您现在的位置: 首页> 研究主题> 嵌入式平台

嵌入式平台

嵌入式平台的相关文献在2000年到2023年内共计610篇,主要集中在自动化技术、计算机技术、无线电电子学、电信技术、电工技术 等领域,其中期刊论文328篇、会议论文34篇、专利文献2592384篇;相关期刊200种,包括物流技术与应用、电子产品世界、电子技术应用等; 相关会议33种,包括2017年全国工业控制计算机年会、全国第26届计算机技术与应用学术会议、2014年全国工业控制计算机技术年会等;嵌入式平台的相关文献由1423位作者贡献,包括张焕国、赵波、郑鹏等。

嵌入式平台—发文量

期刊论文>

论文:328 占比:0.01%

会议论文>

论文:34 占比:0.00%

专利文献>

论文:2592384 占比:99.99%

总计:2592746篇

嵌入式平台—发文趋势图

嵌入式平台

-研究学者

  • 张焕国
  • 赵波
  • 郑鹏
  • 卿粼波
  • 苏剑波
  • 丁琳琳
  • 代品宣
  • 俞婷
  • 劳勇
  • 康路
  • 期刊论文
  • 会议论文
  • 专利文献

搜索

排序:

年份

作者

    • 关正伟; 郭少华; 闫宏伟; 李勃
    • 摘要: 本设计主要基于MCU和FPGA的优点进行设计整合,设计一款兼具二者特色的异构嵌入式平台。整体方案当MCU能够提供的接口有限,不能满足设计要求时,可以通过选择更复杂的MCU进行替换,但是这会显著的增加电路板空间(因为它仅在高引脚封装中可用),并且增加了功率,提高了成本。
    • 杨雪; 陈刚
    • 摘要: 针对当前基于目标检测算法的安全帽检测准确率较低,且难以移植到便捷的嵌入式平台实现安全帽检测等问题,提出一种基于深度学习的移动端安全帽检测系统,该系统以YOLOv4网络为算法基础,采用公开安全帽数据集作为训练图片。实验结果表明,在安全帽检测任务过程中,网络的mAP为88.2%,能够正确区分是否佩戴安全帽。且在Jetson Nano嵌入式平台实现每帧图像0.33s的检测速度,满足施工场地实时的需求。
    • 尹震宇; 徐光远; 张飞青; 徐福龙; 李兴滢
    • 摘要: 当前,卷积神经网络越来越多的应用于工业生产中,传统的基于CPU及GPU的神经网络平台存在体积大、能耗高等缺点,在工业生产现场部署存在困难.基于ARM的嵌入式平台虽然易于部署,但存在算力低的缺点,难以高效的实现卷积神经网络.针对此问题,本文设计并实现了一种基于Zynq平台的卷积神经网络单元,通过充分利用Zynq平台上FPGA端并行计算的特点,对卷积神经网络中卷积层进行加速,使用高层次综合(High-Level Synthesis,HLS)进行卷积层和池化层IP核的设计,并针对性的给出优化方案.最终实现在嵌入式平台上对手写数字的高效识别.经实验验证,该设计单元在较少占用FPGA上计算资源的同时,快速、准确地进行手写数字识别.
    • 代江涛; 高博; 万嘉骏
    • 摘要: DDS拥有良好的实时性、拓展性和数据处理能力,适合分布式场景中大数据量和多样化的通信需求。针对标准DDS通信中间件过于复杂、庞大,不适合在资源有限的嵌入式设备上部署的问题,文中在对DDS规范进行了深入分析研究后,对DDS功能进行了裁剪、优化,提出了一种基于卡尔曼滤波模型的对称式发布订阅机制,减少了通信中的冗余数据,并使用C语言实现了一种轻量化且具有可移植性的DDS通信中间件。文中在ARM+X86平台上对该通信中间件进行了测试验证,结果证明该中间件能够在占用少量资源的情况下,为应用提供基本的DDS服务,提升了系统的响应速度,节约了通信带宽资源。
    • 张开心; 张梦瑶; 刘梦然; 林加希; 方裕滨
    • 摘要: 随着科技水平的提升和物联网技术的发展,智能家居不断融入普通家庭的生活中,人们对智能婴儿床的关注度也与日俱增。由于近几年市场上的婴儿床产品功能不多,基于此,本研究将在婴儿床的基础上,使用嵌入式控制技术、物联网技术,设计出具有自动摇床、情绪安抚、尿床检测、空气质量检测、温湿度检测及危险报警等功能的智能婴儿床。相对于目前简单的数字处理方式而言,本研究所采用的单片机处理方式更加方便快捷、安全稳定,同时功耗较低,更适应于对婴儿的监控护理。
    • 张鹏辉; 刘志; 郑建勇; 何博侠; 裴雨浩
    • 摘要: 为了解决复杂背景条件下,红外目标检测存在的准确率低、召回率低、以及网络模型在嵌入式计算平台上推理速度慢的问题,以轻量化网络YOLOv4-Tiny作为算法的基本架构,结合视觉注意力机制和空间金字塔池化思想,提出两种面向嵌入式系统的红外目标检测网络,利用迁移学习策略进行训练,在以昇腾310 AI芯片为核心的Atlas 200 DK嵌入式计算平台进行部署。实验结果表明,在该嵌入式计算平台上推理分辨率为640 pixel×512 pixel的红外图像,相较于原始网络YOLOv4-Tiny,所提网络YOLOv4-Tiny+SE+SPP的平均准确率和召回率分别提升12.36%和18.6%,推理速度达到78 fps;所提网络YOLOv4-Tiny+CBAM+SPP的平均准确率和召回率分别提升15.94%和22.89%,推理速度达到71 fps,可兼顾准确率和实时性,能够满足军事和安防领域对红外目标进行实时检测和跟踪的需要。
    • 农元君; 王俊杰; 徐晓东; 赵雪冰
    • 摘要: 针对当前基于深度学习的安全帽检测方法因结构复杂和计算量大,难以在嵌入端实现实时检测的问题,提出一种适用于嵌入式平台的轻量化安全帽实时检测方法。该方法以Tiny-YOLOv3检测网络为基础,通过改进特征提取网络和多尺度预测优化网络结构,引入空间金字塔池化模块丰富特征图的多尺度信息,采用K-means聚类算法确定适合安全帽检测的锚框,引入CIoU边界框回归损失函数以提高检测精度。实验结果表明:在608×608的输入尺寸下,所提方法的平均准确率、召回率、F1值分别达到87.50%、84%、83%,较Tiny-YOLOv3检测方法分别提升了11.27、11和7个百分点;且在嵌入式平台NVIDIA Jetson Nano上实现了20.58 frame/s的实时检测速度,可满足在嵌入端实现安全帽实时检测的需求。该方法在光线不佳、小目标、密集目标等复杂施工环境下具有良好的适应性和泛化性。
    • 曾军英; 陈宇聪; 林惜华; 秦传波; 王迎波; 朱京明; 田联房; 翟懿奎; 甘俊英
    • 摘要: 现有的指静脉分割网络大多需要消耗极大内存和计算资源,难以直接部署到嵌入式平台上,大部分模型轻量化方法存在参数减小导致分割性能急剧下降、算力受限和实时性等问题。针对上述问题,本文提出了一种超轻量级指静脉纹络实时分割网络—SGUnet。首先,使用沙漏状的深度可分离卷积极大地减少基础模型参数,并采用轻量级高效注意力模块实现无降维的局部跨通道交互,提升网络分割性能。其次,为了解决部分特征图存在冗余的问题,使用Cheap operation来替代部分“懈怠”的卷积核,得到相似的特征图。最后,采用特征信息交互的方法,打开分组卷积的组间通道,解决了分组特征组之间信息不流通的问题。与传统Unet分割网络相比,最终的SGUnet模型参数量约为传统Unet分割网络的1%,Mult-Adds约为0.5%。在两个公开的手指静脉数据集SDU-FV、MMCBNU-6000上验证网络性能,结果表明SGUnet网络在分割性能上不仅优于大型分割网络Unet、DU-Net、R2U-Net,而且超越了经典轻量级改进模型squeeze-Unet、Mobile-Unet、shuffle-Unet、Ghost-Unet。SGUnet网络Accuracy、Dice、AUC分别达到94.11%、0.5384、0.9354,并且在NVIDIA嵌入式平台上指静脉纹络提取的测试速度高达0.27秒/张。
    • 马敬奇; 雷欢; 陈敏翼
    • 摘要: 针对在低功耗、低成本硬件平台快速准确检测老人跌倒高危行为的问题,提出了一种基于AlphaPose优化模型的老人异常行为检测算法。首先,对行人目标检测模型和姿态估计模型进行优化,以加快人体目标检测和姿态关节点推理;然后,通过优化的AlphaPose模型快速计算得到人体姿态关节点图像坐标数据;最后,计算人体跌倒瞬间头部关节点线速度与胯部关节线速度之间的关系,以及人体中垂线与图像X轴之间夹角的变化来判断跌倒现象的发生。将所提算法移植到JetsonNano嵌入式开发板上,并与当前主要的基于人体姿态的跌倒检测算法YOLOv3+Pose、YOLOv4+Pose、YOLOv5+Pose、trt_pose和NanoDet+Pose进行对比分析。实验结果表明,在所用嵌入式平台上,图像分辨率为320×240时,所提算法的检测帧率达到8.83 frame/s,准确率为0.913,均优于对比算法。该算法具有较高的实时性和准确率,能够及时检测老人跌倒行为的发生。
    • 李强; 黎小军; 吴召平
    • 摘要: 某型网络设备产量非常大,但现有的生产检测效率低,主要体现在现有的生产检测测试环境搭建非常复杂,需要自制陪测设备四种各一台、还需要两台交换机、一台路由器、以及一台外购服务器,搭建这套测试环境所需成本也非常高,在测试时还需要人工手动输入测试命令,生产效率极低。为了实现在生产线上对该型网络设备进行自动检测和自动生成测试记录,通过研制一款测试工装,并根据被测试网络设备的功能,设计了简单快速的测试方法。该工装以嵌入式技术为基础平台,采用PowerPC处理器芯片为控制核心,使用powerpc linux交叉编译器编译PowerPC处理器程序。
  • 查看更多

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号