7个研究背景和意义示例,教你写计算机模型部署论文

今天分享的是关于模型部署的7篇计算机毕业论文范文, 如果你的论文涉及到模型部署等主题,本文能够帮助到你

基于编号视觉识别的工件出入库系统的研究与实现

这是一篇关于工件编号字符,视觉识别,深度学习,微信小程序,模型部署的论文, 主要内容为随着我国工业生产水平的提高,工业生产自动化已经成为现代制造领域中最重要的技术之一,实现自动化是企业生产效率得以显著提升的一大途径。现如今大部分工厂对于工件的管理依然采用人工识别编号字符,再将信息录入系统的方式。传统的光学字符识别技术(OCR)主要应用于文档一类背景简单、文字清晰的字符识别上,虽然技术相对成熟,但对工件编号字符的识别普遍性能较差。近年来,深度学习技术已经在计算机视觉方向取得了显著的成果。通过结合深度学习技术,实现工业场景下的工件编号图像的识别,对于我国的工业自动化发展将会起到推进作用。本文主要研究内容包括工件编号编号检测和识别,通过对文本检测网络的速度优化、增强文本识别网络的字符特征,解决了工业场景下字符的误检、粘连断裂等导致识别失败的问题。针对工业环境下工件编号存在手写字迹污染易造成错误定位问题,本文确定了基于语义分割的文本检测网络PSENet作为实验的基准方法。为了适用于工件出入库系统的实时使用需求,为PSENet设计轻量化特征提取网络,运用深度可分离思想进行了上采样特征增强;引入ASPP模块解决编号区域在图像中占比小的问题。针对工厂采集图像自建文本检测数据集数据量少的问题,采用迁移学习的方法减少对训练数据依赖。实验表明本文改进的PSENet在自建数据集上有98.5%的检测准确率,较原网络F-measure指标提升了0.4%,同时检测速度每张达到79ms。字符识别方面,针对工业场景下字符断裂、粘连难以分割的特点,本文选用无需分割的CRNN深度学习方法作为工件编号字符识别算法。使用Dense Net改进特征提取网络以提高字符特征的表达能力,采用双向LSTM根据字符之间的相互关联对字符序列进行预测,针对编号不定长问题采用CTC损失函数作为LSTM的拓展连接。在自建工业字符识别数据集上,采用不同数据增强的方式,使识别模型更具鲁棒性。实验结果表明改进后的CRNN网络在数据集上准确率达到92.9%,优于其他特征提取网络算法。本文通过工业场景下的实验,提高了编号检测以及识别效果。此外,在微信开发者平台上基于B/S架构开发,采用MINA框架和Flask框架完成前后端通信,采用My SQL数据库进行数据存储,实现了完整的工件出入库系统。

基于编号视觉识别的工件出入库系统的研究与实现

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。

基于轻量化YOLOv5的储粮害虫检测系统研究

这是一篇关于储粮害虫,目标检测,YOLOv5s,轻量化,Bi-FPN,模型部署的论文, 主要内容为随着世界人口的不断增长,粮食供应问题日益凸显。为了确保人类的粮食安全,储粮管理变得越来越重要。然而,在粮食储存过程中,害虫侵害一直是导致粮食损失的主要因素之一。因此,快速、准确地检测和识别储粮害虫是保障储粮安全的关键所在。随着计算机技术和人工智能的发展,基于深度学习的储粮害虫检测逐渐成为了研究热点。本文依据粮库实际场景通过目标检测方法对储粮害虫进行检测,针对储粮害虫小目标以及系统实时性要求等特点对YOLOv5s检测算法进行改进,并基于粮库现有的粮情智能化平台将改进后算法部署在Web端,开发储粮害虫检测系统。本文的主要工作如下:(1)建立储粮害虫数据集。目前没有粮库场景下储粮害虫检测相关的数据集,为提升储粮害虫检测的准确性,自制数据样本丰富的储粮害虫数据集。通过收集粮情智能测控柜采集的害虫图像,以及为了保证数据的多样性,实际模拟测控柜害虫收集环境,拍摄图像数据,完成数据集的制作。之后使用标注软件,标注图像中各类害虫的位置及其对应的类别标签,生成xml文件。其次通过数据增强,对标注后的数据集进行增强,扩充数据集。最后生成VOC格式的储粮害虫数据集,并按照8:1:1的比例划分数据集。(2)提出基于改进YOLOv5s的储粮害虫检测算法。针对储粮害虫目标较小以及粮库复杂环境下害虫图像存在杂质干扰等特点,以及轻量化算法以便移植到系统,对YOLOv5s算法进行改进。首先使用k-means算法重新进行聚类分析,获得新的锚框参数,使其更贴合本文自制数据集的尺寸;然后在Mobile Netv3中引入ECA模块,并将其作为主干网络代替CSPDarknet-53,在保持高精度的同时,降低网络参数、加快推理速度;其次将Neck部分的特征金字塔结构替换为Bi-FPN,提高多尺度特征融合的效率,进而提高网络检测的精度。实验结果表明,本文所改进的YOLOv5s储粮害虫检测算法,平均精度均值达到97.1%,FPS提高至91,模型计算量GFLOPs由16.4降低至1.9,改进后算法有效提升储粮害虫小目标的检测效果,同时满足系统实时性的检测要求。(3)储粮害虫检测系统的设计。基于粮库现有的粮情信息化平台建设和实际需求,设计基于PC端的储粮害虫目标检测系统,将训练好的算法模型部署到Web端。系统包括用户管理、图像获取、害虫检测、虫情数据、可视化展示和虫害预警等功能,方便工作人员能通过该系统及时掌握粮仓虫害情况。

基于编号视觉识别的工件出入库系统的研究与实现

基于改进卷积神经网络的果园环境下苹果检测研究

这是一篇关于苹果检测,遮挡,RetinaNet,模型部署的论文, 主要内容为我国是世界上最大的苹果生产国,近年来,苹果产量一直保持稳步增长的趋势。现阶段我国苹果的采摘作业主要依赖于人工,采摘过程的劳动力成本在整个苹果生产成本中占据非常高的比例,并且人工采摘效率低下,难以满足苹果成熟期内的采摘需求。苹果采摘机器人不仅能提高采摘效率,还能显著降低采摘成本,对推行农业现代化、生产智能化具有重要意义,快速且准确地识别果实是实现自动化采摘至关重要的一个环节。本文以实际果园内的苹果为研究对象,使用深度学习方法识别苹果果实,从提升模型识别精度和模型轻量化两个方面展开研究,提出基于改进RetinaNet的苹果检测算法,主要研究工作和结论如下:(1)基于改进RetinaNet的果园环境下苹果检测。首先,从采摘机器人的采摘策略方面考虑,根据苹果果实的不同遮挡类型,对苹果进行分类标注。针对原始RetinaNet对果园内苹果检测效果不佳的问题,提出了一种改进RetinaNet的苹果检测算法。在骨干网络Res Net50中嵌入Res2Net模块,增强网络对不同尺度特征的信息提取能力,使用加权双向特征金字塔(Bi FPN)作为特征融合网络,提高不同特征层之间的信息融合效率,最后使用基于焦损失(Focal Loss)和高效交并比损失(EIo U Loss)的联合损失函数,提高网络的检测性能,在测试集上进行了消融试验和对比试验。试验结果表明,改进后的RetinaNet对不同遮挡类型苹果的检测精度均值为91.26%,比原始RetinaNet提高了5.02%,与主流目标检测模型Faster-RCNN和YOLOv4相比,改进后的RetinaNet有更好的检测性能。(2)基于轻量化RetinaNet的苹果检测算法。针对复杂的大模型在移动端难以部署的问题,对网络进行轻量化设计,改进Mobile Net V3的逆残差结构,将改进后Mobile Net V3作为RetinaNet的骨干特征提取网络,为了满足模型对复杂背景下苹果的检测精度要求,同时结合Bi FPN和EIo U Loss对网络进行优化,得到轻量化的RetinaNet模型。试验结果表明,轻量化的RetinaNet模型对不同遮挡类型苹果的检测精度均值为89.73%,模型大小相较于原始RetinaNet减少了64.8%,平均检测单张苹果图像仅耗时22.39 ms。轻量化的RetinaNet在降低模型大小的同时有效地保证了检测精度,并提高了模型的检测速度,更有利于在资源受限的移动端上进行部署。(3)模型在安卓移动端部署。分析采摘机器人的实际工作环境,采用离线部署的方式将轻量化的苹果检测模型部署在安卓端。首先配置好安卓开发环境,通过Android Studio设计开发苹果检测APP并将模型集成在APP中,使用Pytorch Mobile作为模型的推理框架。最后在华为Mate30Pro手机上进行苹果检测APP的安装和测试,APP支持3种不同模式的检测功能,可以从相册加载图像进行检测,也支持调用相机进行拍照检测或实时检测,实时检测的速度超过10 FPS。

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：毕设工坊，原文地址：https://m.bishedaima.com/lunwen/54394.html