系统;为了完善系统功能,在终端使用各种传感器采集垃圾回收装置内的环境信息,并通过NB-Io T网络上传云平台;为了提升用户的使用体验,通过Spring Boot和Vue框架搭建了垃圾回收装置监控管理系统,并设计系统数据库。监控管理系统获取云平台接收的环境信息,将其存储在数据库中,并显示在Web网页上。(4)为了验证系统的有效性和稳定性,搭建了系统硬件测试平台,首先测试了NB-Io T模块的无线通信功能,然后测试了改进算法在嵌入式AI分析单元K210上的垃圾分类功能,并得出结论C-Ghost Net V2-L2算法在AI分析单元K210上的分类效果优于G-Ghost Net V2-L2算法,最后验证了One NET云平台接入功能以及监控管理系统功能。
基于AIoT的智能垃圾分类系统研究
这是一篇关于AIoT,垃圾分类,GhostNetV2,NB-IoT技术,监控管理的论文, 主要内容为针对目前垃圾分类系统存在着分类标准不统一、分类效果差、分类成本高、管理困难等问题,本文首先对垃圾分类算法进行了改进,再将其部署到低成本的嵌入式AI分析单元K210中,然后将AI分析单元与NB-Io T架构融合,并结合Web端的垃圾回收装置监控管理系统,最后形成了一套基于AIo T的智能垃圾分类系统。下面是本文所做的主要工作:(1)针对目前垃圾分类算法的内存占用大,无法部署到低算力嵌入式硬件设备上的问题,本文改进了轻量级算法Ghost Net V2。首先提出了应用于CPU设备和GPU设备的C-Ghost Net V2和的G-Ghost Net V2算法;其次提出了一种改进的逆残差思想,并设计了改进的逆残差结构Inverst block;然后通过引入改进逆残差思想和嵌套逆残差结构,对C-Ghost Net V2和G-Ghost Net V2算法进行改进,提出了C-Ghost Net V2-L1和G-Ghost Net V2-L1算法;最后在垃圾分类数据集上进行消融实验。实验证明引入了逆残差的思想和结构,模型的参数量缩小十倍,准确率有所提升,模型延迟缩小一半,验证了逆残差和改进算法的有效性。(2)为了继续提升算法的性能,在改进算法的基础上引入了通道混洗操作,并设计了C-Ghost Net V2-L2和G-Ghost Net V2-L2算法。经过实验验证,加入通道混洗操作后,模型参数量和内存基本不变,但模型的准确率有所提升。接着为了进一步验证改进模型在实际应用中的效果,需要将改进模型部署在低成本AI分析单元K210上。首先对改进模型进行8bit量化,量化后的模型缩小10倍,最小的模型缩减到2MB以下,已经可以达到K210的内存要求,然后通过格式转换和模型移植操作,最终成功将改进模型部署在K210上。(3)由于目前的垃圾回收装置存在多种分类标准,例如二分类、三分类、四分类等等。为了统一管理多种分类标准的垃圾回收装置,本文使用NB-Io T技术组网,并将AI分析单元融入NB-Io T架构的终端,形成AIo T的垃圾分类系统;为了完善系统功能,在终端使用各种传感器采集垃圾回收装置内的环境信息,并通过NB-Io T网络上传云平台;为了提升用户的使用体验,通过Spring Boot和Vue框架搭建了垃圾回收装置监控管理系统,并设计系统数据库。监控管理系统获取云平台接收的环境信息,将其存储在数据库中,并显示在Web网页上。(4)为了验证系统的有效性和稳定性,搭建了系统硬件测试平台,首先测试了NB-Io T模块的无线通信功能,然后测试了改进算法在嵌入式AI分析单元K210上的垃圾分类功能,并得出结论C-Ghost Net V2-L2算法在AI分析单元K210上的分类效果优于G-Ghost Net V2-L2算法,最后验证了One NET云平台接入功能以及监控管理系统功能。
基于AIoT的智能垃圾分类系统研究
这是一篇关于AIoT,垃圾分类,GhostNetV2,NB-IoT技术,监控管理的论文, 主要内容为针对目前垃圾分类系统存在着分类标准不统一、分类效果差、分类成本高、管理困难等问题,本文首先对垃圾分类算法进行了改进,再将其部署到低成本的嵌入式AI分析单元K210中,然后将AI分析单元与NB-Io T架构融合,并结合Web端的垃圾回收装置监控管理系统,最后形成了一套基于AIo T的智能垃圾分类系统。下面是本文所做的主要工作:(1)针对目前垃圾分类算法的内存占用大,无法部署到低算力嵌入式硬件设备上的问题,本文改进了轻量级算法Ghost Net V2。首先提出了应用于CPU设备和GPU设备的C-Ghost Net V2和的G-Ghost Net V2算法;其次提出了一种改进的逆残差思想,并设计了改进的逆残差结构Inverst block;然后通过引入改进逆残差思想和嵌套逆残差结构,对C-Ghost Net V2和G-Ghost Net V2算法进行改进,提出了C-Ghost Net V2-L1和G-Ghost Net V2-L1算法;最后在垃圾分类数据集上进行消融实验。实验证明引入了逆残差的思想和结构,模型的参数量缩小十倍,准确率有所提升,模型延迟缩小一半,验证了逆残差和改进算法的有效性。(2)为了继续提升算法的性能,在改进算法的基础上引入了通道混洗操作,并设计了C-Ghost Net V2-L2和G-Ghost Net V2-L2算法。经过实验验证,加入通道混洗操作后,模型参数量和内存基本不变,但模型的准确率有所提升。接着为了进一步验证改进模型在实际应用中的效果,需要将改进模型部署在低成本AI分析单元K210上。首先对改进模型进行8bit量化,量化后的模型缩小10倍,最小的模型缩减到2MB以下,已经可以达到K210的内存要求,然后通过格式转换和模型移植操作,最终成功将改进模型部署在K210上。(3)由于目前的垃圾回收装置存在多种分类标准,例如二分类、三分类、四分类等等。为了统一管理多种分类标准的垃圾回收装置,本文使用NB-Io T技术组网,并将AI分析单元融入NB-Io T架构的终端,形成AIo T的垃圾分类系统;为了完善系统功能,在终端使用各种传感器采集垃圾回收装置内的环境信息,并通过NB-Io T网络上传云平台;为了提升用户的使用体验,通过Spring Boot和Vue框架搭建了垃圾回收装置监控管理系统,并设计系统数据库。监控管理系统获取云平台接收的环境信息,将其存储在数据库中,并显示在Web网页上。(4)为了验证系统的有效性和稳定性,搭建了系统硬件测试平台,首先测试了NB-Io T模块的无线通信功能,然后测试了改进算法在嵌入式AI分析单元K210上的垃圾分类功能,并得出结论C-Ghost Net V2-L2算法在AI分析单元K210上的分类效果优于G-Ghost Net V2-L2算法,最后验证了One NET云平台接入功能以及监控管理系统功能。
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：毕设海岸 ，原文地址：https://m.bishedaima.com/lunwen/52474.html
