检索结果-维普期刊中文期刊服务平台

基于RISC⁃V的五级流水线浮点SoC设计: 1; 作者刘兴通汤永华 +3 位作者张志鹏王腾川荣弘扬周程堉《现代电子技术》北大核心 2025年第14期57-62,共6页; RISC-V是一种开源指令集架构,其高度可定制化的特性在嵌入式系统领域展现出较强的应用潜力与优势。针对目前嵌入式处理器在视频解码和音频处理等方面对浮点数运算的需求,设计一种包含浮点处理单元(FPU)的片上系统(SoC)。SoC中的CPU是基... 展开更多; 关键词 RISC-V 浮点处理单元片上系统五级流水线 FPGA AXI4-Lite; 在线阅读下载PDF 职称材料

基于双通道分层协同的CEH-YOLOv8鱼体病害检测方法: 2; 作者荣弘扬汤永华 +3 位作者林森张志鹏王腾川刘兴通《华中农业大学学报》北大核心 2025年第2期83-93,共11页; 针对在鱼体病害检测中病害形状不规则、纹理不清晰以及病斑分散导致难以定位真实病害区域的问题,提出一种基于双通道分层协同的CEH-YOLOv8鱼体病害检测方法。首先,提出一种双通道特征提取网络,增强模型对不规则以及不清晰纹理病斑的提... 展开更多; 关键词鱼体病害检测 YOLOv8 特征提取网络注意力机制特征金字塔; 在线阅读下载PDF 职称材料

基于深度学习的鱼类识别相关技术研究现状及展望被引量：6: 3; 作者汤永华张志鹏 +2 位作者林森刘兴通张志佳《海洋渔业》 CSCD 北大核心 2024年第2期246-256,共11页; 为促进渔业生产智能化、现代化发展,综述了基于深度学习的鱼类识别相关技术。首先,从数据集构建、数据预处理、神经网络模型设计以及模型训练等4个方面阐述了基于深度学习的鱼类识别工作流程。然后,从图像分类、目标检测、图像分割3个... 展开更多; 关键词鱼类识别深度学习卷积神经网络目标检测图像分割研究进展; 在线阅读下载PDF 职称材料

基于多标签补偿的改进YOLOv8鱼体病害检测方法被引量：2: 4; 作者汤永华张志鹏 +3 位作者林森刘兴通荣弘扬王腾川《农业工程学报》 CSCD 北大核心 2024年第23期227-234,共8页; 为解决智能渔业养殖中鱼体病害因特征不明显,目标较小导致病鱼清理效率低的问题,该研究提出一种改进YOLOv8鱼体病害检测模型MS-YOLOv8。首先,采用空间到深度(SPD,space-to-depth)卷积替换YOLOv8网络模型中的跨行卷积,优化下采样,增加图... 展开更多; 关键词鱼体病害深度学习 YOLOv8 多标签损失空间到深度卷积; 在线阅读下载PDF 职称材料

题名基于RISC⁃V的五级流水线浮点SoC设计: 1; 作者刘兴通汤永华张志鹏王腾川荣弘扬周程堉; 机构沈阳工业大学信息科学与工程学院沈阳工业大学辽宁省机器视觉重点实验室; 出处《现代电子技术》北大核心 2025年第14期57-62,共6页; 基金辽宁省机器人联合基金项目(20180520022) 辽宁省应用基础研究计划(2023JH2/101300237)。; 文摘 RISC-V是一种开源指令集架构,其高度可定制化的特性在嵌入式系统领域展现出较强的应用潜力与优势。针对目前嵌入式处理器在视频解码和音频处理等方面对浮点数运算的需求,设计一种包含浮点处理单元(FPU)的片上系统(SoC)。SoC中的CPU是基于RISC-V指令集设计的五级流水线结构,其中包括RV32I基本指令集、M和F扩展指令集,以AXI4-Lite为片内总线并挂载UART、SPI、TIMER等基本外设。在FPGA上对SoC功能进行软硬件协同仿真测试,测试结果显示,CPU CoreMark跑分结果为3.31 CoreMark/MHz,并能完整运行外设程序,实现了完整的SoC功能设计。; 关键词 RISC-V 浮点处理单元片上系统五级流水线 FPGA AXI4-Lite; Keywords RISC-V floating-point processing unit system-on-chip five-stage pipeline FPGA AXI4-Lite; 分类号 TN912.3-34 [电子电信—通信与信息系统] TP332 [自动化与计算机技术—计算机系统结构]; 在线阅读下载PDF 职称材料

题名基于双通道分层协同的CEH-YOLOv8鱼体病害检测方法: 2; 作者荣弘扬汤永华林森张志鹏王腾川刘兴通; 机构沈阳工业大学信息科学与工程学院/沈阳工业大学辽宁省机器视觉重点实验室沈阳理工大学自动化与电气工程学院; 出处《华中农业大学学报》北大核心 2025年第2期83-93,共11页; 基金辽宁省机器人联合基金项目(20180520022) 辽宁省应用基础研究计划项目(2023JH2/101300237)。; 文摘针对在鱼体病害检测中病害形状不规则、纹理不清晰以及病斑分散导致难以定位真实病害区域的问题,提出一种基于双通道分层协同的CEH-YOLOv8鱼体病害检测方法。首先,提出一种双通道特征提取网络,增强模型对不规则以及不清晰纹理病斑的提取能力。然后,提出一种高效通道空间注意力机制(ECSA),提升模型对分布式目标的识别能力。同时为强化改进后的主干网络,提出一种分层协同的特征金字塔网络(HBFPN),对主干网络提取出的信息进行分层次特征融合,增强模型的特征表达能力。试验结果显示,CEH-YOLOv8网络对鱼体病害的识别精确率、召回率和mAP分别达到83.2%、72.5%和76.2%,相比于SOTA方法 YOLOv10提升了6.9、11.6和11.9百分点,相比原模型提高4.3、6.9和6百分点,单帧图像推理时间为9.1 ms。以上结果表明,改进后的YOLOv8网络可以精准筛选出带病鱼体,可用于提早发现渔业病害以减少经济损失。; 关键词鱼体病害检测 YOLOv8 特征提取网络注意力机制特征金字塔; Keywords detection of fish diseases YOLOv8 feature extraction network attention mechanism feature pyramid; 分类号 TP391.4 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于深度学习的鱼类识别相关技术研究现状及展望被引量：6: 3; 作者汤永华张志鹏林森刘兴通张志佳; 机构沈阳工业大学沈阳理工大学自动化与电气工程学院沈阳工业大学; 出处《海洋渔业》 CSCD 北大核心 2024年第2期246-256,共11页; 基金辽宁省机器人联合基金(20180520022)。; 文摘为促进渔业生产智能化、现代化发展,综述了基于深度学习的鱼类识别相关技术。首先,从数据集构建、数据预处理、神经网络模型设计以及模型训练等4个方面阐述了基于深度学习的鱼类识别工作流程。然后,从图像分类、目标检测、图像分割3个角度总结了近几年鱼类识别相关技术的研究进展及应用成果。其中,图像分类主要用于识别个体鱼的色泽与种类,目标检测侧重于估计鱼群的数量和体型,而图像分割则在推断鱼类的状态和行为方面发挥着重要作用。同时,分析了不同方法所具备的优势,比较了各方法在数据集中的性能指标。最后,对深度学习在鱼类识别领域的下一步发展方向和研究重点进行了展望。综上,深度学习方法效率普遍较高、泛化能力普遍较强,深度学习技术在鱼类识别中的广泛应用能够为渔业科研人员提供有效的技术支撑。; 关键词鱼类识别深度学习卷积神经网络目标检测图像分割研究进展; Keywords fish recognition deep learning convolutional neural networks object detection image segmentation research progress; 分类号 TP391.4 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于多标签补偿的改进YOLOv8鱼体病害检测方法被引量：2: 4; 作者汤永华张志鹏林森刘兴通荣弘扬王腾川; 机构沈阳工业大学辽宁省机器视觉重点实验室沈阳理工大学自动化与电气工程学院; 出处《农业工程学报》 CSCD 北大核心 2024年第23期227-234,共8页; 基金辽宁省应用基础研究计划(2023JH2/101300225)。; 文摘为解决智能渔业养殖中鱼体病害因特征不明显,目标较小导致病鱼清理效率低的问题,该研究提出一种改进YOLOv8鱼体病害检测模型MS-YOLOv8。首先,采用空间到深度(SPD,space-to-depth)卷积替换YOLOv8网络模型中的跨行卷积,优化下采样,增加图像信息利用率;同时,提出一种多标签边界框损失函数MLIoU(multi-label IoU),在正负样本匹配时保留能够覆盖多个病害区域的边界框,补偿模型在最优化IoU损失时,模型分类能力下降的问题,进而减少小目标病害的漏检率。试验结果表明,YOLOv8使用MLIoU时,在简单、一般、复杂3种难度鱼体病害的检测中,检出率比使用最新方法Inner-SIoU提高11.13、3.76、12.38个百分点,相比原模型提高6.27、0.66、3.01个百分点。MS-YOLOv8均值平均精度相比YOLOv5n、YOLOv7、YOLOv8n分别高出12.05、10.18、11.15个百分点,总检出率95.36%,每秒检测图像132帧,综合性能表现出明显优势。在实际检测中,MS-YOLOv8可以抑制相似于鱼体病害的背景干扰,且能够针对草鱼、鲢鱼等多种鱼类进行伤病检测,表现出优异的泛化能力和鲁棒性。研究结果可为渔业中病鱼清理工作提供有效技术支持。; 关键词鱼体病害深度学习 YOLOv8 多标签损失空间到深度卷积; Keywords fish body diseases deep learning YOLOv8 multi-label loss space-to-depth convolution; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于RISC⁃V的五级流水线浮点SoC设计	刘兴通汤永华张志鹏王腾川荣弘扬周程堉	《现代电子技术》北大核心	2025	0	在线阅读下载PDF 职称材料
2	基于双通道分层协同的CEH-YOLOv8鱼体病害检测方法	荣弘扬汤永华林森张志鹏王腾川刘兴通	《华中农业大学学报》北大核心	2025	0	在线阅读下载PDF 职称材料
3	基于深度学习的鱼类识别相关技术研究现状及展望	汤永华张志鹏林森刘兴通张志佳	《海洋渔业》 CSCD 北大核心	2024	6	在线阅读下载PDF 职称材料
4	基于多标签补偿的改进YOLOv8鱼体病害检测方法	汤永华张志鹏林森刘兴通荣弘扬王腾川	《农业工程学报》 CSCD 北大核心	2024	2	在线阅读下载PDF 职称材料