
简介
该用户还未填写简介
擅长的技术栈
可提供的服务
暂无可提供的服务
一种基于混合学习方法的边缘计算物联网系统,用于工业视觉表面质量检测。该方法结合深度神经网络的无监督聚类,仅需少量标注数据即可实现高精度检测。系统采用VGG网络提取特征,通过改进的k-means聚类进行异常判断,并运用预训练、数据增强等策略提升小数据集下的性能。实验表明,该方法在已知缺陷检测中准确率达97%,对新型未知缺陷的召回率比传统方法高出11%-34%,在实际工厂部署中显著减少了人工质检工作量

本文提出一种基于自适应知识蒸馏的轻量化故障诊断框架,针对IoT边缘计算中资源受限与高精度诊断的矛盾。通过云端SMOTE增强少样本数据,训练高性能教师模型,并利用动态调整蒸馏温度的知识蒸馏技术,将故障知识高效迁移至轻量学生模型。实验在Jetson Xavier NX上验证,所提方法在保持97.5%以上准确率的同时,内存占用降低96.58%,推理速度提升8.79倍,显著优于现有方法,有效平衡了诊断性能

本文提出一种面向边缘计算的轻量级齿轮箱故障诊断方法,结合MFCC特征提取与结构重参数化卷积网络。通过将振动信号转换为抗噪性强的MFCC特征矩阵,并利用多分支训练、单分支推理的结构重参数化技术,在保持高诊断精度的同时显著降低模型内存占用(↓52.5%)和推理延迟(↑38.83%)。实验在公开与自建数据集上验证了该方法在强噪声下的鲁棒性与部署效率,实现了“云端训练、边缘推理”的高效闭环,为工业现场轻量

本文综述了边缘计算在物联网机器信号处理与故障诊断中的应用,强调其通过将计算任务下沉至边缘设备,实现低时延、低带宽消耗与高效预测性维护。文章系统分析了从信号采集到模式识别的四阶段流程,提出算法-硬件协同设计原则,结合STM32、Raspberry Pi与EnCodec等案例,验证轻量化模型与压缩技术在资源受限环境下的可行性。指出未来需在RUL预测、联邦学习、动态控制及异构计算等方面深化研究,最终实现

本文针对CLIP在少样本学习中的类间混淆问题,提出了LogitsDeConfusion(LDC)方法。该方法通过多级适配器融合(MAF)模块增强特征表示,并利用类间去混淆(ICD)模块学习消除logits中的混淆模式。实验表明,LDC在11个数据集上平均提升3.6%准确率,尤其在16-shot设置下达到79.78%。消融研究验证了ICD模块的关键作用。该方法为改进CLIP的少样本学习性能提供了新思

本文综述了边缘计算在物联网机器信号处理与故障诊断中的应用,强调其通过将计算任务下沉至边缘设备,实现低时延、低带宽消耗与高效预测性维护。文章系统分析了从信号采集到模式识别的四阶段流程,提出算法-硬件协同设计原则,结合STM32、Raspberry Pi与EnCodec等案例,验证轻量化模型与压缩技术在资源受限环境下的可行性。指出未来需在RUL预测、联邦学习、动态控制及异构计算等方面深化研究,最终实现

一种基于微调条件扩散模型(DI-CDM)的新型结构健康监测损伤成像框架。针对复合材料结构在疲劳载荷下分层损伤监测的难题,该方法创新性地将超声导波稀疏阵列的DAS波束成像与X射线图像相结合,通过LoRA微调预训练扩散模型,实现了高分辨率损伤成像。实验验证采用NASA公开复合材料数据集,结果表明DI-CDM在交并比(IoU)指标上达到传统DAS方法的3倍,能有效追踪分层扩展过程。该框架突破了现有方法在

自动驾驶数据集中的点云语义分割要求模型高效处理大量点。稀疏 3D 卷积通过利用点云稀疏性降低内存与计算开销,已经成为这一任务中构建深度网络的事实标准。本文提出一种不依赖稀疏卷积的替代方案,并表明仅依靠看似并不适合大规模高性能 3D 感知的基础工具,也可以达到先进方法的性能水平。作者提出新的 3D Backbone——WaffleIron,它几乎完全由 MLP 和稠密 2D 卷积组成,并给出了在 S

这个问题困扰了我一天半,下载的时候显示的信息是aar64的系统,但是这并无意味着一个问题,那就是你的操作系统是64位的。我在树莓派得出来的操作系统是32位。这就使得你在解压系统的时候会出现一些问题,比如conde.exe无法找到。
一种两阶段多模态深度学习方法,用于轮胎表面缺陷的自动检测与严重程度分类。针对轮胎缺陷在尺寸(几毫米至几十厘米)和类型(污渍、脱模痕迹、异物等)上的显著差异,研究团队设计了一套立体光度相机采集系统,构建了包含25,450张图像的数据集。方法采用解耦架构:第一阶段基于改进Mask-RCNN进行实例分割(增加Mask-IoU和Bbox-IoU分支),第二阶段融合图像特征与轮胎元数据进行严重性分类。实验表








