一、使用C++构建嵌入式开发框架(论文文献综述)
李恒[1](2021)在《工程伦理教育的关键机制研究》文中研究表明科技的迅速发展、工程问题复杂性的提升以及工程活动利益相关者的增加,使得工程师在工程实践中面临着越来越多的工程伦理问题。在高等工程教育中,作为工程师培养核心环节之一的“工程伦理教育”的重要性与日俱增。自20世纪70年代以来,工程伦理教育被以美英为代表的世界工程强国视为培养伦理卓越工程技术人才的重要手段。我国工程伦理教育发轫于20世纪90年代末,现阶段,成为“华盛顿协议”正式缔约国以及“新工科”项目的扎实推进为我国的工程伦理教育提供了重要契机。尽管如此,我国工程伦理教育仍面临三个重大挑战:一是工程伦理教育在供需对接上未实现动态平衡;二是工程伦理教育治理手段乏善可陈;三是工程伦理教育与我国工程情境的适配性不高。针对上述现实问题,需要进一步分析工程伦理教育的发展特征,提炼关键机制。本研究围绕“系统分析符合工程伦理教育内在发展规律的关键机制”这一核心议题开展研究,并由此展开三个环环相扣的子研究:第一,工程伦理教育关键机制的建构;第二,我国工程伦理教育关键机制实施现状的评估;第三,完善我国工程伦理教育关键机制的对策建议。首先,本文运用系统文献综述法和文献计量法对工程伦理教育的国内外文献进行梳理;其次,运用扎根理论、多案例分析与比较分析法对工程伦理教育关键机制的理论结构和实现路径进行建构性研究;再次,以本研究提出的关键机制为指标来源,以层次分析法和模糊综合评价法为方法指导,针对113份评价样本,对我国工程伦理教育关键机制的实施现状开展实证评估,并在此基础上对我国工程伦理教育作出以事实为导向的客观判断;最后,整合所有研究结论,消除理论话语和实践话语的阻隔,归纳用于完善我国工程伦理教育关键机制的对策建议。本研究得到了以下四个结论:(1)工程伦理教育的复杂性决定了工程伦理教育关键机制的复杂性,工程伦理教育的发展呈现出优化教育策略、汇聚协同力量、把握国内国际动向等核心要点,主要涵括培养机制、协同机制和情境机制三个维度。(2)工程伦理教育关键机制是“合理性”和“合规律性”的统一。在“合理性”方面,情境机制契合了价值合理性的意蕴,培养机制和协同机制则契合了工具合理性的表征。在“合规律性”方面,情境机制是控制单元,情境机制通过构建了一个包括社会因素、自然因素和精神因素在内的场域而成为关键机制的“指挥控制中心”;协同机制是存储单元,通过“各种协议”(如,伦理准则)和“软硬件”(如,经费资源)的配合而成为了“制度池”和“资源池”;培养机制则是运算单元,高校根据“情境机制”的“指令”并在“协同机制”的干预下,整合各类教育要素、深入本土教育实践、打造教育新模式。(3)本研究对我国工程伦理教育关键机制的实施现状进行评估。实证评估结果显示,按权重由大到小排序,依次是情境机制(36.0%)、协同机制(33.7%)和培养机制(30.3%);按综合得分由高到低排序,依次是培养机制(71.711分)、情境机制(70.319分)和协同机制(68.339分);按优秀(80-100分)、良好(70-79分)、合格(60-69分)和不合格(≤59)进行等级分类,我国工程伦理教育关键机制现状的综合评价等级为“良好”(70.074分)。(4)深入我国工程伦理教育发展的特殊情境,立足“培养机制”、“协同机制”和“情境机制”提出了一系列有针对性的对策建议,具体包括:细化培养机制,在供需对接上实现动态平衡;强化协同机制,丰富工程伦理教育的治理手段;深化情境机制,适应我国工程伦理教育的发展阶段和独特需求。本研究的主要创新点在于:其一,通过扎根理论研究、规范研究、案例研究等多种研究方法揭示了工程伦理教育的关键机制、实现路径及其规范性特征;其二,通过层次分析法、模糊综合评价法构建了工程伦理教育关键机制实施现状的评价体系并开展了实证评估;其三,立足中国情境,提出了一系列完善关键机制的对策建议,为我国工程伦理教育的发展提供有益的实践启示。
郭富海[2](2021)在《基于YOLOv4分块权重剪枝的口罩佩戴检测及嵌入式实现》文中进行了进一步梳理口罩佩戴检测属于一种目标检测技术。佩戴口罩是常态化疫情防控的要求。本文主要的实验目的是在社区、商场、火车站、机场等人员密集、人流量较大的场所,利用嵌入式设备实现口罩佩戴检测。为了减小设备体积、降低成本和部署难度,本文提出了一种基于YOLOv4的轻量型目标检测网络框架YOLO-K210。首先采用一种适用于任意核大小的分块权重剪枝算法,对网络模型进行了压缩,然后对数据集进行预处理并采用非极大值抑制的方法减小定位误差,最后将检测网络框架移植到基于K210芯片设计的嵌入式平台上,达到了实时检测的目的。其中,主要工作和创新点如下:(1)针对基于深度学习的目标检测网络模型较大的问题,采用分块权重剪枝的方法,对YOLOv4进行了压缩,缩减了检测网络的参数量。达到了在不牺牲检测精度的前提下来提高检测速度的目的,使整体网络框架更适用于口罩佩戴检测的嵌入式实现。(2)针对现有深度学习的嵌入式平台存在成本高、功耗大等问题,采用国产芯片K210完成了嵌入式平台的硬件设计与搭建,并使用编译器优化等方法对整体框架进一步调整,在嵌入式设备上实现了口罩佩戴检测,取得了理想的检测速度与精度。(3)整个项目从工程实际应用的角度出发,将促进深度学习技术落地的思想贯穿始终。在实现过程中,对复杂度、成本、应用场景进行综合考虑。符合实际应用需求,可完成口罩佩戴检测任务,具有一定的实用价值。实验结果表明,本文所应用的口罩佩戴检测算法,可对受测者是否佩戴口罩进行正确的判断,在仅损失较少精度的情况下,保持了较高的网络压缩率和识别速度。在RTX2080上,模型在经过14倍的压缩后,m AP可达到85.2%,FPS可达30;移植到K210上,m AP为64.8%,FPS为15.4,可以达到实时检测的基本要求,完成了口罩佩戴检测的嵌入式实现。
卢琏[3](2021)在《高校图书馆嵌入式信息素养教育研究》文中认为
张文玮[4](2021)在《智能自动分类垃圾箱算法设计及其嵌入式实现》文中研究指明近些年,由于社会的高速发展,每天产生的生活垃圾量也日益增多。而目前对于生活垃圾的处理仍然采用焚烧处置的方式,这种方式既污染环境也极不利于可再生资源的回收利用。因此,从2019年7月开始,我国上海市首先开展垃圾分类工作,随后全国各城市也加速推进垃圾分类制度。但是,在实行垃圾分类政策的过程中显露出许多问题,比如垃圾种类复杂多样、垃圾分类监管不到位、市民缺乏垃圾分类知识、甚至还有些市民由于忙碌等原因不乐于进行垃圾分类等等。本文针对以上问题,结合机械设计、传感器、物联网、嵌入式系统设计、深度学习、机器视觉等技术,设计了一款能够自动分类的智能垃圾箱,并提出了一种基于深度残差神经网络的垃圾图像分类识别方法,主要内容如下:首先,从垃圾箱样机设计出发,对智能自动分类垃圾箱的机械结构与传动系统部分进行了创新,为了达到自动分类的目的,在传统垃圾箱上安装了摄像头、步进电机、舵机、红外等传感器模块,采用滚珠丝杠机构完成对不同类别垃圾识别后的分类投递工作,并结合OneNET物联网平台使垃圾管理人员可远程管理垃圾箱。其次,在GPU上基于TensorFlow框架和Inception V3深度神经网络结构对垃圾图像数据集进行迁移学习,并将得到的PB模型嵌入式移植至上位机。基于Raspberry Pi使用Python语言实现垃圾图像的分类识别算法,基于STM32使用C语言控制传感器进行嵌入式系统软硬件开发,使用串口实现了上位机Raspberry Pi与下位机STM32通信。最后,从算法实现的理论出发,对原始ResNet50神经网络结构做了改进,通过减小卷积核大小,增加网络宽度,从而降低模型训练时间提高模型学习能力。并结合垃圾图片本身种类多样、形状各异的特点,提出了一种基于深度残差神经网络的垃圾图像分类识别方法。实验结果表明,对比其他神经网络结构,本文所提出的改进ResNet50结构对垃圾图像的分类识别率高达95.19%,同时也避免了由于加深网络层数而导致的网络梯度消失等问题。
李泽寰[5](2021)在《基于模型检测的嵌入式接口驱动形式化分析与验证》文中认为嵌入式系统的安全性不仅取决于系统硬件的稳定性,而且与系统功能实现代码有密切关系。在一些复杂的嵌入式系统中,嵌入式系统硬件上需要连接大量外设,导致嵌入式系统软件需要包含庞大的驱动代码,这些驱动代码不经过安全验证,会产生死锁等一系列安全问题。形式化方法是验证嵌入式系统驱动安全性最有效的方法,通过分析内核驱动中数据的流向以及各进程间的交互,发现潜在安全隐患,进而保证嵌入式系统的安全。本文主要研究Linux字符型驱动的安全性问题。基于时间自动机建模并对内核驱动中关键数据结构进行定义,提出一种Linux字符型驱动形式化描述通用方法。本文主要研究成果如下:(1)提出字符型驱动形式化分析通用方法。形式化定义设备、资源函数、平台驱动、文件操作结构等数据结构。分析字符型驱动加载过程,以及用户访问驱动过程,给出反映驱动加载和运行的时间自动机语义。分割字符型驱动的加载过程,使得设备注册和平台驱动注册相对独立,从而实现状态数的缩减。(2)建立基于时间自动机的PWM驱动模型。引入平台总线模型,实现设备注册和平台注册的异步进行。根据字符型驱动形式化分析通用方法对PWM驱动进行建模,使用UPPAAL工具验证PWM驱动模型是否满足计算树逻辑抽象出的属性。(3)建立基于时间自动机的UART驱动模型。把UART驱动分为驱动结构部分和协议实现部分,分别验证UART驱动的运行和UART协议代码的运行,发现不定时清理数据缓存,将导致内存溢出。
宋阳春[6](2021)在《基于图神经网络的景点推荐方法研究与应用》文中认为在国家政策引导和行业需求推动下,旅游市场快速发展,旅游信息过载问题随之出现。由于用户旅游频次低,历史交互数据稀疏,目前常用的传统推荐算法如协同过滤、矩阵分解等推荐效果不佳。同时现有旅游系统主要是对旅游信息进行展示,缺乏个性化旅游资源定制功能。有鉴于此,本文面向旅游者的个性化需求,基于用户对景点的历史访问数据,设计了一种基于图卷积神经网络的景点推荐算法,在此基础上设计并实现了个性化旅游推荐系统。主要研究内容如下:首先,本文将旅游过程中用户访问景点的活动建模为不同类型节点构成的异构图,将为用户推荐景点任务转换为异构图中节点的链接预测问题。在此基础上,设计了一种基于图卷积神经网络的景点推荐算法,旨在利用多层图卷积操作显式建模异构图中的高阶连接性来学习用户和景点的嵌入式表示,同时利用多层感知机捕捉用户和景点之间的非线性交互关系,最终提升模型推荐效果。其次,对基于图卷积神经网络的景点推荐算法进行实验验证。对实验中的参数进行分析,测试不同参数对推荐性能的影响;分析不同迭代次数下算法的收敛情况;与相关的景点推荐方法进行对比,分析推荐算法的性能。实验结果表明,本文的算法相较于其他景点推荐算法在命中率和归一化折损累计增益上均有一定提高,证明了算法的有效性。最后,设计并实现了个性化旅游推荐系统,对系统进行性能分析,从功能性和非功能性方面明确了系统需求;对系统架构、系统功能模块以及数据库表进行设计;对系统的主要功能模块进行用例测试;通过系统中景点推荐等功能模块的具体实现验证景点推荐算法的可用性。
胡敏[7](2021)在《基于边缘AI的雪面识别技术研究与应用》文中研究表明“边缘人工智能”(edged artificial intelligence,edged AI)将机器学习带到了移动端,为大数据的研究有效地降低了时间成本、经济成本、能源消耗,在人们的视线中逐渐明朗,众多行业中对边缘AI的技术研究也伴随着人工智能的发展与成熟逐渐崭露头角。随着气象现代化建设的进程,很多地方都建成了自动雪深探测仪,绝大多数地区都采用江苏省航天新气象科技有限公司自主研发生产的地面降水降雪探测(ground-baesd instrument shower-snow,DSS1)型雪深探测仪,在雪面天气,依托自动测量雪深的有效手段,在防灾减灾方面发挥了极大的作用,然而也不时出现一些错误数据。本文主要研究移动端雪面识别技术,从机器学习的角度出发,辅助雪深激光探测仪识别测雪板上的雪,降低误测率。本文以带有深度学习模块的嵌入式海思Hi3559A为硬件处理器,针对移动端设备内存小、算力低、供电不足、设备后期维护成本高等难题,设计了低功耗嵌入式雪面识别系统,主要研究内容如下:1.根据图像裁剪原理,从位置信息的角度出发,保留敏感像素点,尽可能避免图像裁剪带来的信息损失,有效减少计算量,提高图像分类的识别率;2.设计了图像增强算法,通过非线性变换Y分量修改图像亮度范围,使得当前场景下图像画质达到最优,在保持图像颜色信息的条件下提高清晰度,遇到霜冻、雾霾、降雨等天气,仍然可以正常识别;3.训练caffe1.0框架下的Mobile Net V2图像分类网络并移植到Hi3559A模组中,实现雪面的自动识别;4.在硬件电路中增加分频电路判断方波个数,电路全部采用场效应管以达到低功耗、低延时的目标;在测试环节中,主要进行了功能测试和性能测试两个方面,测试的结果表明模组能够实现图像采集、图像处理和图像分类、通用型输入输出接口(general purpose input/output,GPIO)输出功能。性能测试表明,平均功率2W,漏电流为0.031A,待机电流为0.185A,识别率99.7%,识别一张图片的时间为0.8s,可以应用于气象监测领域。
胡皓翔[8](2021)在《嵌入式目标检测平台架构设计与实现》文中研究表明随着深度学习目标检测研究越来越深入,相关技术正逐步赋能于嵌入式设备,为其提供更强的计算分析能力。深度学习环境部署和目标检测模型训练对于嵌入式开发人员存在着一定的行业门槛。当前,公交运营监控管理中也逐渐应用嵌入式目标检测。因此,为了降低深度学习目标检测技术的应用难度,本文提出了一个嵌入式目标检测平台设计方案,从而提供了一个具备较强通用性的、操作流程简便化的嵌入式目标检测平台,使其可以用于多种公交监控管理相关的场景。该平台同时具备设备管理和目标检测模型训练能力。本文主要研究内容有:1.设计一个适用于公交运营监控管理的嵌入式目标检测平台本文设计的该平台应兼具设备(车载、路侧等设备,下同)管理能力和深度学习训练测试能力的平台,可适用于嵌入式目标检测场景。本文设计的该平台应具备在线推送模型、配置文件、参数的能力;设备快速注册到平台的能力;具备视频和文本形式展示目标检测结果的能力;具备简化的统一的清晰的模型训练流程的能力。2.实现平台各功能模块并在实际场景中进行验证首先,本文实现的该平台主要分为四个模块:中心服务端、嵌入式端、文件服务器、转发服务器。中心服务端主要提供了平台所需的相关服务和同用户交互的能力;嵌入式端主要提供了嵌入式目标检测能力和接收命令、上传检测结果能力;文件服务器主要提供了模型和配置文件储存和管理能力;转发服务器主要提供了转发检测后视频流能力。接着,本文针对平台中的四个模块进行了功能测试和模块测试,证明该平台提供的相关能力的可用性和稳定性。最后,本文针对公交站台监控场景和车内拥挤度检测场景,利用该平台进行了场景测试,证明该平台可以满足公交运营监控管理场景的相关需求。3.设计一种级联特征检测算法,解决车内拥挤度检测场景问题首先,为评价车内拥挤度,本文设计了一种级联特征检测算法。该算法先通过目标检测算法得到场景中的关键目标,在经过中间连接块转化为掩模图,最后通过分类网络得到拥挤度评价结果。接着,本文进行了最优检测算法选择的实验,Yolov3以67.9%的准确率和68.0fps,在精度和速度的综合考虑下优于其他算法;本文又进行了最优分类网络选择的实验,AlexNet以82.7%的准确率和512.90fps,在精度和速度的综合考虑下优于其他网络。最后,本文选择Yolov3和AlexNet作为级联特征检测算法中的检测算法和分类网络。
孙精辰[9](2021)在《动态行人入侵检测研究与应用》文中研究指明动态行人入侵检测(Pedestrian Intrusion Detection,PID),即判定动态场景下行人是否入侵一个感兴趣区域(Area of Interest,AoI),是智能视频监控领域的一项重要视觉任务,在自动驾驶等场景有着广泛的应用。现有的工作大多集中在静态行人入侵检测,采用手工特征提取方法来处理图像,这类方法计算效率低、检测精度差,无法满足于动态行人入侵检测的要求。动态行人入侵检测主要面临三方面的挑战:1)如何对大量的无标签数据进行标签的构建和评估;2)如何准确实时的实现动态变化的感兴趣区域划分和多尺度行人检测;3)如何在计算资源有限的边缘平台实现高效的入侵检测算法部署。针对动态行人入侵检测数据构建的问题,本文创建了一个带标签的动态行人入侵数据集并给出了评估指标。在Cityscape数据集和Cityperson数据集的基础上,设计了一种标注算法自动对齐和标注数据,给出了准确的行人入侵标签,最终得到了一个包含2701张图像,19683个入侵案例的数据集。为了评估该数据集,综合考虑召回率和精确率并设计了评估指标,即动态行人入侵检测的加权平均精度(PID Average Precision)和准确率(PID Accuary),为该任务的研究提供了充足的数据准备和指标验证基础。针对动态行人入侵检测算法设计的问题,本文提出了 一个基于感兴趣区域分割和快速行人检测的多任务深度网络模型。为解决准确性问题,利用深度网络强大的非线性特征提取能力,对带大量带标签数据集进行学习,实现了动态场景下精准的行人入侵判定;为解决实时性问题,在设计模型时提出了特征共享、特征剪裁和特征压缩三个轻量级网络优化策略来降低算法计算复杂度。实验结果表明,所提模型在动态行人入侵检测数据集上实现了 67.1%的准确率和9.6 FPS的检测速度,在精度和速度上均超越现有算法,实现了端到端的实时行人入侵检测。针对动态行人入侵检测平台部署的问题,本文搭建了一个基于Jetson Nano的嵌入式AI动态行人入侵检测边缘计算平台。为了提升模型边缘端预测实时性,设计了软硬件联合优化策略来加快网络推理速度:在软件层面,选择了轻量级的YOLOv3作为检测骨干网络,并对其进行了稀疏训练和通道剪枝,剪枝后的模型推理速度提升了 6倍;在硬件层面,对模型参数从32位浮点量化为8位整点以降低存储,并利用TensorRT加速模型转换与推理,结合CPU和GPU对数据处理的负载均衡策略。最终在边缘计算平台实现10 FPS以上的实时入侵检测速度。
吴俊强[10](2021)在《面向嵌入式设备的低照度图像增强模型压缩算法的研究与实现》文中研究说明当前基于深度学习的高级视觉任务大多依赖于高质量的图像视频资源,对于低照度场景下采集的图像受外界环境因素的影响,其成像质量往往很差,无法直接应用于高级视觉任务。近年来,已有研究者提出相关图像增强模型尝试恢复低照度图像的语义信息,从而提升低照度场景下相关视觉任务的准确率,同时也可满足人们不同环境下的摄影需求。尽管已有相关算法可以满足低照度图像增强的任务需求,但由于其庞大的参数量和算力需求,以及移动端设备算力资源的限制,使其无法应用于实际生产生活中。为了克服图像增强模型在端侧部署的难题,本文提出了面向嵌入式设备的图像增强模型压缩算法。具体地,本文提出了特征提取增强模块,可以嵌入任意卷积神经网络,在不引入参数量和算力需求的前提下,提高算法准确度;另外,通过引入深度可分离卷积结构和通道缩放因子构建不同体量大小的轻量化模型,提出面向生成对抗网络的知识蒸馏架构和参数量化方法,在损失一定性能的前提下,将模型参数量、算力需求大幅压缩;最后,基于压缩后的轻量化模型,本文结合嵌入式设备开发了低照度图像增强原型系统,可以应用于实际生产生活中。为评估本文提出的面向嵌入式设备的低照度图像增强模型压缩算法的有效性,本文进行了充分的实验验证。结果表明,本文提出的增强模型压缩算法相较于基准模型具有更优的性能,对端侧模型部署更加友好;基于此模型开发的图像增强原型系统,可以在端侧进行实时处理,具有良好的运行效率。
二、使用C++构建嵌入式开发框架(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、使用C++构建嵌入式开发框架(论文提纲范文)
(1)工程伦理教育的关键机制研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
缩略词注释表 |
1 绪论 |
1.1 研究背景 |
1.1.1 “问题工程”的频发引起人们对工程伦理的广泛关注 |
1.1.2 工程伦理教育是工程教育的重要组成部分 |
1.1.3 我国工程伦理教育机遇与挑战并存 |
1.2 研究内容 |
1.3 研究框架 |
1.3.1 章节安排 |
1.3.2 研究方法 |
1.3.3 技术路线 |
1.4 研究创新点 |
2 文献综述 |
2.1 关键概念解读 |
2.1.1 伦理与道德的辨析 |
2.1.2 工程伦理的内涵 |
2.2 工程伦理教育的现实演绎:基于系统文献综述法的分析 |
2.2.1 研究方法 |
2.2.2 工程伦理教育的目标(Q1) |
2.2.3 工程伦理的教学策略(Q2) |
2.2.4 工程伦理教育效果的评估手段(Q3) |
2.2.5 工程伦理教育效果的影响因素(Q4) |
2.2.6 本节述评 |
2.3 中国工程伦理教育研究的主题聚类:基于文献计量的分析 |
2.3.1 文献计量方法概述 |
2.3.2 资料收集 |
2.3.3 共词分析 |
2.3.4 共词网络分析 |
2.3.5 多维尺度分析 |
2.3.6 本节述评 |
2.4 文献述评 |
3 工程伦理教育关键机制的构成 |
3.1 扎根理论研究设计 |
3.1.1 扎根理论研究方法与流程 |
3.1.2 资料采集 |
3.2 工程伦理教育关键机制的理论结构 |
3.2.1 开放式编码 |
3.2.2 主轴式编码 |
3.2.3 选择性编码 |
3.2.4 理论饱和度检验 |
3.2.5 本节小结 |
3.3 工程伦理教育关键机制的实现路径 |
3.3.1 微观维度的培养机制:以认知发展为指导再造教育要素 |
3.3.2 中观维度的协同机制:以协同优势为指导赋能中介对象 |
3.3.3 宏观维度的情境机制:以现象学为指导调适多元场域 |
3.4 本章小结 |
4 工程伦理教育关键机制的案例分析 |
4.1 案例研究方法概述 |
4.2 培养机制的案例分析 |
4.2.1 知识生成:聚焦伦理教育知识建构者的职能重构 |
4.2.2 具身认知:创设面向真实世界的“开放式”学习情境 |
4.2.3 学习进阶:用“全周期”课程序列搭建学生认知发展的阶梯 |
4.2.4 伦理体验:强化解决工程伦理现实困境的实践基质 |
4.2.5 案例分析讨论 |
4.3 协同机制的案例分析 |
4.3.1 工程社团在工程伦理教育中的作用 |
4.3.2 政府在工程伦理教育中的作用 |
4.3.3 案例分析讨论 |
4.4 情境机制的案例分析 |
4.4.1 美英的工程伦理教育场域:职业主义催化的路径选择 |
4.4.2 德国的工程伦理教育场域:对技术负责的民族传统 |
4.4.3 法国的工程伦理教育场域:“消解”在精英工程师的培养中 |
4.4.4 中日的工程伦理教育场域:“二元构造”下的层序互补 |
4.4.5 案例分析讨论 |
5 我国工程伦理教育关键机制实施现状的评估 |
5.1 调研对象 |
5.2 评估指标体系的建构 |
5.2.1 评估指标体系的层次结构 |
5.2.2 初始评估指标的选取 |
5.2.3 问卷设计与预测试 |
5.3 现状的实证评估 |
5.3.1 基于层次分析法的权重赋值 |
5.3.2 利用模糊综合评价法进行综合评价 |
5.4 结果与讨论 |
5.4.1 我国工程伦理教育关键机制实施现状的评估结论 |
5.4.2 延伸讨论:我国工程伦理教育面临的潜在障碍 |
5.5 本章小结 |
6 完善我国工程伦理教育关键机制的对策建议 |
6.1 工程伦理教育关键机制的规范性审视 |
6.1.1 合理性的审视 |
6.1.2 合规律性的审视 |
6.2 细化培养机制,在供需对接上实现动态平衡 |
6.3 强化协同机制,丰富工程伦理教育的治理手段 |
6.4 深化情境机制,适应我国工程伦理教育的发展阶段和独特需求 |
7 研究结论与展望 |
7.1 主要研究结论 |
7.2 研究局限与展望 |
参考文献 |
附录1 访谈提纲 |
附录2 评估问卷 |
附录3 评估指标赋权表 |
附录4 弗吉尼亚理工大学课程大纲 |
附录5 弗吉尼亚大学课程大纲 |
作者简历及在学期间所取得的主要科研成果 |
(2)基于YOLOv4分块权重剪枝的口罩佩戴检测及嵌入式实现(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 引言 |
1.1 课题的研究背景与研究意义 |
1.2 国内外研究现状 |
1.2.1 目标检测算法研究现状 |
1.2.2 口罩佩戴检测算法研究现状 |
1.2.3 网络结构优化方法及嵌入式实现的研究现状 |
1.3 本文研究内容与创新点 |
1.4 论文组织结构 |
2 相关技术及方案设计 |
2.1 目标检测算法研究 |
2.1.1 RCNN系列 |
2.1.2 SSD算法 |
2.1.3 YOLO系列 |
2.2 模型压缩算法研究 |
2.2.1 网络剪枝与稀疏化 |
2.2.2 知识迁移 |
2.2.3 张量分解 |
2.2.4 精细模块设计 |
2.3 方案设计 |
2.4 本章小结 |
3 基于YOLOv4 的模型压缩与优化 |
3.1 剪枝方案 |
3.1.1 结构化剪枝 |
3.1.2 非结构化剪枝 |
3.1.3 分块权重剪枝 |
3.2 剪枝算法 |
3.3 评价指标 |
3.3.1 准确率、精准度、召回率、综合评价指标 |
3.3.2 平均精度 |
3.3.3 交并比 |
3.4 优化结果 |
3.4.1 不同剪枝方案的比较 |
3.4.2 不同剪枝块大小的比较 |
3.4.3 不同核尺寸压缩的比较 |
3.5 本章小结 |
4 基于YOLOv4 的口罩佩戴检测的实现与结果分析 |
4.1 实验环境 |
4.2 数据集 |
4.2.1 数据集介绍 |
4.2.2 制作数据集 |
4.2.3 训练数据集 |
4.2.4 测试网络模型 |
4.3 模型的优化与构建 |
4.3.1 其他优化方法 |
4.3.2 模型构建 |
4.4 实验结果分析 |
4.4.1 分块权重剪枝算法评价 |
4.4.2 整体框架评估 |
4.5 本章小结 |
5 口罩佩戴检测嵌入式端的实现与结果分析 |
5.1 嵌入式技术的可行性分析 |
5.2 嵌入式平台的设计 |
5.2.1 K210 芯片 |
5.2.2 硬件电路设计 |
5.3 网络模型在嵌入式端的优化 |
5.3.1 KPU限制 |
5.3.2 替换硬件支持性不好的操作符 |
5.3.3 优化编译器 |
5.4 模型的移植 |
5.5 不同开发平台下效果对比 |
5.5.1 硬件资源 |
5.5.2 实验结果与分析 |
5.6 本章小结 |
6 结论 |
6.1 工作总结 |
6.2 工作展望 |
参考文献 |
作者简历及攻读硕士学位期间取得的研究成果 |
学位论文数据集 |
(4)智能自动分类垃圾箱算法设计及其嵌入式实现(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 深度学习发展现状 |
1.2.2 垃圾图像识别算法研究现状 |
1.2.3 物联网技术及相关产品发展现状 |
1.2.4 垃圾资源处理及智能垃圾箱产品现状 |
1.3 论文的主要研究内容 |
2 智能自动分类垃圾箱核心技术概况 |
2.1 图像分类识别技术 |
2.1.1 K最近邻分类法(KNN) |
2.1.2 支持向量机(SVM) |
2.1.3 卷积神经网络(CNN) |
2.1.4 迁移学习 |
2.2 深度卷积神经网络技术 |
2.2.1 基本构件 |
2.2.2 激活函数 |
2.2.3 损失函数 |
2.2.4 常见神经网络结构 |
2.3 边缘计算与云计算 |
2.3.1 边缘计算 |
2.3.2 云计算 |
2.4 本章小结 |
3 智能自动分类垃圾箱硬件设计 |
3.1 机械结构与传动系统设计 |
3.1.1 产品总体设计方案 |
3.1.2 传感器的选用 |
3.1.3 传动系统设计 |
3.2 嵌入式系统硬件设计 |
3.2.1 产品上位机硬件设计 |
3.2.2 产品下位机硬件设计 |
3.3 步进电机PID控制 |
3.4 本章小结 |
4 智能自动分类垃圾箱软件设计 |
4.1 上位机嵌入式软件设计 |
4.1.1 Raspbian操作系统移植 |
4.1.2 TensorFlow环境搭建 |
4.1.3 Inception V3 网络模型嵌入式移植 |
4.1.4 垃圾图像分类识别功能实现 |
4.2 下位机嵌入式软件设计 |
4.2.1 舵机功能实现 |
4.2.2 步进电机驱动功能实现 |
4.3 上下位机串口通信设计 |
4.4 云平台部署 |
4.4.1 OneNET物联网云平台部署 |
4.4.2 阿里云平台部署 |
4.5 本章小结 |
5 废品图像深度神经网络识别算法 |
5.1 基于ResNet50 的深度残差神经网络模型构建 |
5.1.1 深度残差网络结构 |
5.1.2 ResNet50 神经网络结构 |
5.2 优化ResNet50 结构与算法 |
5.2.1 ResNet的正向传播算法 |
5.2.2 ResNet的反向传播算法 |
5.2.3 改进的ResNet50 网络结构 |
5.3 数据集图像预处理 |
5.3.1 数据集的选取与划分 |
5.3.2 数据集预处理 |
5.4 实验及分析 |
5.4.1 实验平台 |
5.4.2 实验结果与分析 |
5.5 本章小结 |
6 结论与展望 |
6.1 全文总结 |
6.2 展望 |
致谢 |
参考文献 |
附录1 PC端训练Inception V3 网络并生成PB文件部分代码 |
附录2 上位机使用PB文件进行垃圾图像识别部分代码 |
附录3 下位机STM32 控制部分代码 |
附录4 改进ResNet50 算法模型训练与测试部分代码 |
攻读学位期间主要研究成果 |
(5)基于模型检测的嵌入式接口驱动形式化分析与验证(论文提纲范文)
摘要 |
abstract |
主要符号说明 |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 研究现状 |
1.3 研究内容 |
1.4 论文结构 |
第二章 相关技术概述 |
2.1 形式化分析方法 |
2.1.1 形式化方法概述 |
2.1.2 时间自动机 |
2.1.3 时间自动机模型验证工具UPPAAL |
2.2 Linux内核 |
2.2.1 内核模块概述 |
2.2.2 Linux内核驱动 |
2.2.3 Linux设备模型 |
第三章 字符型驱动形式化分析通用方法 |
3.1 字符型驱动运行过程分析 |
3.1.1 字符型驱动总体结构 |
3.1.2 字符型驱动数据交互 |
3.2 字符型驱动通用模型 |
3.2.1 建模原则 |
3.2.2 基础数据结构 |
3.2.3 构建通用模型 |
3.3 本章小结 |
第四章 Linux字符型驱动的形式化建模与验证 |
4.1 PWM驱动的形式化建模与验证 |
4.1.1 PWM驱动模型 |
4.1.2 PWM驱动模型属性抽象与验证结果 |
4.2 UART驱动形式化建模与验证 |
4.2.1 UART驱动模型 |
4.2.2 UART协议模型 |
4.2.3 UART驱动/协议属性抽象与验证结果 |
4.3 本章小结 |
第五章 总结与展望 |
5.1 工作总结 |
5.2 未来工作展望 |
参考文献 |
个人简历在读期间发表的学术论文 |
致谢 |
(6)基于图神经网络的景点推荐方法研究与应用(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 景点推荐方法研究现状 |
1.2.2 图神经网络研究现状 |
1.2.3 图神经网络推荐研究现状 |
1.3 主要研究内容 |
1.4 本文组织结构 |
2 相关理论与技术 |
2.1 推荐算法 |
2.1.1 传统推荐算法 |
2.1.2 深度学习推荐算法 |
2.2 图卷积神经网络 |
2.2.1 图卷积神经网络定义 |
2.2.2 图卷积神经网络学习图数据 |
2.3 本章小结 |
3 基于图卷积神经网络的景点推荐算法 |
3.1 算法总体设计 |
3.1.1 引言 |
3.1.2 算法流程 |
3.1.3 算法描述 |
3.2 GCN-AR模型架构 |
3.2.1 问题分析 |
3.2.2 输入特征层 |
3.2.3 图卷积神经网络表示更新层 |
3.2.4 多层感知机推荐层 |
3.3 GCN-AR模型训练 |
3.4 本章小结 |
4 实验结果与分析 |
4.1 数据集描述 |
4.2 实验设置 |
4.2.1 评价指标 |
4.2.2 参数设置 |
4.2.3 基准算法 |
4.2.4 实验环境 |
4.3 实验结果与分析 |
4.3.1 参数分析 |
4.3.2 算法收敛性 |
4.3.3 算法对比分析 |
4.4 本章小结 |
5 旅游推荐系统的设计与实现 |
5.1 系统需求分析 |
5.1.1 功能性需求 |
5.1.2 非功能性需求 |
5.2 系统设计 |
5.2.1 系统架构设计 |
5.2.2 功能模块设计 |
5.2.3 数据库表设计 |
5.3 系统实现 |
5.3.1 首页模块 |
5.3.2 景点推荐模块 |
5.3.3 行程规划模块 |
5.3.4 个人主页模块 |
5.4 系统测试 |
5.4.1 测试环境搭建 |
5.4.2 系统功能测试 |
5.5 本章小结 |
6 总结与展望 |
6.1 全文总结 |
6.2 未来展望 |
致谢 |
参考文献 |
攻读硕士学位期间主要研究成果 |
(7)基于边缘AI的雪面识别技术研究与应用(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状 |
1.3 研究内容与章节安排 |
1.3.1 研究内容 |
1.3.2 章节安排 |
第二章 雪面识别算法研究 |
2.1 Caffe1.0框架简介 |
2.2 Mobilenet V2图像分类网络 |
2.2.1 深度可分离卷积 |
2.2.2 倒残差块 |
2.2.3 网络结构 |
2.3 迁移学习 |
2.4 图像增强算法 |
2.4.1 二进小波变换 |
2.4.2 引导滤波 |
2.4.3 低频部分处理 |
2.4.4 边缘信息的处理 |
2.5 本章小结 |
第三章 系统硬件电路设计 |
3.1 硬件结构设计 |
3.2 海思Hi3559A最小系统 |
3.3 电源模块 |
3.4 奇偶脉冲校验模块 |
3.4.1 滤波电路设计 |
3.4.2 低功耗二分频电路设计 |
3.5 本章小结 |
第四章 雪面识别系统软件设计 |
4.1 雪面识别系统软件结构设计 |
4.2 图像裁剪算法部署 |
4.3 图像增强算法部署 |
4.4 图像编码 |
4.5 实验及分析 |
4.5.1 样本简介 |
4.5.2 模型训练 |
4.5.3 模型量化 |
4.5.4 模型部署与测试 |
4.6 本章小结 |
第五章 系统测试 |
5.1 嵌入式软件开发环境搭建 |
5.1.1 在linux服务器上安装交叉编译器 |
5.1.2 配置HiLinux内核 |
5.1.3 移植u-boot |
5.1.4 制作根文件系统 |
5.1.5 烧写镜像文件 |
5.1.6 登录模组文件系统 |
5.2 功能测试 |
5.2.1 系统测试过程解析 |
5.2.2 图像处理时间测试 |
5.2.3 系统识别时间及识别率测试 |
5.3 功率测试 |
5.4 本章小结 |
第六章 结论与展望 |
6.1 结论 |
6.2 展望 |
6.3 本章小结 |
参考文献 |
作者简介 |
(8)嵌入式目标检测平台架构设计与实现(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状及分析 |
1.3 论文的内容及章节安排 |
第二章 相关技术 |
2.1 中心服务端相关技术 |
2.1.1 前端相关技术 |
2.1.2 后端相关技术 |
2.2 嵌入式端相关技术 |
2.3 模块间通信技术 |
2.4 目标检测相关算法 |
2.4.1 SSD算法 |
2.4.2 YOLO算法 |
2.4.3 相关分类网络 |
2.5 本章小结 |
第三章 嵌入式目标检测平台架构设计 |
3.1 嵌入式目标检测场景需求分析 |
3.2 嵌入式目标检测平台架构 |
3.3 嵌入式目标检测平台分模块设计 |
3.3.1 目标检测平台中心服务端 |
3.3.2 嵌入式目标检测端 |
3.3.3 平台辅助服务端 |
3.4 模型、文件和参数推送模块设计 |
3.5 设备快速部署模块设计 |
3.6 检测结果评估模块设计 |
3.7 训练测试模块设计 |
3.8 其它功能模块设计 |
3.9 本章小结 |
第四章 嵌入式目标检测平台实现 |
4.1 嵌入式目标检测平台接口设计 |
4.1.1 平台中心服务端微服务接口 |
4.1.2 嵌入式目标检测平台实体存储格式 |
4.1.3 中心服务端SofaRPC服务接口 |
4.1.4 目标检测视频流地址格式 |
4.1.5 MQTT上传与下发消息格式 |
4.1.6 模型、配置文件存储地址 |
4.2 嵌入式目标检测平台分模块功能测试 |
4.2.1 目标检测平台中心服务端 |
4.2.2 嵌入式目标检测端 |
4.2.3 平台辅助服务端 |
4.3 模型、文件和参数推送模块实现 |
4.4 设备快速部署模块实现 |
4.5 检测结果模块实现 |
4.6 训练测试模块实现 |
4.7 其他功能模块实现 |
4.8 本章小结 |
第五章 系统验证 |
5.1 平台部署 |
5.2 公交站台场景验证 |
5.2.1 场景概述 |
5.2.2 平台应用 |
5.3 车内拥挤度场景验证 |
5.3.1 场景概述 |
5.3.2 算法设计 |
5.3.3 实验结果分析 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 工作总结 |
6.2 工作展望 |
参考文献 |
附录 |
致谢 |
(9)动态行人入侵检测研究与应用(论文提纲范文)
致谢 |
摘要 |
Abstract |
1 绪论 |
1.1 研究背景与意义 |
1.2 研究现状与挑战 |
1.2.1 基于手工提取特征的工作 |
1.2.2 基于机器学习提取特征的工作 |
1.2.3 研究现状总结 |
1.3 研究内容与框架 |
2 动态行人入侵检测数据构建 |
2.1 相关工作 |
2.2 数据集创建与统计 |
2.3 数据评估指标设计 |
2.4 本章小结 |
3 动态行人入侵检测算法设计 |
3.1 相关工作 |
3.1.1 语义分割网络 |
3.1.2 目标检测网络 |
3.1.3 多任务网络 |
3.1.4 轻量级网络 |
3.2 动态行人入侵检测网络 |
3.2.1 特征共享设计 |
3.2.2 特征剪裁设计 |
3.2.3 特征压缩设计 |
3.2.4 优化策略设计 |
3.3 行人入侵检测实验分析 |
3.3.1 综合任务实验分析 |
3.3.2 单任务实验分析 |
3.4 模型消融实验分析 |
3.4.1 特征共享消融实验 |
3.4.2 特征剪裁消融实验 |
3.4.3 特征压缩消融实验 |
3.4.4 像素阈值消融实验 |
3.4.5 优化策略消融实验 |
3.5 本章小结 |
4 动态行人入侵检测边缘部署 |
4.1 相关工作 |
4.2 硬件选型 |
4.3 算法优化 |
4.4 推理加速 |
4.5 本章小结 |
5 总结与展望 |
5.1 本文工作总结 |
5.2 后续工作展望 |
参考文献 |
攻读硕士学位期间主要研究成果及参与科研项目 |
(10)面向嵌入式设备的低照度图像增强模型压缩算法的研究与实现(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 低照度图像增强技术研究现状 |
1.2.2 模型压缩加速算法研究现状 |
1.3 主要研究内容 |
1.4 本文章安排 |
第二章 相关理论介绍 |
2.1 生成对抗网络 |
2.2 轻量化网络结构设计 |
2.3 知识蒸馏 |
2.4 参数量化 |
2.5 本章小结 |
第三章 基于生成对抗网络的低照度图像增强算法 |
3.1 低照度图像增强网络结构 |
3.1.1 特征提取增强模块 |
3.1.2 生成器结构 |
3.1.3 判别器结构 |
3.2 目标函数设计 |
3.3 实验结果与分析 |
3.3.1 数据集构造 |
3.3.2 实验设置 |
3.3.3 评估指标 |
3.3.4 结果分析 |
3.4 本章小结 |
第四章 面向嵌入式设备的图像增强模型压缩算法 |
4.1 基于生成对抗网络的知识蒸馏架构设计 |
4.1.1 轻量化图像增强模型设计 |
4.1.2 基于图像增强模型的知识蒸馏架构 |
4.2 知识蒸馏实验结果与分析 |
4.2.1 实验设置 |
4.2.2 结果分析 |
4.3 基于参数量化的模型压缩与加速 |
4.3.1 量化实现压缩加速的原理 |
4.3.2 量化函数 |
4.3.3 量化算子的前后向运算 |
4.4 参数量化实验结果分析 |
4.4.1 实验设置 |
4.4.2 结果分析 |
4.5 本章小结 |
第五章 面向嵌入式设备的图像增强原型系统设计与实现 |
5.1 原型系统的设计 |
5.2 开发测试环境 |
5.3 模型迁移方案 |
5.4 系统具体实现 |
5.4.1 异步数据读取 |
5.4.2 后台处理模块 |
5.4.3 数据可视化模块 |
5.5 整体系统评估 |
5.6 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
攻读学位期间取得的研究成果 |
四、使用C++构建嵌入式开发框架(论文参考文献)
- [1]工程伦理教育的关键机制研究[D]. 李恒. 浙江大学, 2021(01)
- [2]基于YOLOv4分块权重剪枝的口罩佩戴检测及嵌入式实现[D]. 郭富海. 北京交通大学, 2021
- [3]高校图书馆嵌入式信息素养教育研究[D]. 卢琏. 贵州财经大学, 2021
- [4]智能自动分类垃圾箱算法设计及其嵌入式实现[D]. 张文玮. 西安理工大学, 2021(01)
- [5]基于模型检测的嵌入式接口驱动形式化分析与验证[D]. 李泽寰. 华东交通大学, 2021(01)
- [6]基于图神经网络的景点推荐方法研究与应用[D]. 宋阳春. 西安理工大学, 2021
- [7]基于边缘AI的雪面识别技术研究与应用[D]. 胡敏. 南京信息工程大学, 2021(01)
- [8]嵌入式目标检测平台架构设计与实现[D]. 胡皓翔. 北京邮电大学, 2021(01)
- [9]动态行人入侵检测研究与应用[D]. 孙精辰. 浙江大学, 2021(01)
- [10]面向嵌入式设备的低照度图像增强模型压缩算法的研究与实现[D]. 吴俊强. 北京邮电大学, 2021(01)