基于树莓派的实时目标检测
发布时间：2021-09-09 09:37
随着信息时代的到来,目标检测走入人们的生活,云计算方式已不能满足人们的需求。一方面,越来越多的边缘端设备产生的实时数据需要被及时处理,数据传输要求更高的带宽,实时处理的数据传输浪费了较长的时间,已不能满足实时性的要求,就无人驾驶这一场景而言,秒级的延迟就有可能造成灾难的发生;另一方面,数据在传输过程中,易被黑客攻击,容易发生数据泄露的问题,就智能家居这一场景而言,用户更容易接受将数据本地化处理,不上传云端,这样也保证了用户的隐私不受侵犯;其次,云计算服务用户的增加,也对云计算中心造成极大的负担,很多大规模的数据中心也已经无法满足要求。因此边缘计算的概念被人们所提出,顾名思义,边缘计算是指在“边缘”进行计算,不再采用云计算的方式进行计算,先将数据传输到云端,再返回数据,而是直接在本地计算。对目标检测而言,想要及时的获取计算结果,图像数据使用边缘计算的方式进行处理,响应时间更短,处理效率更高,网络压力更小。本文以实现实时目标检测为目的,分析并确定了以树莓派为边缘计算载体的目标检测实现方式;研究现有的目标检测算法,确定使用基于深度学习方法中的one stage算法,实验、对比选出Mobile...
【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
卷积神经网络结构
华 中 科 技 大 学 硕 士 学 位 论 文入层入层一般对图像进行处理，将图像转换为像素值矩阵，传递给下一层进行。输入层的图像可分为灰度图像和彩色图像，每个图像都可以用像素值矩，灰度图像是指只含有一个通道的图像，可以表示为二维像素值矩阵，彩含 RGB 三个通道，可以看作是三个二维像素值矩阵的叠加，像素值矩阵值一般为 0~255，如图 2.2 为一个灰度图像与其像素值矩阵。
图 2.3 卷积过程卷积具有两个特性，参数共享和稀疏连接。参数共享其实就是卷积核共享，直边缘检测卷积核如果适用于图片的某个区域，那么它也可能适用于图片的其域，如果我们用垂直卷积核扫描整张图片，就可以得到整张图片的所有垂直边缘换做水平过滤器就可以扫描出图片的水平边缘。在卷积神经网络中，我们用不卷积核对整张图片进行卷积，学习整张图片的不同特征，而不是利用不同的卷去学习图片不同的局部特征，因为图像的不同部分也可能有相同的特征，所以图像可以都使用一个卷积核进行卷积，以便提取相同的图像特征，即参数共享图 2.4，分别是使用水平边缘卷积核和垂直边缘卷积核卷积后的结果。
【参考文献】：
期刊论文
[1]基于边缘检测的海岸线自动提取研究[J]. 原晓慧,王萍,张英,任凌,翟亮. 北京测绘. 2019(02)
[2]基于卷积神经网络的焊接缺陷识别技术及应用[J]. 杨志超,周强,胡侃,赵云. 武汉理工大学学报(信息与管理工程版). 2019(01)
[3]基于单片机的智能水下目标检测识别系统设计[J]. 卢言. 电子制作. 2019(01)
[4]基于树莓派智能导盲棍系统设计[J]. 郑浩清. 中国战略新兴产业. 2017(44)
[5]基于视觉的目标检测与跟踪综述[J]. 尹宏鹏,陈波,柴毅,刘兆栋. 自动化学报. 2016(10)
博士论文
[1]基于图像的人体检测跟踪和人脸识别的研究[D]. 王守佳.吉林大学 2013
[2]复杂背景下运动目标检测和识别关键技术研究[D]. 解晓萌.华南理工大学 2012
硕士论文
[1]基于伪标注生成器的弱标记实时目标检测方法[D]. 王璞.哈尔滨工业大学 2018
[2]光照变化环境下的运动目标检测和跟踪方法研究[D]. 赵淑胜.山东建筑大学 2018
[3]基于IEC61131-3标准的边缘计算实时数据服务的研究[D]. 郭敏.大连理工大学 2018
[4]基于标签相关性与协同训练的卷积神经网络车辆识别算法[D]. 蒋俊钊.广东工业大学 2018
[5]面向移动端的轻量级卷积神经网络分类算法研究[D]. 马帅.华南理工大学 2018
[6]基于深度学习的目标检测服务平台研究与实现[D]. 林昌伟.北京邮电大学 2018
[7]基于人脸识别技术和边缘计算技术的智能系统研究[D]. 蔡成飞.浙江大学 2018
[8]手势识别关键技术及其在智能实验室中的应用研究[D]. 陈睿敏.中国科学院大学(中国科学院上海技术物理研究所) 2017
[9]基于地理栅格的蜂窝网络覆盖性能分析工具的研发[D]. 刘苇.华中科技大学 2016
[10]智能车辆障碍检测与避障策略的研究[D]. 韩璐.东华大学 2012
本文编号：3391861
【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
卷积神经网络结构
华 中 科 技 大 学 硕 士 学 位 论 文入层入层一般对图像进行处理，将图像转换为像素值矩阵，传递给下一层进行。输入层的图像可分为灰度图像和彩色图像，每个图像都可以用像素值矩，灰度图像是指只含有一个通道的图像，可以表示为二维像素值矩阵，彩含 RGB 三个通道，可以看作是三个二维像素值矩阵的叠加，像素值矩阵值一般为 0~255，如图 2.2 为一个灰度图像与其像素值矩阵。
图 2.3 卷积过程卷积具有两个特性，参数共享和稀疏连接。参数共享其实就是卷积核共享，直边缘检测卷积核如果适用于图片的某个区域，那么它也可能适用于图片的其域，如果我们用垂直卷积核扫描整张图片，就可以得到整张图片的所有垂直边缘换做水平过滤器就可以扫描出图片的水平边缘。在卷积神经网络中，我们用不卷积核对整张图片进行卷积，学习整张图片的不同特征，而不是利用不同的卷去学习图片不同的局部特征，因为图像的不同部分也可能有相同的特征，所以图像可以都使用一个卷积核进行卷积，以便提取相同的图像特征，即参数共享图 2.4，分别是使用水平边缘卷积核和垂直边缘卷积核卷积后的结果。
【参考文献】：
期刊论文
[1]基于边缘检测的海岸线自动提取研究[J]. 原晓慧,王萍,张英,任凌,翟亮. 北京测绘. 2019(02)
[2]基于卷积神经网络的焊接缺陷识别技术及应用[J]. 杨志超,周强,胡侃,赵云. 武汉理工大学学报(信息与管理工程版). 2019(01)
[3]基于单片机的智能水下目标检测识别系统设计[J]. 卢言. 电子制作. 2019(01)
[4]基于树莓派智能导盲棍系统设计[J]. 郑浩清. 中国战略新兴产业. 2017(44)
[5]基于视觉的目标检测与跟踪综述[J]. 尹宏鹏,陈波,柴毅,刘兆栋. 自动化学报. 2016(10)
博士论文
[1]基于图像的人体检测跟踪和人脸识别的研究[D]. 王守佳.吉林大学 2013
[2]复杂背景下运动目标检测和识别关键技术研究[D]. 解晓萌.华南理工大学 2012
硕士论文
[1]基于伪标注生成器的弱标记实时目标检测方法[D]. 王璞.哈尔滨工业大学 2018
[2]光照变化环境下的运动目标检测和跟踪方法研究[D]. 赵淑胜.山东建筑大学 2018
[3]基于IEC61131-3标准的边缘计算实时数据服务的研究[D]. 郭敏.大连理工大学 2018
[4]基于标签相关性与协同训练的卷积神经网络车辆识别算法[D]. 蒋俊钊.广东工业大学 2018
[5]面向移动端的轻量级卷积神经网络分类算法研究[D]. 马帅.华南理工大学 2018
[6]基于深度学习的目标检测服务平台研究与实现[D]. 林昌伟.北京邮电大学 2018
[7]基于人脸识别技术和边缘计算技术的智能系统研究[D]. 蔡成飞.浙江大学 2018
[8]手势识别关键技术及其在智能实验室中的应用研究[D]. 陈睿敏.中国科学院大学(中国科学院上海技术物理研究所) 2017
[9]基于地理栅格的蜂窝网络覆盖性能分析工具的研发[D]. 刘苇.华中科技大学 2016
[10]智能车辆障碍检测与避障策略的研究[D]. 韩璐.东华大学 2012
本文编号：3391861
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3391861.html
