基于图像检测的机场人员异常行为分析技术研究

针对机场环境安保问题,研究了一种基于图像检测的异常行为智能分析技术。用YOLO v3模型对视频帧进行人员目标识别,并利用卷积姿态机(Convolutional Pose Machines,CPM)对目标范围进行骨骼关键点提取;采用Multitracker多目标跟踪方法对视频进行多目标跟踪。通过训练模型,对异常行为进行在线识别。经测试验证,该技术具备良好的识别效果,能快速识别出持枪、持械攻击、投掷、攀爬、快速接近五种异常行为,可广泛应用于机场内外场景。     

基于深度强化学习的边缘视频任务卸载策略

随着物联网的发展以及智能设备的普及,视频处理技术已广泛应用于生活中。自动驾驶、产品质检等应用场景对视频处理技术的实时性需求逐步提高,移动边缘计算为计算能力不足和能源受限的设备提供计算资源以执行时延敏感性任务,为实时视频处理提供了新的计算架构。本文搭建了一个视频计算卸载场景,并以视频检测为任务,以系统时延为优化目标,建立了计算卸载模型和马尔可夫决策模型;考虑到计算卸载场景的复杂动态因素,如带宽波动、设备数量、任务大小等,以最小化系统时延为目标,提出了一种基于深度强化学习的计算卸载策略进行求解。实验表明,与其他基线方案相比,该卸载策略能够适应较复杂卸载场景,有效降低系统时延。     

边缘计算下物联网终端的可信评估安全技术

针对传统安全防护机制无法确保边缘计算下海量物联网终端接入安全,特别是数据泄漏等问题,提出一种边缘计算下物联网终端的可信接入安全技术,该技术设计一种基于分布式群智感知网络体系架构,通过分发的智能模型对行为特征进行检测分类,提供恶意行为识别等边缘服务,保证边缘环境下物联网终端的接入安全。     

基于改进YOLO v3算法的空中红外目标检测

为进一步提升空中作战条件下目标检测的性能,本文通过优化YOLO v3,提出了一种基于空中红外目标的检测算法EN-YOLO v3。该算法使用轻量的EfficientNet骨干网络作为YOLO v3的主干特征提取网络,使模型参数大幅减少,降低模型的训练时间;同时选用CIoU作为模型的损失函数,优化模型损失计算方法,提升模型的检测精度。结果表明,优化后的EN-YOLO v3目标检测算法与原YOLO v3相比模型尺寸减少了50.03%,精准度提升了1.17%,能够有效提升红外场景下空中目标的检测效果。     

车联网云边协同计算场景下的多目标优化卸载决策

车联网场景下的计算任务对时延非常敏感,需要云边协同计算来满足这类需求。针对车联网云边协同计算场景下如何高效地进行服务卸载并同时考虑服务的卸载决策以及边缘服务器和云服务器的协同资源分配问题,设计了基于云边协同的车辆计算网络架构,在该架构下,车载终端、云服务器和边缘服务器都可以提供计算服务;通过对缓存任务进行分类并将缓存策略引入车联网场景,依次设计了缓存模型、时延模型、能耗模型、服务质量模型以及多目标优化问题模型;给出了一种基于改进的多目标优化免疫算法的卸载决策方案。最后,通过对比实验验证了所提卸载决策方案的有效性。     

基于边缘计算的通用智能安防系统架构设计与实现

针对现有不同领域中所使用的安防系统架构,采用基于边缘计算的高可用、实时处理的通用智能安防系统三层架构,在边缘设备和云端中间增加边缘计算物联网设备,通过不同的服务节点完成多样性服务计算实验。实验结果表明,该系统比传统集中式计算架构具有处理性能高、节省服务器的存储容量、减少服务器的硬件成本等特点,可作为智能安防系统的通用架构。     

智能视频监控系统中多视角目标跟踪研究与FPGA实现

为了提高智能视频监控(IVS)系统中运动目标跟踪的可靠性和实时性,提出一种分布式架构的高清多视角IVS系统。首先,前端FPGA模块与高清IP摄像机相连,用于收集视频并进行初级视频处理;然后,FPGA通过网络与后端GPU服务器相连,GPU服务器执行高级视频处理;最终实现目标在多摄像机间的连续跟踪。实验结果表明该系统运行稳定,能够在多视角下快速、准确地跟踪目标。     

基于智能视频分析的轨道交通异物入侵检测方法研究

目前在轨道交通异物入侵检测领域中,采用基于深度学习的视频目标检测方法要达到可以应用的实时检测速度,对设备资源的要求较高且成本不低。文章通过计算视频图像敏感网格区域,采用数字图像处理方法实时地对移动物体进行初检测,然后将检测到的异常视频图像发送至异物入侵识别模型进行更加精准的智能识别分析和研判报警,节约计算时间和设备资源。文章基于相同的构思提出一种异物入侵检测装置,通过建立信号传输机制高效地控制多台设备并行处理视频目标检测任务。     

基于YOLO和嵌入式系统的车流量检测

城市道路普遍存在机动车、非机动车、行人的人车混行路段,车辆目标的准确识别与统计成为视频方法检测混合交通流量的关键问题。本文提出了基于深度学习YOLO(You Only Look Once)的车流量检测算法。用YOLO v2检测道路上移动的目标,对检出目标中的车辆目标进行识别与筛选,设置感兴趣区域,在车辆目标经过感兴趣区域时计数,并用核相关滤波器跟踪车辆,避免车辆重复计数;在ARM上利用该算法实现了混合交通视频中的车流量检测。测试结果表明,该方法中车辆的检测、跟踪、计数结果良好,可应用于混合交通中的车流量检测。     

结合红外显著性目标导引的改进YOLO网络的智能装备目标识别研究

为了提升实际作战环境下目标检测识别的性能,本文提出了一种基于红外显著性目标导引的改进YOLO(You Only Look Once)网络的智能装备目标识别算法,该算法利用红外图像提供目标可能的位置引导可见光图像中的深度自主学习,提升检测与识别的实时性。改进YOLO-V3识别网络是以Darknet-53为基础网络架构,利用DenseNet代替具有较低分辨率的原始转移层,同时采用分类网络预训练、多尺度检测网络训练等措施增强特征传播,复用和融合的性能。仿真实验结果表明,本文提出的模型可以有效地提高现有目标检测与识别的性能。     

5G MEC边缘智能架构研究

作为边缘计算与人工智能融合驱动的新模式,边缘智能已然渗透到各个行业。5G MEC作为运营商新型网络边缘的锚点,需要借助边缘智能来充分释放网络边缘价值。文章初步探讨网络边缘智能化需求,提出一种基于5G MEC的边缘智能优化架构,扩展了面向异构计算的弹性AI加速服务和自适应云边智能协同调度能力,从而实现了MEC平台运营智能化和AI能力服务化。     

基于深度学习的YOLO目标检测综述

目标检测是计算机视觉领域的一个基础任务和研究热点。YOLO将目标检测概括为一个回归问题,实现端到端的训练和检测,由于其良好的速度-精度平衡,近几年一直处于目标检测领域的领先地位,被成功地研究、改进和应用到众多不同领域。该文对YOLO系列算法及其重要改进、应用进行了详细调研。首先,系统地梳理了YOLO家族及重要改进,包含YOLOv1-v4, YOLOv5, Scaled-YOLOv4, YOLOR和最新的YOLOX。然后,对YOLO中重要的基础网络,损失函数进行了详细的分析和总结。其次,依据不同的改进思路或应用场景对YOLO算法进行了系统的分类归纳。例如,注意力机制、3D、航拍场景、边缘计算等。最后,总结了YOLO的特点,并结合最新的文献分析可能的改进思路和研究趋势。     

面向智能网联汽车边缘网络的分布式端-边协同算法

车联网高级安全服务中,智能网联车辆配备了摄像头,可以拍摄周围的视频,用于安全、交通监控和监视等目的。车辆将获取的视频上传到边缘计算节点后,可以对视频进行分析和备份,以满足不同的安全驾驶需求。然而,车辆连续直接向边缘计算节点上传生成的视频内容会非常消耗带宽,并消耗大量的能量。基于该问题,提出一种面向智能网联汽车边缘网络的分布式端-边协同算法。针对车联网高可靠低时延内容传输的特点,引入有限块长度编码机制。同时,引入车辆视频信息源的压缩编码功率消耗,建立车辆能耗模型。根据车辆视频信息源的视频质量要求,通过调整视频编码码率、信息源传输速率,以及车辆多路径路由的决策,提出一种完全分布式的优化算法,以提高网络资源利用率,并保证单个车辆的能耗公平性。     

基于改进YOLO网络的双通道显著性目标识别算法

由于缺乏目标的先验信息,实时预警检测系统存在虚警率高、实时性偏低等问题,限制了实战环境下的广泛应用。为了提升目标检测识别的性能,本文提出了一种基于改进YOLO网络的双通道显著性目标识别算法,该算法利用红外图像与可见光互补特性进行多尺度融合,并在融合图像上采用显著性检测获取疑似目标区域,最后利用改进的识别网络对疑似区域进行多层次目标识别。改进的YOLO识别网络增加了一路辅助网络,改善整个特征提取网络的性能,并采用注意机制对辅助网络和骨干网络的特征信息融合,增强有效信息通道,抑制无效信息通道,提高网络识别效率。仿真实验结果表明,本文提出的模型可以有效地提高目标检测与识别精度,其实时性得到了大大增强。     

万物可视—通过边缘智能实现的可视物联网

文章提出物联网的下一个发展阶段——可视物联网的基本架构,并将发展愿景概括为“看得清”“看得快”“看得懂”“看得广”以及“看得远”,深度分析所面临的技术挑战,包括物联网设备可视类数据的收集、物联网设备的多样性、高维异构性、环境复杂性、极低时延要求、承载可视数据的差异性、复杂系统中的智能控制、支持社交的可视物联网、可视数据的智慧管理以及具备类人功能的可视物联网。提出一种实现万物可视的新技术架构,包括采用边缘智能驱动的灵巧可视物联网端边云系统架构设计、软件可定义的可视信息生成技术、多特征流可视信息传输、边缘计算下多源可视数据的智能表达、基于内容的计算任务迁移模型以及大规模分散计算中的边缘智能控制技术,从而系统地实现物联网的视觉引擎,为物联网注入可视能力。     

面向智慧工厂的工业互联网边缘智能协同计算技术研究

为了推动基于工业互联网的智慧工厂快速发展,边缘智能技术相关研究与应用获得广泛关注。针对边缘节点计算资源受限的难题,提出了基于边缘智能协同的工业互联网体系,并给出了边缘智能协同计算任务分配与边缘智能模型轻量化方法。边缘智能协同计算技术解决了单一边缘节点计算能力与智慧工厂应用海量计算资源需求间的矛盾,降低了边缘智能技术的部署开销,提高了工业互联网部署的灵活性与可扩展性。     

基于视觉运动目标跟踪技术分析

计算机视觉研究的主要问题之一是运动物体的检测与跟踪,它将图像处理、模式识别、自动控制、人工智能和计算机等很多领域的先进技术结合在了一起,主要应用在军事视觉制导、视频监控、医疗诊断和智能交通等各个方面,因此该技术已经成为一个重要的研究方向。阐述了视觉跟踪算法的研究现状和视觉跟踪算法的种类,研究了基于区域的跟踪算法、基于模型的跟踪算法、基于特征的跟踪算法和基于主动轮廓的跟踪算法,探讨了视觉跟踪算法的未来研究方向。     

智能装配中基于YOLO v3的工业零件识别算法研究

传统装配系统中依靠人力进行重复性劳动,容易 由于人的操作具有疲劳性和人眼分辨 率有限等特点造成失误,为了避免浪费人工和时间,解决工厂环境中光线等不稳定因素,提 出了一种基于YOLO v3算法对形状多样的工业零件识别方法。在智能装配系统中根据视觉检 测结果判断零件种类,弥补了传统方法的不足,满足产品生产系统的节拍要求。改进后的YO LO v3网络模型使用k-means算法重新聚类预选框的参数,残差网络来减少网络的参数,结 合 多尺度方法、采用Mish激活函数提高精确度,使其更适合工业零件的小目标分类检测。该模 型以3D打印的工业零件制作数据集,实验表明与原有的YOLO v3算法对比,使用改进后的网 络模型具有良好的鲁棒 性,准确率提高了1.52%,时间提高了7.25 ms,实现精确实时地检测出智能装配系统中的零件种类。     

Learning for Smart Edge: Cognitive Learning-Based Computation Offloading

With the development of intelligent applications, more and more intelligent applications are computation intensive, data intensive and delay sensitive. Compared with traditional cloud computing, edge computing can reduce communication delay by offloading computing tasks to edge cloud. Furthermore, with the complexity of computing scenarios in edge cloud, deep learning based on computation offloading scheme has attracted wide attention. However, all the learning-based offloading scheme does not consider the where and how to run the offloading scheme itself. Thus, in this paper, we consider the problem of running the learning-based computation offloading scheme for the first time and propose the learning for smart edge architecture. Then, we give the computation offloading optimization problem of mobile devices under multi-user and multi edge cloud scenarios. Furthermore, we propose cognitive learning-based computation offloading (CLCO) scheme for this problem. Finally, experimental results show that compared with other offloading schemes, the CLCO scheme has lower task duration and energy consumption.