基于边缘计算的车载网络数据异常检测系统

随着车载网络闭环系统的打破,遭受可能攻击的风险越来越大。智能驾驶、辅助驾驶本身会使车载计算单元的负载较重,在车内采用异常检测算法将愈发占用车内资源、加重计算单元负载。因此,我们设计了一种基于边缘计算的车载网络数据异常检测系统,将异常检测转移到边缘服务器上进行,以减少车载网络的负担。利用智能小车、边缘服务器等软硬件平台,搭建车载网络异常检测原型系统,设计基于支持向量机异常检测模型,使用真车数据进行模型训练以及异常检测模拟;并使车辆与边缘服务器进行数据传输,得到车辆运行时的异常信息,维护车辆正常行驶。     

基于机器视觉的轻量级驾驶辅助系统

为了解决计算机视觉应用中数据量大、算法复杂的问题,根据道路结构特征和车辆行为特征,采用单个摄像头作为传感器,实现了一种轻量级的安全辅助驾驶系统。首先采用改进的边缘提取算法和车道线检测算法对摄像机内外参数进行离线标定;接着根据标定结果在二维平面图像上采用标识出实际空间距离的多窗口划分方法,并按不同的车间距将不同窗口划分为不同安全系数的区域,以赋予道路视觉检测的几何先验知识;当区域中出现障碍物时发出相应警示信息进行安全驾驶辅助,能为智能辅助驾驶提供轻量级的视觉检测平台。以便携式计算机和固定在车内的摄像头作为实验装置,在城市道路上进行车载实验。系统在车载实验中能够快速地提取车辆两侧的车道线,并利用离线标定的结果快速生成不同安全系数的警示区域,其中车辆在车道内正常行驶时的误检率和漏检率很小,可以忽略不计。与传统的驾驶辅助系统相比,本系统计算量大大降低,检测流程得到简化,可实现轻量级的车道和车辆检测,为系统在嵌入式系统上的实现奠定基础。     

面向复杂环境中带钢表面缺陷检测的轻量级DCN-YOLO

基于深度学习的智能检测技术逐渐在复杂钢铁生产环境带钢表面缺陷检测过程中使用。为了应对在资源受限的边缘设备中部署高精度模型的挑战，提出一个面向复杂环境中带钢表面缺陷检测的轻量级DCN-YOLO模型，该模型将可形变卷积网络DCN与原始YOLOv5结合，以提高模型对不同尺寸和形状缺陷的灵敏度。为降低计算复杂度，在YOLO模型中引入了深度可分离卷积DSConv和高效通道注意力机制ECA两个轻量级模块，使模型更好地理解输入数据中各个通道之间的关系，在提高模型的检测精度和泛化能力的同时，大幅降低模型的计算量。进一步通过消融实验及横向对比实验，验证了每个创新模块的有效性。通过经典的开源带钢数据集NEU-DET和实际工业带钢数据集分别验证了轻量级DCN-YOLO模型在表面缺陷检测精度和计算复杂度方面的优势。     

基于双检测头的轻量级目标检测算法

为解决轻量级目标检测算法中由于分类损失较大导致算法精确度低的问题, 提出一种对目标的位置与分类使用双检测头的检测方法. 算法中用卷积头对位置进行检测, 用全连接头对分类进行检测; 分类检测时特征图经过卷积层后融合位置回归分支的特征图, 再使用全连接层对特征图进行处理; 并提出分组全连接的方式进一步减少全连接层的计算量. 在VOC数据集上对算法进行训练, 结果表明, 改进后模型的分类损失有了明显的下降, 有效地提升了轻量级目标检测算法的检测精确度, 算法在VOC测试集上达到70.08%的精确度.     

基于改进YOLOv5的轻量化航空目标检测方法

为解决硬件平台资源受限条件下的实时航空目标检测需求,在基于改进YOLOv5的基础上,提出了一种针对移动端设备/边缘计算的轻量化航空目标检测方法。首先以MobileNetv3为基础搭建特征提取网络,设计通道注意力增强结构MNtECA (MobileNetv3 with Efficient Channel Attention)提高特征提取能力;其次在深度可分离卷积层增加1×1的卷积,在减少卷积结构参数的同时提高网络的拟合能力;最后对检测网络进行迭代通道剪枝实现模型压缩和加速。实验选取DIOR (Object Detection in Optical Remote Sensing Images)数据集进行训练和测试,并在嵌入式平台(NVIDIA Jetson Xavier NX)对轻量级模型进行推理验证。结果表明,所提出的轻量级模型大幅降低了参数和计算量,同时具有较高精度,实现了移动端设备/边缘计算的实时航空目标检测。     

基于改进YOLOv8的交通监控车辆检测算法

针对目前复杂交通监控场景下车辆检测精度不足、检测速度慢的问题,提出一种基于YOLOv8模型的轻量级车辆检测算法。采用FasterNet替换YOLOv8的骨干特征提取网络,减少了冗余计算和内存访问,提高了模型的检测精度和推理速度;在Backbone和Neck部分添加SimAM注意力模块,在不增加原始网络参数的同时增强了目标车辆的重要特征,提高了模型的特征融合能力;针对密集车流下小尺寸车辆检测效果不佳的问题,添加小目标检测头,更好地捕获小尺寸车辆的特征和上下文信息;使用可自适应调整权重系数的Wise-IoU作为改进模型的损失函数,提升了边界框的回归性能和检测的鲁棒性。在UA-DETRAC数据集的实验结果表明,相较于原模型,改进方法在交通监控系统中能够达到较好的检测精度和速度,mAP和FPS分别提高了3.06个百分点和3.36%,有效改善了复杂交通场景下小目标车辆检测效果不佳的问题,并在精度和速度之间取得了很好的平衡。     

Cortex-A57的轻量级人脸检测算法研究

针对高性能人脸检测模型参数量大、计算复杂度高，难以在嵌入式设备进行边缘部署的问题，对RetinaFace模型进行轻量化改进，提出一种轻量级人脸检测算法。采用MobileNetV2＿0.5×作为特征提取骨干，应用轻量的PANLite对多尺度特征进行双向融合，增强特征表征能力。采用RFBLite实现特征增强，在增大特征感受野的同时合并上下文信息。使用滤波器剪枝算法对训练后的模型进行剪枝处理，再次训练微调网络参数后部署到嵌入式端Nvidia Jetson Nano进行模型推理。实验结果表明，该轻量级模型能够以较少的参数量和较低的计算复杂度实现较高的人脸检测性能，且能在嵌入式平台上进行实时推理。     

FMLED:细粒度级多尺度特征表示的轻量级边缘检测方法

针对现有基于深度学习的轻量级边缘检测方法存在检测效果不佳的问题，本文提出一种细粒度级多尺度特征表示的轻量级边缘检测方法——FMLED.首先，以细粒度方式提取图像多尺度特征，得到更细致并具有全局性的特征图；其次，对特征图进行上采样，得到不同阶段的中间边缘图；最后，使用学习滤波器为每个像素分配不同权重并融合中间边缘图特征，使生成的边缘更加清晰准确.本文方法可用于任何边缘检测任务，而无需进行预训练或微调；并以较小的模型复杂度产生优质边缘.在BIPED、BSDS500和NYUD 3个数据集上的实验结果表明，FMLED框架在不增加计算负载的情况下，可以得到更高质量的边缘.     

基于MobileNet与YOLOv3的路面障碍检测轻量化算法

为了避免人们边行走边使用手机发生危险,本文提出了实时性强的轻量级模型(Mobile-YOLOv3)来检测路面障碍.我们在广州各地拍摄路障图片并标注了一个路障数据集,使用了一个轻量级的MobileNetv1网络来替换YOLOv3的骨干网络实现轻量化,并且应用了4个方法用于提高检测精度和模型的鲁棒型.4个方法分别为:边框回归损失函数CIOU、分类损失函数Focal、预测框筛选算法Soft-NMS、负样本训练.实验结果证明,该模型获得了98.84%的MAP.与YOLOv3对比,该模型的规模缩减了2.5倍,检测精度却提高了7%.     

YOLOv8-VSC：一种轻量级的带钢表面缺陷检测算法

目前在带钢表面缺陷检测领域，通用的目标检测算法复杂度高、计算量庞大，而一些中小型企业负责检测的终端设备通常不具备较强的计算能力，计算资源有限，从而导致检测算法部署困难。为解决该问题，基于YOLOv8n目标检测框架，提出一种轻量级的带钢表面缺陷检测模型YOLOv8-VSC。该模型使用轻量级的VanillaNet网络作为骨干特征提取网络，通过减少不必要的分支结构降低模型的复杂度。同时，引入SPD模块在减少网络层数的同时加快模型的推理速度。为了进一步提升检测精度，在特征融合网络中，使用轻量级的上采样算子CARAFE，提高融合特征的质量和丰富度。最后，在NEU-DET数据集上进行大量实验，得到模型的参数量与计算量为1.96×106和6.0 GFLOPs，仅为基线的65.1%和74.1%,mAP达到80.8%，较基线提升1.8个百分点。此外，在铝材表面缺陷数据集和VOC2012数据集上的实验结果表明所提算法具有良好的鲁棒性。与先进的目标检测算法相比，所提算法在保证高检测精度的前提下需要的计算资源更少。     

轻量级YOLOv3的交通标志检测算法

交通标志检测在自动驾驶领域一直是个比较热门的课题。在深度学习算法中,YOLOv3和Faster R-CNN已经获得了极好的目标检测性能,但在检测小目标时,存在漏检的情况。针对交通标志检测中小目标准确快速识别的需求,本文提出一种轻量级YOLOv3的交通标志检测算法。通过卷积神经网络同时使用浅层和深层的特征提取,得到多尺度特征图,深层特征可以有效地保持检测精度不下降,浅层特征可以有效地提高小目标检测任务的精度。通过剪枝算法对模型进行压缩,将训练好的模型进行稀疏训练,把一些不重要的卷积核通道删除掉,对剪枝后的模型微调,保持模型文件中参数的平衡,同时保持检测精度。实验结果表明,通过提取多尺度特征图的方法模型准确率提高了2.3%,通过剪枝算法对模型压缩,使模型的权重大小减小了70%,模型的检测时间节省了90%。由此建立了鲁棒性更强的轻量级交通标志检测模型,可以部署在移动端嵌入式设备上,不再占用庞大的GPU计算资源即可提高检测效率。     

面向路侧交通监控场景的轻量车辆检测模型

针对路侧交通监控场景和智能交通管控需要,提出轻量型的车辆检测算法GS-YOLO,解决现有模型检测速度慢、占用内存多的问题。GS-YOLO借鉴GhostNet思想将传统卷积分为两步,利用轻量操作增强特征,降低模型的计算量。在主干特征提取网络中引入注意力机制,对重要信息进行选择,提高模块的检测能力。另外参考SqueezeNet结构,使用Fire Module和深度可分离卷积减少模型参数,模型大小从244?MB降低到34?MB,内存占用降低了86%。使用Roofline模型对实验数据和模型实际性能进行分析,结果表明GS-YOLO的精确度（AP）达到85.55%,相比YOLOv4提升了约0.45%。由于受计算平台带宽影响,GS-YOLO在GPU上检测速度提升7.3%,但在CPU上检测速度提高了83%,更适用于算力资源不足的小型设备。     

道路交通标志检测分类方法的研究

研究了道路交通标志检测分类问题,针对颜色定位检测交通标志的缺陷,提出了一种基于形状边缘定位和颜色判别的交通标志检测分类方法。首先将原图像从RGB色彩空间转换到HSV,在饱和度S通道上用Canny算子检测边缘,计算边缘的形状参数(圆形度、矩形度以及推广得到的正三角形度)以判定边缘形状,定位出标志的位置;然后采用修正的HSV色彩空间分割模型判别标志颜色以进行分类,分类过程中筛除了非标志区域。实验证明,该方法具有良好的检测分类效果。     

基于改进SUSAN算法的移动车辆检测

针对复杂行车环境下智能车辆行车安全问题,提出了一种基于改进 Susan 边缘检测算法提取车辆边界特征。首先介绍了SUSAN边缘检测算子的原理,然后提出改进的SUSAN算法,即对待检测像素粗略提取,采用一种自适应选取阈值的方法对候选边缘点检测提取边缘。实验表明,算法能在复杂图像中识别前方车辆,有较高的准确度。     

边缘计算环境下基于深度学习的DDos检测

边缘计算作为一种用于降低中心节点计算压力,更靠近终端设备和数据源头的新计算范式,满足了计算业务下沉的需求,也带来了安全问题;其中,对边缘计算安全威胁最大、造成过巨大经济损失和安全事故的当属分布式拒绝服务攻击（DDos）;边缘计算环境下由于算力受限、存储空间有限等原因,传统的防御手段难以应用;因此,提出了一种适用于边缘计算环境下的基于深度学习的轻量级DDos检测框架;采用CIC-DDos-2019数据集来模拟边缘计算环境下的遭受DDos攻击的网络流量,针对数据集进行了适应性强的预处理技术和相似性标签融合,运用SMOTE算法解决了数据集类别不平衡问题,采用一维卷积技术和BiLSTM技术搭建了模型并进行了模型剪枝,构建了一个轻量级模型。结果表明,其针对DDos攻击类别的八分类实验准确率达到了96.8%,二分类实验准确率达到了99.8%。     

基于巡逻无人机的轻量型安全帽佩戴检测方法与应用

目前,安全帽检测系统主要使用固定摄像头,无法实现全区域检测,而基于深度学习的检测算法结构复杂、计算成本高,无法满足移动端和嵌入式设备的部署要求。针对上述问题,该文提出一种基于无人机的安全帽轻量型视觉检测算法。系统通过无人机平台搭载的相机对施工现场进行图像采集,并无线传输至后台计算机进行处理,检测算法基于 YOLOv5s 框架进行了轻量化改进。针对无人机采集影像中目标占比较小的问题,该文采用了多尺度检测、图像预处理、正负样本不均衡等方法,对 YOLOv5s 目标检测算法进行针对性改进。测试结果表明,与原模型相比,轻量型目标检测模型的平均精度均值仅下降了 1.72%,但在同一 CPU 上的推理速度提升了 1 倍,浮点计算量由原来的每秒 165 亿次压缩至每秒 34 亿次,模型大小约为原模型的 1/10。     

基于视频图像的交通参数检测

针对交通图像的特点,提出了一种将灰度判断与边缘检测相结合的方法,来获得车流量、车速等相关交通参数。将先锋遗传算法(Vanguard Genetic Algorithms)应用到图像阈值分割中,利用先锋遗传算法寻求全局最优阈值,可以比较准确地将图像中不同灰度的车辆从背景中分离出来。分析了小波变换的特点,应用小波变换对交通图像进行车辆边缘检测。采用帧平均法来处理视频流,可以减小由于摄像头抖动或背景微小变化而产生的误差。实验结果表明,该方法简单、有效,能够获得较满意的检测结果。     

基于MobileVit轻量化网络的车辆检测方法

针对车辆检测模型参数量大,以及对小目标和遮挡目标漏检问题,提出了一种基于MobileVit轻量化网络的车辆检测算法。首先,在数据预处理阶段使用GridMask图像增强方法,提升模型对遮挡车辆目标的检测性能;其次,使用基于MobileVit网络作为模型的主干特征提取网络,充分提取特征信息且使得模型轻量化;最后,在预测层网络中,使用基于PANet实现多尺度的车辆检测,提升模型对小目标车辆的检测能力。实验结果表明,该模型的平均检测精度达98.24%,检测速度达每张图片0.058 s,模型大小为136 MB,与对比算法相比综合性能更好。     

快速交通标志检测预处理方法

为简化场景图处理的计算量,针对场景图复杂的颜色信息,提出了一种快速的交通标志检测预处理方法——颜色标准化。将颜色信息复杂的场景图映射成简单的由8种标准颜色组成的图像,并提取5种与交通标志相关的感兴趣颜色,滤除冗余区域后得到标准颜色的交通标志。该方法大幅度简化了场景图颜色信息的复杂性,节省了RGB-HSI模型转换的计算时间。实验表明,该预处理方法具有很好的鲁棒性,快速准确地实现了交通标志检测。