摘要：探讨了电动拖拉机底盘轻量化设计的方法和技术,并基于底盘轻量化的重要性论述了底盘轻量化的具体方法,包括选材、结构优化、工艺改进等方面。针对电动拖拉机的工作特点,提出了适合其底盘轻量化的具体措施,包括采用高强度轻质材料、减少焊接点及优化桥座结构等。最后,通过数值模拟和试验验证了轻量化设计的效果,证明了方法的可行性和有效性。研究成果对于提高电动拖拉机的性能和节能减排具有重要意义。

摘要：卷积神经网络(convolutional neural network,CNN)已成为图像识别领域最重要的一项机器学习技术.近年来,随着CNN在边缘端部署的需求越来越多,CNN的轻量化也成为研究热点.主流的CNN轻量化方法包括剪枝和量化,这2项技术都能有效地减少CNN推导过程中计算和存储开销.然而,这些方法未能完全挖掘CNN中的双边稀疏性(权重稀疏和激活值稀疏)和潜在的数据复用.因此,为了解决上述问题,提出一种全新的神经网络轻量化方法,通过k-means算法对卷积核和特征图的非0值进行聚类,整个神经网络的推导过程中只使用有限的聚类值作为乘数去完成全部卷积计算.与以往卷积层计算复杂度O(n^(3))相比,轻量化处理后的卷积层计算复杂度仅为O(n^(2)),大幅度减少了计算量.同时,将全连接层权重也进行非0值聚类处理,片上只存储聚类值和对应的索引向量,极大地减少存储开销.最后,针对该轻量化方法设计一种硬件实现架构KCNN.该架构将CNN中的不同处理流程模块化实现,与以往的实现架构相比增加一个非0值聚类模块,此外还设计了一些缓存来利用聚类后CNN中的数据复用.实验结果表明在不损失推导精度的情况下,AlexNet网络整体计算量减少66%,存储开销减少85%.

摘要：色域压缩是大色域向小色域进行转换时保持色彩信息的关键技术。经典算法虽计算快速,但处理结果缺乏细节且没有考虑人眼的感知特性,难以满足人们对色彩品质不断提升的要求。迭代算法处理效果更佳,但极其耗时,无法投入实际应用。针对上述问题,提出了轻量化的深度色域压缩方法,该方法可在逼近迭代算法计算效果的同时保持接近经典算法的速度。为色域压缩算法设计了LightGCNet模型,该网络中的双层卷积由DSC与DW卷积组合而成,相比常规U-Net,参数量与计算复杂度急剧降低。为进一步提高模型先验性,将预训练得到的DW卷积中多个核通道进行重聚焦操作以建立联系,最终权重由重聚焦权重和预训练权重组成。针对色相、明度、彩度这三个色彩属性,设计了色域压缩专用的损失函数。该函数不仅考虑了像素级损失,而且融合了图像感知损失,并联合色彩属性的多尺度信息进行加权,解决了深度色域压缩过程中细节丢失的问题。基于迭代算法生成标签以训练网络,联合学习目标色域特征与图像信息,实现了与迭代算法相当的效果。实验结果表明:该方法与业界经典的SGCK算法相比,iCID值降低了17.08%,SSIM值提高了5.30%。相比常规U-Net模型,LightGCNet参数量减少了82.96%,乘加次数从8.5GFLOPs大幅下降至2.2GFLOPs,使改良模型更适于低端设备部署。该模型在CPU上处理单幅512×512图像仅需0.208s,计算时间比迭代类算法减少99.92%。

摘要：由于农业生产环境恶劣,拖拉机在使用过程中振动和车内噪声对驾驶员的舒适性和工作效率产生负面影响,而阻尼材料能够将振动能量转化为其他形式的能量,从而减少振动的幅度和传递,同时也可以在不减少机械结构强度和稳定性的前提下减少结构质量。为此,以拖拉机车身轻量化设计为研究对象,提出一种新兴液态可喷涂型阻尼隔音材料(Liquid Apply Sound Deadener,LASD),探讨了轻量化设计在减振性能和结构强度之间的平衡,并基于拖拉机车身静态刚度、动态刚度和侧面碰撞安全性能,采用近似模型优化方法进行轻量化设计。结果表明:采用阻尼减振材料可以显著降低拖拉机车身质量4.2%,显著降低拖拉机车身的振动幅度,并改善驾驶员的舒适性和工作效率。研究结果可为提高农业机械性能和驾驶员舒适性提供一种有效途径,具有实际应用前景。

摘要：收获是农业生产的重要环节,也是劳动强度最高的作业环节之一。目前,在大田农业生产中主要以联合收获机完成收获作业,但设施农业和经济作物收获仍然靠人工完成,采摘效率较低,强度较大。为此,基于颗粒阻尼材料,以番茄采摘机械手为研究对象,设计了一种采摘机械手,并对颗粒阻尼减振材料在农业机械手的应用位置和作用机理进行阐述,旨在解决经济作物采摘过程中的复杂性和柔软易损等问题。通过与传统农业机械手进行对比,结果表明:优化后的农业机械手果实抓取率较高,平均可达89%,果实损伤率为0,满足果实抓取要求,并减少了果实抓取过程中的手指振动,提高了手指转动的灵活性与稳定性,减少了果实抓取时间。研究结果可以为农业采摘机器人的减振、减损和轻量化设计提供技术参考与借鉴。

摘要：精准检测棉花中混杂的小型异纤是保障纱线与织物质量的基础和关键。针对现有算法在棉花小型异纤检测中存在的漏检率高、网络结构复杂等问题,提出一种基于卷积神经网络轻量化的改进单步多框检测器(SSD)的棉花异纤检测方法。首先,通过引入深度可分离卷积、倒残差结构等创新性设计,将SSD算法中原有骨干特征提取网络VGGNet16替换为MobileNetv2网络;然后,对于SSD算法中生成的候选框尺寸与棉花异纤大小不匹配导致棉花背景占比过高,从而引起正负样本不均衡的问题,采用K-means++算法对棉花异纤尺寸进行聚类分析,根据聚类结果修正候选框尺寸。通过算例进行验证,结果显示所提方法在实现模型轻量化的同时有效提升了异纤检测效果和计算效率。

摘要：针对低空无人机目标检测面临目标尺度变化大、小目标容易漏检和误检的挑战,发展了一种融合多尺度特征的目标检测轻量化网络(LMUAV-YOLOv8),通过开展消融和对比实验,验证了算法的有效性和先进性,并借助类激活图,对模型的决策过程进行了解释。设计了一种轻量化的特征融合网络(UAV_RepGFPN),提出新的特征融合路径以及特征融合模块DBB_GELAN,降低参数量和计算量的同时,提高特征融合网络的性能。使用部分卷积(PConv)和三重注意力机制(Triplet Attention)构建特征提取模块(FTA_C2f),并引入ADown下采样模块,通过对输入特征图维度的重新排列和细粒度调整,以提升模型中深层网络对空间特征的捕捉能力,并进一步降低参数量和计算量。优化YOLOv9的可编程梯度信息(programmable gradient information,PGI)策略,设计基于上下文引导(Context_guided)的可逆架构,并额外生成三个辅助检测头,提出UAV_PGI可编程梯度方法,避免传统深度监督中多路径特征集成可能导致的语义信息损失。为了验证模型的有效性及泛化能力,在VisDrone 2019测试集上开展了对比实验,结果显示,与YOLOv8s相比,LMUAV-YOLOv8s的准确度、召回率、mAP@0.5和mAP@0.5:0.95等指标分别提升了4.2、3.9、5.1和3.0个百分点,同时参数量减少了63.9%,计算量仅增加0.4 GFLOPs,实现了检测性能与资源消耗的良好平衡。基于NVIDIA Jetson Xavier NX嵌入式平台的推理实验结果显示:与基线模型相比,该算法能够在满足实时检测要求的条件下,获得更高的检测精度,对于无人机实时目标检测场景具有较好的适用性。借助类激活图,对算法的决策过程进行了可视化分析,结果表明,该模型具备更优异的小尺度特征提取和高分辨率处理能力。

摘要：针对目前基于深度学习的电能质量扰动(power quality disturbances,PQDs)识别模型参数量多和计算复杂度较高的问题,文中提出了一种卷积神经网络(convolutional neural networks,CNN)融合Transformer(CNN and Transformer,CaT)的轻量化PQDs识别模型。首先,利用深度可分离卷积初步提取扰动信号的局部特征;其次,提出一种高效的软阈值模块,在不显著增加模型参数量与计算复杂度的同时减少特征中的噪声与冗余特征;然后,利用Transformer模型挖掘PQDs信号的全局特征;最后,通过池化层、线性层和Softmax层完成PQDs识别。仿真实验表明,文中所提CaT模型在参数量和浮点运算数较少的情况下能够有效完成PQDs识别,对PQDs信号识别准确率高,具有良好的噪声鲁棒性。同时,得益于轻量化和端到端的模型设计,CaT模型相对于其他深度学习模型的推理时间更短。

摘要：近年来,数字孪生技术在水利领域正在快速发展。其中,数字孪生数据底板存储着水利工程全生命周期中的信息,存在数据量庞大、管理复杂、更新成本增加等问题。同时,以WebGL为核心引擎渲染加载的应用层数字孪生平台受网络带宽和计算机性能的限制,面临着轻量化处理的挑战。针对数字孪生虚拟实体维度中的几何模型数据,利用改进QEM(Quadric Error Metrics,二次误差测度)算法和Low-Poly算法进行轻量化处理,选取水轮机导水机构作为案例,研究在满足数字孪生业务需求下的最优简化程度。结果表明:轻量化的处理是必要的;轻量化处理后的模型文件大小大幅度减小;在满足数字孪生精细度等级4个精度等级的简化程度的上限分别为原始数据、40%左右、70%左右、98%左右。

摘要：融合深度学习的语义同步定位与地图构建技术为处理动态场景提供了有效的解决方案,但仍面临计算资源消耗大和模型复杂度高的挑战。为此,提出了一种基于BlendMask改进的轻量化语义分割网络。首先,设计了一种轻量的GDS-ECA卷积(Ghost-depthwise separable convolution with efficient channel attention)模块,利用深度可分离卷积替代Ghost卷积中的少量卷积操作,减少参数量和计算量,并添加注意力机制提升特征表达能力。其次,提出了特征提取网络BGTNet(bottleneck GDS-ECA attention transformer network),将GDS-ECA卷积应用于颈部模块的卷积层以提升网络的提取精度;此外,将特征金字塔网络(feature pyramid network,FPN)中的传统卷积替换为GDS-ECA卷积,构建轻量化特征金字塔网络,并结合BGTNet形成语义分割网络的主干网。最后在数据集COCO上进行了实验验证,改进后的模型处理图像时间缩短了7.3 ms,平均精度提升了1.5%。