-
题名基于GAN&CNN的物联网环境下入侵检测研究
- 1
-
-
作者
卢志成
徐海峰
潘巨龙
-
机构
中国计量大学信息工程学院
丽水职业技术学院电子信息学院
-
出处
《传感技术学报》
北大核心
2025年第10期1853-1861,共9页
-
文摘
随着科技进步,网络入侵手段也越来越多样,给物联网环境下边缘设备的安全带来了严峻挑战。针对目前物联网环境下传统入侵检测模型检测性能普遍较差以及不适配边缘设备资源受限、计算能力较低等特点,提出一种基于生成对抗网络GAN和卷积神经网络CNN的轻量化模型用于检测物联网环境下的入侵行为。首先,采用生成对抗网络技术解决数据不平衡问题;其次,使用基于跨阶段局部结构的轻量化卷积神经网络提取流量特征,并选择HSwish作为激活函数,以减少模型计算量和提高计算效率;最后,通过Softmax对流量数据进行分类。新算法在UNSW-NB15和CICIDS2018入侵检测数据集上进行实验,模型检测入侵行为的准确率分别达到99.64%和96.65%,精确率分别达到99.55%和99.35%,召回率分别达到99.61%和99.64%,F1分数分别达到99.58%和99.49%,大小控制在21KB~32KB左右。结果表明,所提出的模型在保证模型入侵检测精度的同时,减少了模型的大小和计算量,满足条件苛刻的物联网环境下高精度的入侵检测需求。
-
关键词
入侵检测
物联网
生成对抗网络
卷积神经网络
跨阶段局部结构
-
Keywords
intrusion detection
Intemet of Things
generative adversarial network
convolutional neural network
cross stage partial structure
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
TP212
[自动化与计算机技术—检测技术与自动化装置]
TP393.08
[自动化与计算机技术—计算机应用技术]
-
-
题名基于混合注意力的全天候机场跑道异物检测
- 2
-
-
作者
张敬博
任杰
王美琪
-
机构
石家庄铁道大学机械工程学院
-
出处
《北京航空航天大学学报》
北大核心
2025年第9期3222-3232,共11页
-
基金
国家自然科学基金(12102273)。
-
文摘
机场跑道的异物检测对于飞机安全起降起着至关重要的作用,然而不同光照、天气跑道环境下现有的检测算法存在漏检、误检等现象,为此提出了一种适用于全天候机场跑道环境的YOLOv5异物检测算法。针对原有网络中池化过程存在一定程度的特征损失问题,设计了跨阶段局部空间金字塔池化模块,可以自适应提取深层特征语义信息,增强网络多尺度表征能力;在特征融合部分引入混合注意力模块,利用通道和空间特征权值再分配,强化异物和无关背景要素的特征差异;针对小目标异物难以识别和定位从而导致漏检现象,设计了多尺度定位损失函数,通过加入相似性度量提高小目标的检测能力;使用优化后的训练策略训练MS-FOD数据集。实验结果表明:改进的算法达到了95.83%的均值平均精度和94.31%的召回率,相比原始的YOLOv5分别提高了3.68%和15.69%,同时检测速度为68帧/s,满足实时性异物检测的需求,有效验证了所提算法对机场跑道异物检测的有效性。
-
关键词
机场跑道异物
YOLOv5
跨阶段局部结构
混合注意力机制
多尺度损失函数
-
Keywords
foreign object debris on airport runways
YOLOv5
cross stage partial structure
mixed attention mechanism
multiscale loss function
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
V328
[航空宇航科学与技术—人机与环境工程]
-
-
题名钢材表面缺陷检测的YOLOv5s算法优化研究
被引量：10
- 3
-
-
作者
徐洪俊
唐自强
张锦东
朱沛华
-
机构
国网江苏省电力工程咨询有限公司
同济大学土木工程学院
石家庄铁道大学安全工程与应急管理学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2024年第7期306-314,共9页
-
基金
国家电网科技项目(5100-202118375A-0-0-00)。
-
文摘
针对YOLOv5对钢材缺陷复杂特征提取能力不足且检测结果易受背景环境干扰等问题,提出一种基于YOLOv5s的钢材表面缺陷检测算法。该算法在Backbone的核心特征提取模块C3中引入CBAM注意力,提升Backbone层对于关键信息的关注度;利用CARAFE替换最近邻插值算法,降低了上采样操作对于特征信息造成的损失;提出用融合跨阶段局部网络的金字塔池化结构SPPCPSC替换YOLOv5中的SPPF,提升网络的表达能力和感知能力。实验结果表明,提出YOLOv5s改进模型在NEU-DET数据集上的mAP@0.5达到了76.6%,比YOLOv5s提升2.3个百分点,模型参数量与基线模型基本一致,而CARAFE是导致改进模型检测速度降低的主要原因。除此,实验结果还发现CARAFE与SPPCSPC_group组合使用,对于模型的检测准确度有良好的提升作用。
-
关键词
YOLOv5
注意力机制
跨阶段局部通道金字塔池化结构(SPPCSPC)
特征提取
缺陷检测
-
Keywords
YOLOv5
attention mechanism
spatial pyramid pooling-cross stage partial channel(SPPCSPC)
feature extraction
defect detection
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
