XiaoMi-AI文件搜索系统
World File Search SystemYOLOv3
基于深度学习的飞机蒙皮内部状态识别
飞机蒙皮是飞机的重要部件，其完整性影响着飞机的飞行性能和安全性能。以超声无损检测为核心的损伤检测技术在飞机蒙皮损伤检测中发挥了重要作用。由于飞机蒙皮检测难度大，单纯依靠超声A扫设备检测效率很低。引入人工智能可以有效提高检测效率。本文建立了一维卷积神经网络和单发多框检测器网络，在SSD网络的基础上，利用空洞卷积提高超声探头的实时跟踪。同时引入1DCNN对超声A扫信号进行分类。最后将二者的检测结果结合起来，实现对飞机蒙皮内部状况的反映。经测试，该算法能够对皮肤模拟标本进行识别，其识别准确率为96.5%，AP为90.9%，kappa值为0.996。将改进的SSD网络与SSD、YOLOv3、Faster R-CNN等网络进行比较，结果表明本文采用的改进网络更加优秀、有效。同时研究了4类优化算法、5种学习率的检测效果，最终对应的信号分类模型采用Adam，学习率为0.0001时效果最好。
表征深神经网络中子诱导的断层模型
摘要 - 在图形处理单元（GPU）上执行的深神经网络（DNN）的可靠性评估是一个具有挑战性的问题，因为硬件体系结构非常复杂，软件框架由许多抽象层组成。虽然软件级故障注入是评估复杂应用程序可靠性的一种常见且快速的方法，但它可能会产生不切实际的结果，因为它对硬件资源的访问有限，并且采用的故障模型可能太幼稚（即单位和双位翻转）。相反，用中子光束注射物理断层提供了现实的错误率，但缺乏故障传播可见性。本文提出了DNN故障模型的表征，该模型在软件级别结合了中子束实验和故障注入。我们将运行一般矩阵乘法（GEMM）和DNN的GPU暴露于梁中子，以测量其错误率。在DNNS上，我们观察到关键错误的百分比可能高达61％，并表明ECC在减少关键错误方面无效。然后，我们使用RTL模拟得出的故障模型进行了互补的软件级故障注入。我们的结果表明，通过注射复杂的断层模型，Yolov3的误导率被验证为非常接近通过光束实验测得的速率，该速率比仅使用单位倒换的断层注射测量的频率高8.66倍。
使用卷积
通讯作者：星期日。导航日常生活成为一项艰巨的任务，挑战与寻找放错位置的个人物品并意识到其环境中的对象以避免碰撞。这需要需要自动解决方案来促进对象识别。虽然传统的方法，例如导犬，白色的甘蔗和盲文提供了有价值的解决方案，但最近的技术解决方案，包括基于智能手机的识别系统和便携式相机，但遇到了诸如与文化特异性，设备特异性和缺乏系统自治有关的限制。这项研究通过引入卷积神经网络（CNN）对象识别系统的限制解决了解决方案，该解决方案旨在集成到一个移动机器人中，该机器人旨在作为视觉障碍者的机器人助手。机器人助手能够在狭窄的环境中四处走动。它将覆盆子PI与一个编程的摄像头结合在一起，以识别三个对象：手机，鼠标和椅子。一个卷积神经网络模型进行了训练以供对象识别，其中30％用于测试。使用Google Colab中的Yolov3模型进行了培训。对识别系统的定性评估的精度为79％，召回96％，机器人助手的精度为80％。它还包括一个图形用户界面，用户可以轻松地控制机器人助手的运动和速度。发达的机器人助手显着增强了自主权和对象识别，有望在视力受损的个体的日常导航中获得可观的好处。
使用摄像机生快照有效的视觉计算
摘要 - 常规摄像机在传感器上捕获图像辐照度（RAW），并使用图像信号处理器（ISP）将其转换为RGB图像。然后可以将图像用于各种应用中的摄影或视觉计算任务，例如公共安全监视和自动驾驶。可以说，由于原始图像包含所有捕获的信息，因此对于视觉计算而言，使用ISP不需要将RAW转换为RGB。在本文中，我们提出了一个新颖的ρ视框框架，以使用原始图像进行高水平的语义理解和低级压缩，而没有数十年来使用的ISP子系统。考虑到可用的原始图像数据集的稀缺性，我们首先开发了一个基于无监督的Cyclegan的不成对循环2R网络，以使用未配对的RAW和RGB图像来训练模块化的ISP和Inverse ISP（Invisp）模型。然后，我们可以使用任何最初在RGB域中训练的现有RGB图像数据集和Finune不同的模型来生成模拟的原始图像（SIMRAW），以处理现实世界中的相机原始图像。我们使用原始域yolov3和摄像头快照上的原始图像压缩机（RIC）演示了原始域中的对象检测和图像压缩功能。定量结果表明，与RGB域相比，原始域任务推断提供了更好的检测准确性和压缩效率。此外，所提出的ρVision在各种摄像机传感器和不同的任务特定模型上概括了。采用ρ视频的另外一种有益的是消除对ISP的需求，从而导致计算和处理时间的潜在减少。
使用改进的 YOLOv8 进行脑肿瘤识别
摘要 — 确定脑肿瘤的范围是脑癌治疗中的一项重大挑战。主要困难在于对肿瘤大小的近似检测。磁共振成像 (MRI) 已成为一种重要的诊断工具。然而，从 MRI 扫描中手动检测脑肿瘤的边界是一项劳动密集型任务，需要广泛的专业知识。深度学习和计算机辅助检测技术已导致机器学习在这方面取得了显着进步。在本文中，我们提出了一种改进的 You Only Look Once (YOLOv8) 模型来准确检测 MRI 图像中的肿瘤。所提出的模型用检测头中的实时检测变压器 (RT-DETR) 取代了非最大抑制 (NMS) 算法。NMS 会滤除检测到的肿瘤中的冗余或重叠的边界框，但它们是手工设计和预设的。RT-DETR 删除了手工设计的组件。第二项改进是通过用鬼卷积替换正常卷积块进行的。 Ghost Convolution 降低了计算和内存成本，同时保持了高精度并实现了更快的推理速度，使其成为资源受限环境和实时应用的理想选择。第三项改进是在 YOLOv8 的主干中引入视觉变换器模块来提取情境感知特征。我们在提出的模型中使用了公开的脑肿瘤数据集。所提出的模型比原始 YOLOv8 模型表现更好，也比其他物体检测器（Faster R-CNN、Mask R-CNN、YOLO、YOLOv3、YOLOv4、YOLOv5、SSD、RetinaNet、EfficientDet 和 DETR）表现更好。所提出的模型实现了 0.91 mAP（平均精度）@0.5。
AI引导的缺陷检测技术，以建模单晶
摘要。从过程发展的角度来看，通过化学蒸气沉积的钻石生长取得了显着的进步。但是，挑战在实现高质量和大区域材料生产方面持续存在。这些困难包括控制整个生长表面的均匀生长速率的控制条件。随着生长的进展，出现了各种因素或缺陷状态，改变了统一条件。这些变化会影响生长速率，并导致微观尺度上的晶体缺陷形成。但是，使用生长过程中拍摄的图像鉴定这些缺陷状态及其几何形状存在明显的方法。本文使用现场光学图像详细介绍了缺陷分割管道的开创性工作，以识别指示宏观上可见的有缺陷状态的特征。使用以前工作中应用的语义分割方法，这些缺陷状态和相应的导数特征是由其像素掩码隔离和分类的。使用注释以注释的人体软件体系结构来生成培训数据集，并使用主动学习，数据增强和模型辅助标记的模块进行选择性数据标记，我们的方法可实现有效的注释准确性，并大大降低了按幅度降低标签的时间和成本。在模型开发方面，我们发现基于深度学习的算法是最有效的。他们可以准确地从功能丰富的数据集中学习复杂的表示。基于Yolov3和DeepLabv3plus体系结构，我们表现最佳的模型为特定的特定特征实现了出色的精度。具体来说，中心缺陷的精度为93.35％，多晶缺陷的92.83％，边缘缺陷达到91.98％。
自动驾驶汽车中的LIDAR和相机数据融合
传感器融合是自动驾驶汽车中感知问题的重要解决方案之一，其中主要目的是增强对系统的感知而不会失去实时性能。因此，这是一个权衡问题，通常观察到大多数具有高环境感知的模型无法实时执行。我们的文章与相机和激光雷达数据融合有关，以实现自动驾驶汽车的更好环境感知，考虑到3个主要类别是汽车，骑自行车的人和行人。我们从3D检测器模型中融合了输出，该模型从LiDar中获取了其输入以及从相机中获取其输入的2D检测器的输出，以比单独分别提供更好的感知输出，以确保其能够实时工作。我们使用3D检测器模型（复杂的Yolov3）和2D检测器模型（YOLO-V3）解决了问题，其中我们应用了基于图像的融合方法，该方法可以在本文中详细讨论了LIDAR和摄像机信息之间的融合和相机信息之间的融合。我们使用平均平均精度（MAP）度量，以评估我们的对象检测模型并将所提出的方法与它们进行比较。最后，我们在Kitti数据集以及我们的真实硬件设置上展示了结果，该设置由LIDAR Velodyne 16和Leopard USB摄像机组成。我们使用Python开发了我们的算法，然后在Kitti数据集上验证了它。我们将ROS2与C ++一起使用，以验证从硬件配置获得的数据集上的算法，证明我们提出的方法可以以实时的方式在实际情况下有效地提供良好的结果并有效地工作。
与机器视觉集成的高分辨率微射流喷雾器的实时控制，用于精密杂草控制Raja，r。屠杀，哥伦比亚特区； Fennimore，
愿景，深度学习以及机器人和其他技术学，可能有助于减轻对更可持续的农业系统的需求。但是，传统的工业机器人不是为典型农业生态系统的复杂环境而设计的。农业领域中最关键的害虫控制问题之一是杂草控制，这是目前是一项劳动力的任务。因此，自动化杂草控制系统的需求很大。蔬菜场中的机器人内部杂草控制需要机器视觉，作物定位，决策和代理系统。缺乏可靠的技术来检测，定位和分类杂草和作物植物是开发针对特种蔬菜等特种耕作的完全自动化和全面的杂草管理系统的主要技术障碍。在杂草密度中等至高杂草密度的杂草田中，现有的机器人除草机变得混乱，因为它们无法解释过去的几十年，研究人员一直在尝试各种方法来实时区分杂草的杂草 - 杂草 - 杂草浓度。Lee等。 （1999）提出并开发了一个实时机器视觉系统，该系统以3 fps的速度区分了番茄植物和杂草，代表114毫米101毫米的种子线面积，允许杂草控制系统以1.20 kmh 1的速度传播。 番茄植物在75.8％的时间内正确识别，低于所需的准确性。 Lamm等。 （2002）开发了一种基于Lee El al的棉花的精确杂草映射的系统。 Slautter等。Lee等。（1999）提出并开发了一个实时机器视觉系统，该系统以3 fps的速度区分了番茄植物和杂草，代表114毫米101毫米的种子线面积，允许杂草控制系统以1.20 kmh 1的速度传播。番茄植物在75.8％的时间内正确识别，低于所需的准确性。Lamm等。（2002）开发了一种基于Lee El al的棉花的精确杂草映射的系统。Slautter等。的（1999）原型，并达到了88％的歧视精度。（2008）开发了一种多光谱的机器视觉识别系统，以对杂草的生菜作物分类，并获得90.3％的精度。Haff等。 （2011年）后来提出了一个基于X射线的作物检测系统，该系统达到了90.7％的tomatoplantsatthetthervavel speedof1.6kmh 1的检测准确性。 zhangetal。 （2012）提出了一种高光谱成像系统，以实时识别作物植物并将其与杂草区分开。 该系统在区分杂草的作物方面达到了95.8％的准确性。 有许多关于AI，机器学习，深度学习技术的研究工作，以对杂草进行分类（Bah等，2018； Osorio等，2020）。 Osorio等。 （2020）使用多光谱摄像机在生菜场和应用的SVM（支撑矢量机），Yolov3（您只看一次V3）和掩盖r e cnn（基于区域的综合神经网络）中的图像，以在杂草和作物之间进行分类，并在79％，89％，89％，89％，89％，89％，89％，89％，89％的差异Haff等。（2011年）后来提出了一个基于X射线的作物检测系统，该系统达到了90.7％的tomatoplantsatthetthervavel speedof1.6kmh 1的检测准确性。zhangetal。（2012）提出了一种高光谱成像系统，以实时识别作物植物并将其与杂草区分开。该系统在区分杂草的作物方面达到了95.8％的准确性。有许多关于AI，机器学习，深度学习技术的研究工作，以对杂草进行分类（Bah等，2018； Osorio等，2020）。Osorio等。（2020）使用多光谱摄像机在生菜场和应用的SVM（支撑矢量机），Yolov3（您只看一次V3）和掩盖r e cnn（基于区域的综合神经网络）中的图像，以在杂草和作物之间进行分类，并在79％，89％，89％，89％，89％，89％，89％，89％，89％的差异
通过...
摘要 - 基于CPU的推理可以作为外芯片加速器的拟合作用。在这种情况下，由于其高效率，新兴的矢量体系结构是一个有前途的选择。然而，卷积算法和硬件实现的庞大设计空间使设计选项的选择具有挑战性。在本文中，我们介绍了针对基于CPU的卷积神经网络（CNN）推断的共同设计的未来矢量体系结构的持续研究，重点是IM2Col+Gemm和Winograd内核。使用GEM5模拟器，我们探讨了几个硬件微体系特征的影响，包括（i）向量泳道，（ii）向量长度，（iii）缓存尺寸和（iv）将向量单元集成到CPU管道中的选项。In the context of im2col+GEMM, we study the impact of several BLIS-like algorithmic optimizations such as (1) utilization of vector registers, (2) loop unrolling, (3) loop reorder, (4) manual vectorization, (5) prefetching, and (6) packing of matrices, on the RISC-V Vector Extension and ARM-SVE ISAs.我们使用Yolov3和VGG16网络模型进行评估。我们的共同设计研究表明，BLIS样的优化对所有类型的矢量微体系结构都不是有益的。我们还证明，与我们优化的CNN内核相比，较长的矢量长度（至少为8192位）和较大的缓存（256MB）可以提高5倍的性能，而512位和1MB的载体长度则可以提高性能。我们的共同设计研究还表明，与IM2Col+GEMM相比，Winograd需要较小的缓存尺寸（高达64MB）。在Winograd的背景下，我们通过使用每个通道的8×8图块来介绍跨输入/输出通道之间的新颖的瓷砖并行方法，以对向量长度不可知（VLA）体系结构进行载体化算法。我们的方法利用了较长的向量长度并提供了高内存重复使用，与我们在Fujitsu A64FX处理器上优化的IM2Col+Gemm方法相比，对于具有3×3内核大小的非弯曲卷积层的性能提高了2.4倍。索引术语 - CNN，GEMM，Winograd，长量架构，向量长度不可知论ISA，共同设计，优化
在线空模式中的缺陷识别通过深度学习的帮助
处理步骤，但对于带有可变音调的打印图案，它的灵活性较小。此外，将DSA应用于高量制造的主要挑战之一是观察到的缺陷密度，该缺陷密度分别大于所需的缺陷密度为1和0.01缺损cm 2用于记忆和逻辑应用。最常见的缺陷是桥梁和位错。，即使EUVL也没有缺陷问题，如先前的工作4、5所述，并且被证明会导致桥梁缺陷。为了解决大型缺陷密度的关注，尤其是在DSA中，采用各种过程的选择步骤来确定可以减少整体缺陷密度的重要因素；优化步骤包括不同的退火条件，表面模式的周期性，指南线的宽度，模式的地形以及背景化学等。对于列出的处理步骤的每一个组合，进行扫描电子显微镜（SEM）图像的缺陷检查以评估处理条件的性能是必不可少的。这涉及为统计目的收集足够数量的SEM图像，并手动执行缺陷检测或使用图像处理工具。随着处理步骤的不同组合的数量增加，缺陷的手动标记效率低下。解决方案之一是使用新兴的深度学习算法来检测和分类不同类型的缺陷。在材料科学领域，已经应用了许多算法来从给定的图像集中学习复杂的缺陷特征。例如，（1）Xie等。6使用多级支持向量机算法来检测印刷电路板和晶圆中最常见的缺陷。这些缺陷涉及环，半圆，簇和划痕。（2）Zheng和Gu 7采用了学习算法的机器，以检测具有高准确性的石墨烯中多个空缺数量。（3）Tabernik等。8报道了一项研究，在该研究中，他们利用基于细分的深度学习体系结构从某些工业应用的角度来检测成品中的表面异常。对缺陷的深度学习辅助识别不仅限于材料科学领域，因此已在其他各个领域中用于诸如下水道管道9、10和水果缺陷检测中的缺陷检测。11我们认为，使用这种自动化方法来计算不同类型的缺陷，并指定其在线路和空间（L/S）模式中的位置，可以帮助过程工程师快速收集足够的统计数据，并提供更准确，更一致的方法来评估每个处理条件的组合。通常，需要大量培训样本以确保网络的高精度。不幸的是，如前所述，由于人类的努力和专业知识所需的负载，因此要求SEM图像中存在的缺陷标记的时间耗时的过程。这为收集足够的数据构成了深度学习网络所需的精度的障碍。13，14另一种数据增强方法是通过执行模拟来扩展数据集。数据增强是一种可行的选择，可以通过利用原始数据集中的更多信息来夸大培训数据集。如Shorten和Khoshgoftaar的评论论文所讨论的，12个增强策略包括几何和颜色变换，随机擦除和特征空间扩展。翻转图像是最简单，最便宜的策略之一，结合了其他几何形状转换，旋转和缩放的几何变换可提高深度学习算法的准确性。在Carrasco-Davis等人的天文事件的分类中探索了这种策略，15，其中作者依靠基于物理的模型来生成模拟数据集。参考。16，如Holtzman等人所述，使用点散射模型生成的模拟数据集为雷达图像模拟。17与真实的数据集混合在一起，可以提高船舶合成孔径雷达图像中目标识别的准确性。在这项工作中，使用最小的SEM数据集进行培训[O（100）图像]，我们使用了一个受良好版本3的启发的对象分类和检测网络。在剪切 - 索尔沃退火条件下使用圆柱体组成共聚物进行实验后，收集了SEM数据集。19网络中的卷积层和过滤器的数量已针对网络的准确性进行了优化。实施了各种激活功能和不同损失功能的进一步检查。使用两种策略夸大了具有有限数量SEM图像的初始数据集：（1）几何转换