摘要：为解决视频安全的问题,文章提出了一种基于FPGA的实时图像采集和数据加密系统设计,旨在提高视频数据的安全性和加密效率。系统利用OV5640摄像头采集视频,采用SM4国密算法进行数据加密,通过流水线式设计实现每个时钟周期128位数据的加密和解密,确保了加密效果和实时性要求,通过HDMI接口发送至HDMI显示器进行显示。通过仿真验证了SM4加密模块的正确性,并分析了系统资源利用率。实验结果表明,该系统能够有效实现视频数据的实时加密和解密,确保了视频数据的安全性,同时满足了实时性要求。

摘要：为配合自动灭火装置的喷水定位,研究并实现了一种基于双目相机的火焰相对面积估算方法。通过YOLOv5s检测火焰并利用双目摄像头获得火焰区域的深度,根据火焰深度与火焰像素占比估算得到火焰相对面积。基于该方法得到的火焰深度误差小于10%,估算的火焰相对面积平均误差为12.2%。所提方法在准确提取图像中火焰区域的同时可以较为准确地估算火焰面积,能够为室内火灾实时检测及灭火技术的发展提供一定参考。

摘要：火灾因其破坏范围大,蔓延速度快等特点给人们的生命带来了威胁,使人们的财产遭到破坏,而准确的火灾检测在一定程度上能够避免灾难的发生,该文提出了一种基于改进yolov5s的目标检测模型。该模型在主干网络中加入CBAM注意力机制,使模型更加关注火焰信息,提高检测正确率;将主干网络中的C3模块改进为Ct2f模块,该模块通过ELAN的思想进行设计,让模型可以在保证轻量化的同时,通过更多的分支跨层链接获得更加丰富的梯度流信息;针对火灾视频检测,根据火焰燃烧时的动态特征,在该模型检测头部分加入帧间差分的思想,有效降低了对火灾视频检测的误判。实验结果表明,改进的yolov5s模型火焰检测平均精度更高,比yolov5s原模型平均精度提高了4.2%。通过火焰视频检测实验,表明该模型能够有效降低对火灾视频检测的误判。

摘要：针对传统图像算法在定位分割车牌时易受复杂环境因素影响,为提升分割准确率,采用深度学习UNet网络模型进行改进研究,对其增加注意力cSE模块,以增强网络对特征的提炼能力,与其他主流分割网络进行对比实验。实验结果表明,在自建车牌数据集上经过100轮训练后,该文改进方法中的各种指标系数表现最好,其中在测试集上的Dice、Miou指标分别比经典UNet网络提高了16%、15%,较FCN和CeNet等分割网络有较大幅度的提升,较主流的UNet改进网络也有不同程度的提升,证明了cSE-UNet网络能够提高车牌图像分割的准确率,是一种有效的改进网络模型。

摘要：从微型机器学习的定义、优点、当前存在问题等方面做简要介绍;从专属或通用的微型机器学习部署方式、基于ARM Cortex M或者RISC V的微处理器设计、基于神经架构搜索的部署算法等方面存在的问题进行讨论,并介绍研究现状。对微型机器学习的未来发展进行展望,认为未来需要功能齐全的微型机器学习部署框架、硬件研究更多是基于RISC V与硬件神经网络加速单元组成微处理器,并探讨如何提高搜索效率、减少神经架构搜索的耗时等。最后在上述基础上针对如何完善和发展微型机器学习生态提出思考。

摘要：本文基于ZYNQ与非标高分辨率LCoS微显示芯片设计了一个视频驱动方案。首先,对传统显示驱动系统中的输出模块、存储模块进行改进,将存储芯片挂载到ARM端,以节约端口资源;其次,对输出模块进行改进,添加了分辨率转码与型号格式转码设计;最后,基于上述算法进行改进,设计出更节约功耗的方案,每个模块给出实验数据与仿真结果,结合上述实验结果分析方案的可行性并进行板级验证。改进后的显示系统搭建好后可以实现LCoS微显示芯片分辨率为5760×3240、灰度等级为256的视频信号。实验结果表明,本方案通过对存储模块与输出算法的改进,克服了目前非标准高分辨率显示所遇到的两大难题,将1920×1080的HDMI视频信号成功展宽为5760×3240进行输出,效果良好。

摘要：针对磁瓦缺陷提取难,且基于传统卷积神经网络的磁瓦缺陷检测算法对于全局特征表述差、上下文交互不充分等缺点,提出一种基于Swin⁃Transformer的磁瓦检测算法,其通过在Swin⁃Transformer的基础中结合YOLOv3模型的neck模块构建出磁瓦缺陷检测算法,并且为了使网络能够获取更加丰富的梯度组合,在neck部分优化设计了CSPA模块。同时为了使网络学习更多有用的特征,通过锐化和同态滤波对收集到的磁瓦图像进行增强。实验结果表明,改进算法对磁瓦缺陷检测的mAP为87.1%,相对于YOLOv3和YOLOv5,分别提高了5.3和1.5个百分点。