随着泛在电力物联网(ubiquitous power internet of things,UPIoT)的建设,将有亿级海量终端设备接入系统,给基于传统中心化分布式网络结构的电力设备泛在物联网带来巨大的挑战。为此,首先分析了泛在电力物联网在网络结构、信息安全、隐...随着泛在电力物联网(ubiquitous power internet of things,UPIoT)的建设,将有亿级海量终端设备接入系统,给基于传统中心化分布式网络结构的电力设备泛在物联网带来巨大的挑战。为此,首先分析了泛在电力物联网在网络结构、信息安全、隐私保护、通信壁垒和多主体协同中存在的问题。然后利用区块链思维将区块链技术与物联网(internet of things,IoT)相结合,提出了基于区块链的电力设备泛在物联网建设方案,并重点阐述了在物联网区块链应用中的分区并行高通量联盟链、跨链通信、共识算法、智能合约、加密算法和数据压缩等关键技术。最后讨论了区块链与电力设备泛在物联网融合创新的发展趋势。区块链技术的发展势必深刻影响到社会的方方面面,论文的研究成果可为区块链在电力物联网的应用和实践提供参考。展开更多
在集约化水产养殖过程中,饲料投喂是控制养殖成本,提高养殖效率的关键。室外环境复杂多变且难以控制,适用于此环境的移动设备计算能力较弱,通过识别鱼类摄食状态实现智能投喂仍存在困难。针对此种现象,该研究选取了轻量级神经网络Mobile...在集约化水产养殖过程中,饲料投喂是控制养殖成本,提高养殖效率的关键。室外环境复杂多变且难以控制,适用于此环境的移动设备计算能力较弱,通过识别鱼类摄食状态实现智能投喂仍存在困难。针对此种现象,该研究选取了轻量级神经网络Mobile Net V3-Small对鲈鱼摄食状态进行分类。通过水上摄像机采集水面鲈鱼进食图像,根据鲈鱼进食规律选取每轮投喂后第80~110秒的图片建立数据集,经训练后的MobileNetV3-Small网络模型在测试集的准确率达到99.60%,召回率为99.40%,精准率为99.80%,F1分数为99.60%。通过与ResNet-18,ShuffleNetV2和MobileNetV3-Large深度学习模型相比,MobileNetV3-Small模型的计算量最小为582M,平均分类速率最大为39.21帧/s。与传统机器学习模型KNN(K-Nearest Neighbors)、SVM(Support Vector Machine)、GBDT(Gradient Boosting Decision Tree)和Stacking相比,Mobile Net V3-Small模型的综合准确率高出12.74、23.85、3.60和2.78个百分点。为进一步验证该模型有效性,在室外真实养殖环境进行投喂试验。结果显示,与人工投喂相比,基于该分类模型决策的鲈鱼投喂方式的饵料系数为1.42,质量增加率为5.56%。在室外真实养殖环境下,Mobile Net V3-Small模型对鲈鱼摄食状态有较好的分类效果,基于该分类模型决策的鲈鱼投喂方式在一定程度上能够代替养殖人员进行决策,为室外集约化养殖环境下的高效智能投喂提供了参考。展开更多
文摘随着泛在电力物联网(ubiquitous power internet of things,UPIoT)的建设,将有亿级海量终端设备接入系统,给基于传统中心化分布式网络结构的电力设备泛在物联网带来巨大的挑战。为此,首先分析了泛在电力物联网在网络结构、信息安全、隐私保护、通信壁垒和多主体协同中存在的问题。然后利用区块链思维将区块链技术与物联网(internet of things,IoT)相结合,提出了基于区块链的电力设备泛在物联网建设方案,并重点阐述了在物联网区块链应用中的分区并行高通量联盟链、跨链通信、共识算法、智能合约、加密算法和数据压缩等关键技术。最后讨论了区块链与电力设备泛在物联网融合创新的发展趋势。区块链技术的发展势必深刻影响到社会的方方面面,论文的研究成果可为区块链在电力物联网的应用和实践提供参考。
文摘在集约化水产养殖过程中,饲料投喂是控制养殖成本,提高养殖效率的关键。室外环境复杂多变且难以控制,适用于此环境的移动设备计算能力较弱,通过识别鱼类摄食状态实现智能投喂仍存在困难。针对此种现象,该研究选取了轻量级神经网络Mobile Net V3-Small对鲈鱼摄食状态进行分类。通过水上摄像机采集水面鲈鱼进食图像,根据鲈鱼进食规律选取每轮投喂后第80~110秒的图片建立数据集,经训练后的MobileNetV3-Small网络模型在测试集的准确率达到99.60%,召回率为99.40%,精准率为99.80%,F1分数为99.60%。通过与ResNet-18,ShuffleNetV2和MobileNetV3-Large深度学习模型相比,MobileNetV3-Small模型的计算量最小为582M,平均分类速率最大为39.21帧/s。与传统机器学习模型KNN(K-Nearest Neighbors)、SVM(Support Vector Machine)、GBDT(Gradient Boosting Decision Tree)和Stacking相比,Mobile Net V3-Small模型的综合准确率高出12.74、23.85、3.60和2.78个百分点。为进一步验证该模型有效性,在室外真实养殖环境进行投喂试验。结果显示,与人工投喂相比,基于该分类模型决策的鲈鱼投喂方式的饵料系数为1.42,质量增加率为5.56%。在室外真实养殖环境下,Mobile Net V3-Small模型对鲈鱼摄食状态有较好的分类效果,基于该分类模型决策的鲈鱼投喂方式在一定程度上能够代替养殖人员进行决策,为室外集约化养殖环境下的高效智能投喂提供了参考。
