为准确高效检测糙皮侧耳(Pleurotus ostreatus)黄斑病,构建基于YOLOv5s的黄斑病检测模型YOLOv5s-GCE。该模型在YOLOv5s模型基础上引入轻量化GhostNet结构,将坐标注意力(coordinate attention,CA)模块嵌入到YOLOv5s主干网络中,并利用增...为准确高效检测糙皮侧耳(Pleurotus ostreatus)黄斑病,构建基于YOLOv5s的黄斑病检测模型YOLOv5s-GCE。该模型在YOLOv5s模型基础上引入轻量化GhostNet结构,将坐标注意力(coordinate attention,CA)模块嵌入到YOLOv5s主干网络中,并利用增强交并比(enhanced intersection over union,EIOU)损失函数替换原YOLOv5s网络的完整交并比(complete intersection over union,CIOU)损失函数,利用自建的黄斑病数据集,对YOLOv5s-GCE模型进行消融和对比实验,并将该模型部署在RK3588S人工智能开发板上进行测试。结果表明:相比于原始YOLOv5s模型,YOLOv5s-GCE模型的平均精度均值(mean average precision,mAP)为92.7%(提高2.7%),复杂度显著降低,参数量、权重大小和浮点运算量(giga floating-pointoperations per second,GFLOPs)分别降低44.7%、43.4%和47.2%;YOLOv5s-GCE模型的整体性能优于SSD、YOLOv7、YOLOv8n和Faster R-CNN典型的目标检测模型。部署在RK3588S开发板上的YOLOv5s-GCE模型检测速度可达每秒30.49帧,mAP值为90.2%,可以满足糙皮侧耳黄斑病实时检测需求,研究结果为后续研发食用菌病害智能检测装置提供参考。展开更多
第五代移动通信技术(5th-generation mobile communication technology,5G)网络对高速率、低时延、高可靠性的移动通信处理需求不断增加,对终端基带信道估计算法的高性能和低复杂度设计、矩阵处理动态范围提出挑战。针对上述问题,本文...第五代移动通信技术(5th-generation mobile communication technology,5G)网络对高速率、低时延、高可靠性的移动通信处理需求不断增加,对终端基带信道估计算法的高性能和低复杂度设计、矩阵处理动态范围提出挑战。针对上述问题,本文提出一种基于相关矩阵托普利兹(Toeplitz)特性的信道估计算法。依据信道的相干带宽特性计算信道相关矩阵并保留必要的较低矩阵阶数;基于相关矩阵的Toeplitz特性设计低复杂度的递归求逆算法,并针对加权矩阵乘法的元素重复性将矩阵乘法化简为矩阵点乘,简化加权矩阵运算;同时引入跟踪信噪比变化的缩放补偿因子对计算过程和结果分别进行缩放和补偿。理论分析和仿真结果显示,本文所提算法可在达到优异的信道估计性能条件下,有效降低运算复杂度,并极大降低算法矩阵处理的动态范围。展开更多
文摘为准确高效检测糙皮侧耳(Pleurotus ostreatus)黄斑病,构建基于YOLOv5s的黄斑病检测模型YOLOv5s-GCE。该模型在YOLOv5s模型基础上引入轻量化GhostNet结构,将坐标注意力(coordinate attention,CA)模块嵌入到YOLOv5s主干网络中,并利用增强交并比(enhanced intersection over union,EIOU)损失函数替换原YOLOv5s网络的完整交并比(complete intersection over union,CIOU)损失函数,利用自建的黄斑病数据集,对YOLOv5s-GCE模型进行消融和对比实验,并将该模型部署在RK3588S人工智能开发板上进行测试。结果表明:相比于原始YOLOv5s模型,YOLOv5s-GCE模型的平均精度均值(mean average precision,mAP)为92.7%(提高2.7%),复杂度显著降低,参数量、权重大小和浮点运算量(giga floating-pointoperations per second,GFLOPs)分别降低44.7%、43.4%和47.2%;YOLOv5s-GCE模型的整体性能优于SSD、YOLOv7、YOLOv8n和Faster R-CNN典型的目标检测模型。部署在RK3588S开发板上的YOLOv5s-GCE模型检测速度可达每秒30.49帧,mAP值为90.2%,可以满足糙皮侧耳黄斑病实时检测需求,研究结果为后续研发食用菌病害智能检测装置提供参考。
文摘第五代移动通信技术(5th-generation mobile communication technology,5G)网络对高速率、低时延、高可靠性的移动通信处理需求不断增加,对终端基带信道估计算法的高性能和低复杂度设计、矩阵处理动态范围提出挑战。针对上述问题,本文提出一种基于相关矩阵托普利兹(Toeplitz)特性的信道估计算法。依据信道的相干带宽特性计算信道相关矩阵并保留必要的较低矩阵阶数;基于相关矩阵的Toeplitz特性设计低复杂度的递归求逆算法,并针对加权矩阵乘法的元素重复性将矩阵乘法化简为矩阵点乘,简化加权矩阵运算;同时引入跟踪信噪比变化的缩放补偿因子对计算过程和结果分别进行缩放和补偿。理论分析和仿真结果显示,本文所提算法可在达到优异的信道估计性能条件下,有效降低运算复杂度,并极大降低算法矩阵处理的动态范围。
