南京工程学院样本

合集下载

毕业设计课题汇总表资料

202110136 202110137 202100328 202110201 202110202 202110203 202110204 202110205 202110206 202110207 202110208 202110209 202110210 202110211 202110212 202110213 202110214 202110215 202110216 202110217 202110218 202110219 202110221 202110222 202110223 202110224 202110225 202110226 202110227 202110228 202110230 202110231 202110233 202110234 202110235 202110236
学号
202110101 202110102 202110103 202110104 202110105 202110106 202110107 202110108 202110109 202110110 202110111 202110112 202110113 202110114 202110116 202110117 202110118 202110119 202110120 202110121 202110122 202110123 202110124 202110125 202110126 202110127 202110128 202110129 202110130 202110131 202110132 202110133 202110134 202110135
课题性质课题来源设计周数指导教师
E E E E E E E E E E A C C C A C C E C C C C E C C C C C C E C C C C D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D D 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 岳红原岳红原杨庆岳红原庄严丁宇辰庄严丁宇辰杨庆丁宇辰袁宗福黄陈蓉徐梦溪徐梦溪吴晓彬徐梦溪陈钧杨庆黄陈蓉翟继友翟继友林忠庄严林忠沈晨鸣陈钧吴晓彬陈钧温志萍岳红原黄 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105

应用型本科高校人工智能专业培养探索实践——以南京工程学院为例

（1）能力驱动的人才培养模式。

着眼服务地方的
图1 宏观策略效果纵向比较
图2 微观措施效果横向比较
结语
应用型地方高校人工智能本科培养面临巨大挑战，南京工程学院依托项目化教学传统优势，从学校统筹顶层设计、学院建设课程资源、班级落实全面发展三方面着手，因地制宜，逐步形成了人工智能领域高质量应用型人才培养模式，对同类高校相关专业建设具有重要借鉴推广价值。

参考文献：
[1] 钱小龙, 陈瑞瑞. 人工智能人才培养的历史考察与发展愿景
教育评论, 2021(9):37-45.
[2] 李月军. 校企深度融合的人工智能专业工程应用型创新人才培
养模式探索[J]. 计算机教育, 2021(6): 95-99.
[3] 胡纯蓉, 廖翠娇, 刘强等. 人工智能专业教育的教学模式探讨
计算机教育, 2021(11): 67-71.
[4] 宗欣露, 徐慧. 基于成果导向教育的人工智能专业教学模式
软件导刊, 2020(11): 245-248.
[5] 史金飞, 郑峰, 邵波等.能力导向的应用型本科人才培养模式创
新—南京工程学院项目教学迭代方案设计与实践[J]. 高等工程。

南京工程学院

1983年，南京工业学校创建，隶属于国家核工业部； 2001年3月，并入南京工程学院。
办学条件
院系专业师资力量
教学建设学科建设
截至2023年3月，学校设有19个教育教学单位，开设72个本科专业。
截至2023年3月，学校有教职工2100余名，其中专任教师1600余名，具有博士学位专任教师占比45.42%，具有高级职称专业教师占比55.18%。现有享受国务院政府特殊津贴专家、江苏省特聘教授、江苏省教学名师、江苏省有突出贡献中青年专家等省级及以上高层次人才245人次，拥有江苏“六大人才高峰”创新团队、江苏省高校科技创新团队、江苏省哲学社会科学优秀创新团队、江苏省“青蓝工程”优秀教学团队等省级人才团队13个。
校歌
2009年9月至11月学校在全校师生员工、校友中开展了校歌歌词征集活动，并特邀南京军区政治部创作室葛逊教授对收集到的作品进行了再创作。
方山脚下鲜花绽放，
天印湖畔白鹭翱翔。
学校领导
并校之前并校之后
感谢观看
历史沿革
电专历史
机专历史
南京工业学校
历史沿革 1915年，同济医工学堂附设机师科创建； 1922年，改名为同济大学附设中等机械科； 1926年，改名为同济大学附设机师学校； 1933年，改建为国立同济大学附设高级职业学校机械科； 1935年，更名为国立同济大学附设高级工业职业学校；南京工程学院（原东校区） 1950年11月，该校划归华东工业部领导；更名为同济高级工业学校； 1951年，由上海迁往南京； 1953年，同济高级工业学校在机械科的基础上组建南京机器制造学校；土木科迁出组建南京建筑工程学校（南京建筑工程学院）；
截至2023年3月，学校近年来，获批江苏省科学技术奖等省部级科技奖40项（其中一等奖5项），国家直管行业科技奖60项；获批省部级及以上项目614项，科研到款额超7亿元；授权发明专利1235项，转让专利649项，获评省科技服务业“百强”机构、省知识产权贯标示范高校、省专利转化专项实施单位和南京市智能制造产业知识产权运营中心。

1989年南京建筑工程学院毕业证书样本

1989年南京建筑工程学院毕业证书样本建筑工程学院是南京工程学院二级学院之一，其前身可追溯到南京工业学校电气学科部2000年筹建的房屋建筑工程专业（专科）；2001年3月南京工业学校并入南京工程学院，电气学科部被合并组建为机电工程一系；2001年9月依托机电工程一系招生首届房屋建筑工程专科生，2002年9月在机电工程一系设立建筑工程教研室；2003年6月建筑工程教研室从机电工程一系独立出来，成立建筑工程系，并于同年9月招生第一届土木工程专业本科生。

建筑工程系经4年发展，于2007年1月更名为建筑工程学院，同年停止专科招生。

毕业证书
学生XXX现年XX岁系XX人于XXXX年X月X日进入XX省南京建筑工程学院学习XX事业现已期满，学完全部课程成绩及格准予毕业XX南京建筑工程学院校长XXX
XXXX年X月X日。

毕业答辩PPT模板-南京工程学院(封面)开题报告-毕业论文、设计PPT精美模板-(强烈推荐888号作)

01 输入标题 02 输入标题 03 输入标题
单击此处添加本章节的简要内容。本模板精心设计，模板所有素材均可自由编辑替换移动。单击此处添加本章节的简要内容。本模板精心设计，模板所有素材均可自由编辑替换移动。
单击此处添加本章节的简要内容。本模板精心设计，模板所有素材均可自由编辑替换移动。单击此处添加本章节的简要内容。本模板精心设计，模板所有素材均可自由编辑替换移动。
目录
第一部分研究背景
P01
第二部分研究意义
P05
第三部分国内外研究现状
P08
第四部分研究思路
P12
第五部分实验分析
P20
第六部分研究结论
P30
01
研究背景
The present situation of the research background is the research object, development trend and research significance
02 选题意义 Significance of The Subject
意义 1
选题的目的、意义也就是课题的研究价值所在。一般来说，开题报告的研究目的、意义要开门见山地表达出来，以便有关专家能够较明确地知道你的研究价值。
意义 2
选题的目的、意义也就是课题的研究价值所在。一般来说，开题报告的研究目的、意义要开门见山地表达出来，以便有关专家能够较明确地知道你的研究价值。
01 研究背景 The research background
写论文的时候，在论文的开头一般都要交代研究背景，以便让答辩导师和学生更好地了解课题研究的内容、方法、实验分析过程和研究成果。

南京工程学院简介

南京工程学院是全国高等学校应用型本科院校专门委员会主任委员单位，全国服务特需硕士研究生培养单位联盟副理事长单位，新一轮本科院校教学工作合格评估方案主要起草单位，国家“十三五”时期地方高校转型示范工程——产教融合规划项目实施高校，教育部“卓越工程师教育培养计划”和“CDIO 工程教育改革”首批试点高校，国家机电控制类人才培养模式创新试验区，全国产学研合作典型高校，全国毕业生就业
工作典型经验高校和江苏省首批教学工作先进
高校。

在百年的办学过程中，学校始终坚持以应用型人才培养为中心的办学定位，形成了校企合作、注重实践、产学研相融的鲜明特色，在机械、电力、能源动力与核工业等行业领域具有很高的影响力。

学校牢固树立“学以致用”的办学理念，发扬“知行统一，创业创新”的校园精神，以服务地方、行业为主，以本科教育为主，以教学为主，在全国率先提出和开展应用型本科教育的转型改革，相关研究与实践一直走在全国最前列，是国家教育主管部门与同类高校公认的应用型本科教育转型改革发展的“领头羊”。

学校不断深化教育教学改革，切实提高人才培养质量，毕业生以思想政治过硬、综合素质好、专业基础扎实、实践能力强、发展后劲足而受到社会的广泛好评和普遍欢迎。

学校生源充足且质量较高，第一志愿录取率连年100%，从2018年起，学校在江苏省的招生整体调整到本一批次（招生代码为1114、1614）；毕业生就业率连年保持在98%以上，自2003年以来一直被评为江苏省就业工作先进集体。

南京工程学院
简介
2019年5月孙春兰副总理来学校调研2019年7月江苏省高等教育学会应用型本科院校研究会筹备会在学校召开2019年学校与芬兰奥卢大学联合研究中心合作备忘录签字仪式。

南京工程学院新生攻略

南京工程学院入学必备清单一.重要工具1.录取通知书(必须带!!!没有录取通知书去学校报到时可能会比较麻烦哦)、高考准考证、考分条(录取通知书丢失时有用，还是带着吧)2.户口本、户口本本人页复印件4份(部分院系报到需要)3.身份证及正反两面复印件4份(在学校也会有很多的复印店可以复印，但是开学肯定人很多还要排队)4.若干百元大钞&银行卡至少1张(最好是录取通知书里面的当地卡）5.一寸照片至少12张，两寸照片2-4张(开学不是马上都用，之后两天陆续要用，有一些学长会到你们寝室帮着照一寸照，但是个人拿相机照的十分简陋、背景就是两人举一张蓝布，效果不好还很昂贵，建议不要在他们那里照，自己带好，肯定用得着，比如学生证、团关系转接证、学生档案转借手续证、军训表现录入表、验牙单、社团会员证、超市会员卡、学生会入会申请表、体检单等等等)6.团员档案、学生档案(切记!!两样都十分重要!必须带!!!少一样一定是不能入校的，切记!不是开玩笑!!!)7.照相机及相应的相机卡、照相机的数据线(数据线没了的带好读卡器，开学军训和进入寝室的时候多照几张照片，今后你就知道了，这些照片是你最难得的回忆，很有珍藏价值!如果没有相机，就暂时拿手机照吧，别总管别人借相机，一般同学不愿意把那么贵的东西往出借)8.手机及附件(充电器、电板、耳机、足量的数据线)9.U盘移动硬盘及家里电脑中有用的文件要装里10.创口贴若干、纱布、绷带、医用棉签(开学军训时经常搬东西，拿书什么的，经常有同学把手划破又装没事，这时候你要说我有创口贴给你贴上，那他得老感动了，这对于加快新朋友交往进程有很大帮助)11.晕车的朋友要带晕车药若干12.生病服药期间的同学带足量的药13.近视眼的同学带好眼睛、镜布及镜盒14.电子词典要带，总用手机查单词慢15.大卡、小卡读卡器16.充电电池若干配充电器17.QQ密码、QQ密保卡备份、及其他密码备份以及重要口令、指令、密保可能记不住的都要有安全备份。

复杂环境下小尺度烟火目标检测研究

ＤＯＩ：１０．１３８７８／ｊ．ｃｎｋｉ．ｊｎｕｉｓｔ．２０２２０７１０００１温秀兰１㊀焦良葆２㊀李子康１㊀姚波１㊀唐国寅１复杂环境下小尺度烟火目标检测研究摘要针对复杂环境下起火点目标尺寸较小㊁起火点特征易与实际场景混淆导致烟火检测效率及准确率低等问题，提出了一种基于改进ＹＯＬＯｖ５的小尺度烟火目标检测方法．首先，在原始ＹＯＬＯｖ５模型输出的第３个检测层上增加第４个检测层，以此获取更大的特征图对小目标进行检测，加强网络模型的特征提取能力．其次，为解决目标在被遮挡的场景中容易出现漏检的问题，将原网络中用于计算目标框损失函数的ＧＩｏＵ＿Ｌｏｓｓ替换成ＤＩｏＵ＿Ｌｏｓｓ．最后，利用ＴｅｎｓｏｒＲＴ对模型进行压缩和加速优化，并将其部署到ＪｅｔｓｏｎＴＸ２开发板上进行加速推理实验，通过复制增强方法扩充实际烟火场景数据．大量实验结果表明，本文所提方法用于复杂环境下的小尺度烟火目标检测不仅检测速度快而且精度高，适于推广应用．关键词烟火检测；改进ＹＯＬＯｖ５；ＤＩｏＵ＿Ｌｏｓｓ；优化加速中图分类号ＴＰ３９１文献标志码Ａ收稿日期２０２２⁃０７⁃１０资助项目国家自然科学基金（５１６７５２５９）；江苏省智能感知技术与装备工程研究中心开放基金（ＩＴＳ２０２１０３）；南京工程学院研究生科技创新基金（ＴＢ２０２２１７００４）作者简介温秀兰，博士，教授，研究方向为精密检测㊁机器视觉及其应用㊁机器人标定与控制．ｚｄｈｘｗｘｌ＠ｎｊｉｔ．ｅｄｕ．ｃｎ１南京工程学院自动化学院，南京，２１１１６７２江苏省智能感知技术与装备工程研究中心，南京，２１１１６７０㊀引言㊀㊀火灾是威胁公共安全㊁危害人民生命财产的一种多发性灾害，能否快速有效地发现火情并及时预警，对维护日常生活生产秩序具有重大意义［１］．在烟火的实际检测中，由于起火点目标小，火点颜色易与车灯㊁路灯等颜色背景相近的目标混淆，极易误检，并且易受外部光线变化的影响，使得复杂环境下烟火检测难度大大增加［２］．目前市面上大多采用传感器进行烟火检测［３］，这种检测方法存在设备昂贵㊁检测范围相对较窄㊁延时和误报等问题．为解决传感器检测存在的弊端，有学者提出基于传统图像处理的方法［４］，主要是对烟火中易于辨识的颜色和边缘特征进行识别和检测，在一定程度上解决了不同光线下的干扰，但对于一些复杂环境背景中产生的烟火依然会受到较大的干扰，鲁棒性不强，不利于对火灾的实时检测．随着深度学习的兴起，深度网络模型在视觉领域取得了突出进展，将深度网络模型应用于烟火检测成为近年来的研究热点［５⁃９］．在烟火的实际场景中进行检测时，烟火目标易受光照条件干扰，火焰的颜色特征易与一些环境背景颜色混淆，而要做到及时有效的火情预警，就必须在刚起火时检测出起火点，但这种小尺度的起火点检测难度极大，传统的基于图像处理的目标检测算法无法解决上述难点．基于深度学习的目标检测算法具有强大的特征提取能力，在室外远程拍摄和航空遥感场景中的小目标检测得到较成功应用［１０⁃１１］．针对复杂环境下小尺度烟火目标检测难题，本文选择ＹＯＬＯｖ５网络模型作为烟火目标检测与识别的基准网络，通过目标检测层设计㊁网络结构改进㊁目标框损失函数的选择等多种措施以解决小尺度烟火检测效率及准确率低等问题．１㊀改进的ＹＯＬＯｖ５模型１１㊀目标检测层的改进设计在烟火检测任务中，要做到及时有效的火情预警，必须在刚起火时将起火点检测出来，然而现有的公开数据集都是以森林火灾为主，缺少小尺度的火焰数据，并且实际场景中的起火图像数据也很难收集．因此，本文首先采用一种复制增强的方法［１２⁃１４］人为构造场景数据，并对ＹＯＬＯｖ５网络模型的预测端进行重新设计，以提高模型对小目标的检测精度．㊀㊀㊀㊀㊀㊀原始的ＹＯＬＯｖ５模型中，只有３个检测层，对应３组初始化的锚框值．为了更好地检测小目标物体，在原始模型的３个检测层上增加第４个检测层．因此需要多增加一层锚框（第４组锚框）参数，增加后的锚框参数如表１所示．表１㊀锚框参数Ｔａｂｌｅ１㊀Ａｎｃｈｏｒｂｏｘｐａｒａｍｅｔｅｒｔａｂｌｅ组别锚框尺寸输出特征图尺度第１组锚框［１０，１３，１６，３０，３３，２３］８０ˑ８０第２组锚框［３０，６１，６２，４５，５９，１１９］４０ˑ４０第３组锚框［１１６，９０，１５６，１９８，３７３，３２６］２０ˑ２０第４组锚框［５，６，８，１４，１５，１１］１６０ˑ１６０当输入的图像尺寸为６４０ˑ６４０时，网络的第１个输出层输出的特征图尺寸为（８０ˑ８０），用以检测（８ˑ８）以上的目标；网络的第２个输出层输出的特征图尺寸为（４０ˑ４０），用以检测（１６ˑ１６）以上的目标；网络的第３个输出层，输出的特征图尺寸为（２０ˑ２０），用以检测（３２ˑ３２）以上的目标．在增加了一个检测层之后，输出第４个尺度的特征图为（１６０ˑ１６０），理论上可以检测到最小的目标为（４ˑ４），提高了对小目标的检测精度．１２㊀改进的ＹＯＬＯｖ５网络结构针对烟火检测任务中起火点目标小㊁易与环境背景相混淆，且存在光照变化㊁目标遮挡和目标尺度变化等问题，本文对ＹＯＬＯｖ５的网络结构进行了改进，改进后ＹＯＬＯｖ５（Ｉｍｐｒｏｖｅｄ⁃ＹＯＬＯｖ５）网络结构如图１所示．骨干网络由１组Ｆｏｃｕｓ单元㊁４组ＣＢＬ单元和３组Ｃ３Ｔ＿Ｘ组成．Ｃ３Ｔ＿Ｘ就是经典的ＣＳＰ结构，由多个残差组件和卷积层张量拼接组成，其中，Ｘ代表的是使用残差组件的个数，这种Ｃ３结构是整个网络中特征提取的重要环节，它不仅增强了ＣＮＮ的学习能力，还极大地降低了计算瓶颈和计算的成本，使得在轻量化的同时保持较高的准确性．在Ｎｅｃｋ端采用ＦＰＮ＋ＰＡＮ的结构，该结构不仅加强了语义信息的传递，同时还加强了特征信息的定位，因采用了Ｃ３结构，进一步加强了网络特征融合的能力．因此，改进后的网络继续对第３层输出的（８０ˑ８０）的特征图进行上采样等处理，得到尺寸为（１６０ˑ１６０）的特征图，将此特征图与骨干网络中的第１层输出的特征图进行融合操作，进行特征信息的补偿，从而提高对小目标的检测精度．１３㊀目标框损失函数的选择模型的好坏通常采用损失函数来衡量，目标框损失函数用来评价模型的预测框与目标框之间的不一致程度．常见的损失函数有ＩｏＵ＿Ｌｏｓｓ，定义为ＩｏＵ＿Ｌｏｓｓ＝１－ＩｏＵ＝１－ＡＢ，（１）式（１）中，Ａ，Ｂ分别代表预测框与目标框之间的交集与并集．ＹＯＬＯｖ５原网络中用ＧＩｏＵ＿Ｌｏｓｓ计算目标框损失函数：ＧＩｏＵ＿Ｌｏｓｓ＝１－（ＩｏＵ－ＤＣ），（２）式（２）中，Ｃ为预测框与目标框的最小外接矩形，Ｄ为Ｃ与Ｂ之差．尽管ＧＩｏＵ＿Ｌｏｓｓ解决了ＩｏＵ＿Ｌｏｓｓ存在的弊端，但当预测框小于目标框，位于目标框内多个不同位置时，因目标框与预测框差集相同，使得ＧＩｏＵ＿Ｌｏｓｓ的值相同，无法区分相对应的位置关系．因此，本文选择ＤＩｏＵ＿Ｌｏｓｓ作为目标框损失函数：ＤＩｏＵ＿Ｌｏｓｓ＝１－ＩｏＵ－Ｒ２２Ｒ２１æèçöø÷，（３）式（３）中，Ｒ１代表最小外接矩形Ｃ的对角线距离，Ｒ２代表目标框与预测框２个中心点之间的欧式距离．ＤＩｏＵ＿Ｌｏｓｓ同时考虑了重叠面积和中心点的距离，因此，当目标框处于预测框内部时，通过直接度量２个框的距离，不仅使得模型训练时网络收敛快，而且当目标在被遮挡的场景中也可以将预测框快速回归出来．２㊀实验及结果分析２１㊀实验数据集数据集的丰富与否极大地影响着深度学习模型的训练效果．目前网络上还没有公开的火灾数据集，能用于研究的烟火数据图像更是匮乏，因此，通过视频抽帧㊁Ｂａｉｄｕ㊁Ｇｉｔｈｕｂ以及数据复制增强等方法，建立自制的烟火数据集ＦＤＤ，并用于烟火目标的检测与识别．该自制数据集包含不同场景下的烟火图像共１０６６８张，ＦＤＤ的部分图像样本如图２所示．２２㊀评价指标在目标检测领域常用准确率（Ｐｒｅｃｉｓｉｏｎ）和召回率（Ｒｅｃａｌｌ）来评价一个算法的优劣．为了更好地评价模型的准确性［１５⁃１７］，通常在评价算法性能优劣时还会引入平均准确率（ＡｖｅｒａｇｅＰｒｅｃｉｓｉｏｎ，ＡＰ）和平均准确率均值（ＭｅａｎＡｖｅｒａｇｅＰｒｅｃｉｓｉｏｎ，ｍＡＰ）２个指标［１８］．本文将采用Ｐｒｅｃｉｓｉｏｎ㊁Ｒｅｃａｌｌ㊁ＡＰ和ｍＡＰ作为７７６学报（自然科学版），２０２３，１５（６）：６７６⁃６８３ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ），２０２３，１５（６）：６７６⁃６８３图１㊀改进后的网络结构Ｆｉｇ１㊀Ｉｍｐｒｏｖｅｄｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅ图２㊀ＦＤＤ数据集部分图像样本示例Ｆｉｇ２㊀ＥｘａｍｐｌｅｏｆｓｏｍｅｉｍａｇｅｓａｍｐｌｅｓｆｒｏｍｔｈｅＦＤＤｄａｔａｓｅｔ８７６温秀兰，等．复杂环境下小尺度烟火目标检测研究．ＷＥＮＸｉｕｌａｎ，ｅｔａｌ．Ｓｍａｌｌｓｃａｌｅｓｍｏｋｅ＆ｆｉｒｅｔａｒｇｅｔｄｅｔｅｃｔｉｏｎｉｎｃｏｍｐｌｅｘｅｎｖｉｒｏｎｍｅｎｔ．模型的训练评估指标，并且利用每秒帧数（ＦｒａｍｅＰｅｒＳｅｃｏｎｄ，ＦＰＳ）来衡量模型的检测速度．由于原网络ＹＯＬＯｖ５在ＣＯＣＯ数据集上训练好的权重ｙｏｌｏｖ５ｍ．ｐｔ已经具备良好的特征信息的提取能力，利于做迁移学习，所以将该训练权重文件用于Ｉｍｐｒｏｖｅｄ⁃ＹＯＬＯｖ５训练．训练的数据集采用自制的ＦＤＤ数据集．对训练好的模型进行参数的微调，训练完成后烟雾和火焰的准确率结果如图３所示．在置信度为０６的情况下，火焰的准确率为９１４％，烟雾的准确率为８９１％．图３㊀准确率Ｆｉｇ３㊀Ｐｒｅｃｉｓｉｏｎ为了更好地评价模型的准确性，在评价算法性能优劣时还会引入ｍＡＰ指标．ｍＡＰ＠０５是指ＩｏＵ为０５时烟雾和火焰２个类别的平均ＡＰ．召回率和准确率的计算结果如图４所示，火焰的ＡＰ为９４％，烟雾的ＡＰ为８７６％，ｍＡＰ可根据曲线下方的面积大小来计算．２３㊀与已有算法的对比实验在网络模型训练过程中，可以通过Ｌｏｓｓ曲线观察网络训练的状态．为了验证替换后预测框损失函数ＤＩｏＵ＿Ｌｏｓｓ是否可以提高网络的收敛速度，在同一个数据集上分别对改进前后损失函数的网络进行２００个ｅｐｏｃｈ数量的训练，其Ｌｏｓｓ曲线如图５ａ所示，红色曲线和蓝色曲线分别表示原ＹＯＬＯｖ５网络损失曲线和替换损失函数后的网络曲线，而绿色曲线代表使用经典的ＹＯＬＯｖ４算法在该数据集下的训练情况．由图５ａ可见，因ＤＩｏＵ＿Ｌｏｓｓ考虑了目标框的中心点能够更快地将目标回归出来，模型的收敛速度也快于原网络，说明将ＧＩｏＵ＿Ｌｏｓｓ替换成ＤＩｏＵ＿Ｌｏｓｓ后提高了网络的收敛能力，损失函数值明显小于原ＹＯＬＯｖ５和ＹＯＬＯｖ４算法结果，表明改进后的网络模图４㊀平均准确率均值Ｆｉｇ４㊀Ｍｅａｎａｖｅｒａｇｅｐｒｅｃｉｓｉｏｎ型训练结果更佳，可以作为一个合适的网络模型进行后续的实际部署．同时从准确率（Ｐｒｅｃｉｓｉｏｎ）㊁召回率（Ｒｅｃａｌｌ）及ｍＡＰ指标对改进前后网络整体的性能进行评价，结果如图５ｂｄ所示．可见：相比于原ＹＯＬＯｖ５网络，改进后的网络模型平均准确率均值ｍＡＰ从８３５％上升到９０８％，提升了７３个百分点，但由于增加了检测层导致推理速度从６０３２ＦＰＳ下降到５８９４ＦＰＳ；与ＹＯＬＯｖ４相比，改进后ＹＯＬＯｖ５网络的ｍＡＰ提升了１４６个百分点．改进前后网络模型在自制的视频序列上烟火目标检测的定性对比实验结果如图６ａｆ所示．对比图６ａ和６ｂ可以发现，原ＹＯＬＯｖ５对于存在遮挡的目标图像检测存在漏检现象，而改进后的ＹＯＬＯｖ５在目标被部分遮挡的情况下依然可以精准地检测出目标，说明改进后的ＹＯＬＯｖ５在替换损失函数后，可以保持对图像特征提取的能力．对比图６ｃ和６ｄ，原ＹＯＬＯｖ５对于小目标的检测效果较差，不能够将３０ˑ３０像素点以下的小目标检测出来，而改进后的ＹＯＬＯｖ５依旧能很好地检测出小尺寸的着火点，说明改进后的ＹＯＬＯｖ５在增加检测层之后，网络对图像特征信息的提取能力进一步加强，使得漏检问题得到有效的改善．对比图６ｅ和６ｆ，原ＹＯＬＯｖ５在特征信息相似的物体上存在误检的情况，而改进后的ＹＯＬＯｖ５有效避免了误检，说明复制粘贴的数据增强方式利于网络对特征的提取和分析，减少误检率，提高了模型的泛化能力［１９⁃２０］．３㊀模型加速及实时检测为了满足实际场景中的烟火检测需求，需要对９７６学报（自然科学版），２０２３，１５（６）：６７６⁃６８３ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ），２０２３，１５（６）：６７６⁃６８３图５㊀不同算法评价指标变化曲线对比Ｆｉｇ５㊀Ｃｏｍｐａｒｉｓｏｎｃｈａｒｔｏｆｅｖａｌｕｔｉｏｎｉｎｄｅｘｃｈａｎｇｓｃｕｒｖｅｓｏｆｄｉｆｆｅｒｅｎｔａｌｇｏｒｉｔｈｍｓ图６㊀改进前后算法的实际检测效果Ｆｉｇ６㊀Ｔｈｅａｃｔｕｒａｌｄｅｔｅｃｔｉｏｎｅｆｆｅｃｔａｌｇｏｒｉｔｈｍｂｅｆｏｒｅａｎｄａｆｔｅｒｔｈｅｉｍｐｒｏｖｅｍｅｎｔ训练好的模型进行优化加速后部署到嵌入式设备中．ＴｅｎｓｏｒＲＴ是一个高性能的深度学习推断的优化器和运行的引擎，其核心是一个Ｃ＋＋库，可以促进对ＮＶＩＤＩＡ图形处理单元（ＧＰＵ）的高性能推理，旨在与０８６温秀兰，等．复杂环境下小尺度烟火目标检测研究．ＷＥＮＸｉｕｌａｎ，ｅｔａｌ．Ｓｍａｌｌｓｃａｌｅｓｍｏｋｅ＆ｆｉｒｅｔａｒｇｅｔｄｅｔｅｃｔｉｏｎｉｎｃｏｍｐｌｅｘｅｎｖｉｒｏｎｍｅｎｔ．ＴｅｎｓｏｒＦｌｏｗ㊁Ｐｙｔｏｒｃｈ㊁ＭＸＮｅｔ等训练框架以互补的方式工作［２０］．３１㊀ＴｅｎｓｏｒＲＴ的推理实验由于ＲＴＸ３０８０服务器目前还不支持ＦＰ１６的低精度推理，因此，在Ｐｙｔｏｒｃｈ框架和ＴｅｎｓｏｒＲＴ框架下对改进的ＹＯＬＯｖ５模型和ＹＯＬＯｖ５基准模型进行ＦＰ３２的高精度推理对比实验，其对比结果如表２所示．表２㊀不同框架下的推理速度对比Ｔａｂｌｅ２㊀Ｃｏｍｐａｒｉｓｏｎｏｆｉｎｆｅｒｅｎｃｅｓｐｅｅｄｕｎｄｅｒｄｉｆｆｅｒｅｎｔｆｒａｍｅｗｏｒｋｓ模型推理平台时间／ｍｓＦＰＳＹＯＬＯｖ５ＰｙｔｏｒｃｈＦＰ３２１５７５ＹＯＬＯｖ５ＴｅｎｓｏｒＲＴＦＰ３２１４８１改进ＹＯＬＯｖ５ＰｙｔｏｒｃｈＦＰ３２１７６１改进ＹＯＬＯｖ５ＴｅｎｓｏｒＲＴＦＰ３２１５７５如表２所示，在输入尺寸相同的情况下，同一种模型在不同的框架下的推理时间有所差异，ＴｅｎｓｏｒＲＴ框架下的推理速度高于Ｐｙｔｏｒｃｈ框架下的推理速度．虽然ＴｅｎｓｏｒＲＴ采用了算子融合的优化方式，一些网络结构层进行了合并，减少了大量的参数，模型的推理速度也有所提升，但在推理时依旧采用ＦＰ３２高精度推理方式，导致ＴｅｎｓｏｒＲＴ的推理性能没有完全释放［２１］．而ＪｅｔｓｏｎＴＸ２平台既支持ＦＰ３２的高精度推理也支持ＦＰ１６的低精度推理，因此，在ＪｅｔｓｏｎＴＸ２上进行ＴｅｎｓｏｒＲＴ加速推理实验时，分别采用ＦＰ１６的低精度和ＦＰ３２的高精度对改进的ＹＯＬＯｖ５模型进行推理对比试验，结果如表３所示．表３㊀ＴｅｎｓｏｒＲＴ框架下ＦＰ１６和ＦＰ３２的推理速度对比Ｔａｂｌｅ３㊀ＣｏｍｐａｒｉｓｏｎｏｆｉｎｆｅｒｅｎｃｅｓｐｅｅｄｂｅｔｗｅｅｎＦＰ１６ａｎｄＦＰ３２ｉｎＴｅｎｓｏｒＲＴｆｒａｍｅｗｏｒｋ推理方式图片尺寸时间／ｍｓＦＰＳＦＰ３２６４０ˑ６４０５６２１ＦＰ３２４１６ˑ４１６２９３９ＦＰ１６６４０ˑ６４０３８２８ＦＰ１６４１６ˑ４１６１９５８如表３所示：当输入图片尺寸为（４１６ˑ４１６）时，改进的ＹＯＬＯｖ５模型在ＦＰ１６下的推理速度为５８ＦＰＳ，相比于ＦＰ３２高精度推理提升了４７７％；当输入图片尺寸为（６４０ˑ６４０）时，改进的ＹＯＬＯｖ５模型在ＦＰ１６下的推理速度为２８ＦＰＳ，相比于ＦＰ３２高精度推理提升了３３３％．可以发现，虽然ＲＴＸ３０８０服务器的算力远强于ＪｅｔｓｏｎＴＸ２，但是当网络的输入尺寸为４１６ˑ４１６时，在ＪｅｔｓｏｎＴＸ２开发板上执行ＦＰ１６低精度的ＴｅｎｓｏｒＲＴ加速推理时，其推理速度和ＲＴＸ３０８０服务器上执行ＦＰ３２高精度的推理速度相当，这主要得益于ＴｅｎｓｏｒＲＴ中的算子融合以及ＦＰ１６低精度转化．因此，改进后的ＹＯＬＯｖ５模型在ＪｅｔｓｏｎＴＸ２开发板上能够保持较高的推理速度，满足实时性的要求．３２㊀实际场景测试将改进后的ＹＯＬＯｖ５模型部署到ＪｅｔｓｏｎＴＸ２开发板上，同时进行ＴｅｎｓｏｒＲＴ的加速推理，然后选择自制的一段烟火视频作为测试的视频序列，测试时常约为２０ｍｉｎ，最终的测试结果如图７所示．图７㊀自制视频序列测试结果Ｆｉｇ７㊀Ｔｅｓｔｒｅｓｕｌｔｓｏｎｓｅｌｆ⁃ｍａｄｅｖｉｄｅｏｓｅｑｕｅｎｃｅ图７中３张结果图均为测试视频序列中的随机截取，图中左上角显示的是进行ＴｅｎｓｏｒＲＴ加速推理１８６学报（自然科学版），２０２３，１５（６）：６７６⁃６８３ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ），２０２３，１５（６）：６７６⁃６８３时的实时ＦＰＳ．可以发现，在输入图像尺寸为４１６ˑ４１６时，在ＪｅｔｓｏｎＴＸ２开发板上进行ＴｅｎｓｏｒＲＴ加速推理的烟火目标检测方法能够满足实时性的要求，其平均的帧率可以达到６０ＦＰＳ．通过自制的烟火视频序列的测试实验，验证了本文所提方法的有效性．４　结论针对小尺度烟火目标检测效率及准确率低的问题，提出一种改进的ＹＯＬＯｖ５烟火检测方法．首先在ＹＯＬＯｖ５原始的３个检测层上增加第４个检测层，加强对小尺寸目标的检测；然后将原网络中用于计算目标框损失函数的ＧＩＯＵ＿Ｌｏｓｓ改成ＤＩＯＵ＿Ｌｏｓｓ，使得目标在被遮挡的场景中也可以快速回归出预测框．对于实际场景数据少㊁误检率高的情况，采用一种复制粘贴的数据增强方式，在丰富场景数据的同时，大大减少了误检率，从而得到更适用于烟火检测的模型．最后对改进后的模型进行优化加速部署，通过对实际场景进行测试，结果表明改进后的ＹＯＬＯｖ５模型不仅具有较高的准确率而且能够满足实时性要求，易于在实际场景中推广应用．参考文献Ｒｅｆｅｒｅｎｃｅｓ［１］㊀李继超，郭聖煜，孔刘林，等．施工现场火焰检测和预警机器人设计及应用［Ｊ］．中国安全科学学报，２０２１，３１（４）：１４１⁃１４６ＬＩＪｉｃｈａｏ，ＧＵＯＳｈｅｎｇｙｕ，ＫＯＮＧＬｉｕｌｉｎ，ｅｔａｌ．Ｄｅｓｉｇｎａｎｄａｐｐｌｉｃａｔｉｏｎｏｆａｆｉｒｅｄｅｔｅｃｔｉｏｎａｎｄｅａｒｌｙｗａｒｎｉｎｇｒｏｂｏｔｉｎｃｏｎｓｔｒｕｃｔｉｏｎｓｉｔｅ［Ｊ］．ＣｈｉｎａＳａｆｅｔｙＳｃｉｅｎｃｅＪｏｕｒｎａｌ，２０２１，３１（４）：１４１⁃１４６［２］㊀胡凯，郑翡，卢飞宇，等．基于深度学习的行为识别算法综述［Ｊ］．南京信息工程大学学报（自然科学版），２０２１，１３（６）：７３０⁃７４３ＨＵＫａｉ，ＺＨＥＮＧＦｅｉ，ＬＵＦｅｉｙｕ，ｅｔａｌ．Ａｓｕｒｖｅｙｏｆａｃｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎａｌｇｏｒｉｔｈｍｓｂａｓｅｄｏｎｄｅｅｐｌｅａｒｎｉｎｇ［Ｊ］．ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ），２０２１，１３（６）：７３０⁃７４３［３］㊀张学颖，杨遂军，傅琳，等．基于组合传感器阵列的广谱火焰高度检测［Ｊ］．仪表技术与传感器，２０１３（６）：９３⁃９５ＺＨＡＮＧＸｕｅｙｉｎｇ，ＹＡＮＧＳｕｉｊｕｎ，ＦＵＬｉｎ，ｅｔａｌ．Ｈｅｉｇｈｔｄｅ⁃ｔｅｃｔｉｏｎｏｆｂｒｏａｄ⁃ｓｐｅｃｔｒｕｍｆｌａｍｅｂａｓｅｄｏｎｃｏｍｂｉｎａｔｉｏｎｓｅｎｓｏｒａｒｒａｙ［Ｊ］．ＩｎｓｔｒｕｍｅｎｔＴｅｃｈｎｉｑｕｅａｎｄＳｅｎｓｏｒ，２０１３（６）：９３⁃９５［４］㊀张驰，孟庆浩，井涛．基于改进ＧＭＭ和多特征融合的视频火焰检测算法［Ｊ］．激光与光电子学进展，２０２１，５８（４）：１３６⁃１４５ＺＨＡＮＧＣｈｉ，ＭＥＮＧＱｉｎｇｈａｏ，ＪＩＮＧＴａｏ．Ｖｉｄｅｏｆｌａｍｅｄｅ⁃ｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＧＭＭａｎｄｍｕｌｔｉ⁃ｆｅａ⁃ｔｕｒｅｆｕｓｉｏｎ［Ｊ］．Ｌａｓｅｒ＆ＯｐｔｏｅｌｅｃｔｒｏｎｉｃｓＰｒｏｇｒｅｓｓ，２０２１，５８（４）：１３６⁃１４５［５］㊀陈西江，安庆，班亚．优化ＥｆｆｉｃｉｅｎｔＤｅｔ深度学习的车辆检测［Ｊ］．南京信息工程大学学报（自然科学版），２０２１，１３（６）：６５３⁃６６０ＣＨＥＮＸｉｊｉａｎｇ，ＡＮＱｉｎｇ，ＢＡＮＹａ．ＯｐｔｉｍｉｚｅｄＥｆｆｉｃｉｅｎｔＤｅｔｄｅｅｐｌｅａｒｎｉｎｇｍｏｄｅｌｆｏｒｖｅｈｉｃｌｅｄｅｔｅｃｔｉｏｎ［Ｊ］．ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ），２０２１，１３（６）：６５３⁃６６０［６］㊀陈浩霖，高尚兵，相林，等．ＦＩＲＥ⁃ＤＥＴ：一种高效的火焰检测模型［Ｊ］．南京信息工程大学学报（自然科学版），２０２３，１５（１）：７６⁃８４ＣＨＥＮＨａｏｌｉｎ，ＧＡＯＳｈａｎｇｂｉｎｇ，ＸＩＡＮＧＬｉｎ，ａｔａｌ．ＦＩＲＥＤＥＴ：ａｎｅｆｆｉｃｉｅｎｔｆｌａｍｅｄｅｔｅｃｔｉｏｎｍｏｄｅｌ［Ｊ］．ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ），２０２３，１５（１）：７６⁃８４［７］㊀石磊，张海刚，杨金锋．基于改进型ＳＳＤ的视频烟火检测算法［Ｊ］．计算机应用与软件，２０２１，３８（１２）：１６１⁃１６７，１７３ＳＨＩＬｅｉ，ＺＨＡＮＧＨａｉｇａｎｇ，ＹＡＮＧＪｉｎｆｅｎｇ．Ｖｉｄｅｏ⁃ｂａｓｅｄｆｉｒｅａｎｄｓｍｏｋｅｄｅｔｅｃｔｉｏｎｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＳＳＤ［Ｊ］．ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅ，２０２１，３８（１２）：１６１⁃１６７，１７３［８］㊀李欣健，张大胜，孙利雷，等．复杂场景下基于ＣＮＮ的轻量火焰检测方法［Ｊ］．模式识别与人工智能，２０２１，３４（５）：４１５⁃４２２ＬＩＸｉｎｊｉａｎ，ＺＨＡＮＧＤａｓｈｅｎｇ，ＳＵＮＬｉｌｅｉ，ｅｔａｌ．ＣＮＮ⁃ｂａｓｅｄｌｉｇｈｔｗｅｉｇｈｔｆｌａｍｅｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｉｎｃｏｍｐｌｅｘｓｃｅｎｅｓ［Ｊ］．ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎａｎｄＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ，２０２１，３４（５）：４１５⁃４２２［９］㊀赵媛媛，朱军，谢亚坤，等．改进Ｙｏｌｏ⁃ｖ３的视频图像火焰实时检测算法［Ｊ］．武汉大学学报㊃信息科学版，２０２１，４６（３）：３２６⁃３３４ＺＨＡＯＹｕａｎｙｕａｎ，ＺＨＵＪｕｎ，ＸＩＥＹａｋｕｎ，ｅｔａｌ．Ａｒｅａｌ⁃ｔｉｍｅｖｉｄｅｏｆｌａｍｅｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＹｏｌｏ⁃ｖ３［Ｊ］．ＧｅｏｍａｔｉｃｓａｎｄＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅｏｆＷｕｈａｎＵｎｉｖｅｒｓｉｔｙ，２０２１，４６（３）：３２６⁃３３４［１０］㊀ＳｈｏｒｔｅｎＣ，ＫｈｏｓｈｇｏｆｔａａｒＴＭ．Ａｓｕｒｖｅｙｏｎｉｍａｇｅｄａｔａａｕｇｍｅｎｔａｔｉｏｎｆｏｒｄｅｅｐｌｅａｒｎｉｎｇ［Ｊ］．ＪｏｕｒｎａｌｏｆＢｉｇＤａｔａ，２０１９，６（１）：１⁃４８［１１］㊀李红光，于若男，丁文锐．基于深度学习的小目标检测研究进展［Ｊ］．航空学报，２０２１，４２（７）：０２４６９１ＬＩＨｏｎｇｇｕａｎｇ，ＹＵＲｕｏｎａｎ，ＤＩＮＧＷｅｎｒｕｉ．Ｒｅｓｅａｒｃｈｄｅ⁃ｖｅｌｏｐｍｅｎｔｏｆｓｍａｌｌｏｂｊｅｃｔｔｒａｃｈｉｎｇｂａｓｅｄｏｎｄｅｅｐｌｅａｒｎｉｎｇ［Ｊ］．ＡｃｔａＡｅｒｏｎａｕｔｉｃａｅｔＡｓｔｒｏｎａｕｔｉｃａＳｉｎｉｃａ，２０２１，４２（７）：０２４６９１［１２］㊀ＨｕＣ，ＴａｎｇＰ，ＪｉｎＷＤ，ｅｔａｌ．Ｒｅａｌ⁃ｔｉｍｅｆｉｒｅｄｅｔｅｃｔｉｏｎｂａｓｅｄｏｎｄｅｅｐｃｏｎｖｏｌｕｔｉｏｎａｌｌｏｎｇ⁃ｒｅｃｕｒｒｅｎｔｎｅｔｗｏｒｋｓａｎｄｏｐｔｉｃａｌｆｌｏｗｍｅｔｈｏｄ［Ｃ］／／２０１８３７ｔｈＣｈｉｎｅｓｅＣｏｎｔｒｏｌＣｏｎｆｅｒｅｎｃｅ（ＣＣＣ）．Ｗｕｈａｎ，Ｃｈｉｎａ．ＩＥＥＥ，２０１８：９０６１⁃９０６６［１３］㊀ＬｅｎｇＪＸ，ＲｅｎＹＨ，ＪｉａｎｇＷ，ｅｔａｌ．Ｒｅａｌｉｚｅｙｏｕｒｓｕｒｒｏｕｎｄ⁃ｉｎｇｓ：ｅｘｐｌｏｉｔｉｎｇｃｏｎｔｅｘｔｉｎｆｏｒｍａｔｉｏｎｆｏｒｓｍａｌｌｏｂｊｅｃｔｄｅｔｅｃ⁃ｔｉｏｎ［Ｊ］．Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，２０２１，４３３：２８７⁃２９９［１４］㊀ＬｉｎＴＹ，ＤｏｌｌｒＰ，ＧｉｒｓｈｉｃｋＲ，ｅｔａｌ．Ｆｅａｔｕｒｅｐｙｒａｍｉｄｎｅｔ⁃ｗｏｒｋｓｆｏｒｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎ［Ｃ］／／２０１７ＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．Ｈｏｎｏｌｕｌｕ，ＨＩ，ＵＳＡ．ＩＥＥＥ，２０１７：９３６⁃９４４２８６温秀兰，等．复杂环境下小尺度烟火目标检测研究．ＷＥＮＸｉｕｌａｎ，ｅｔａｌ．Ｓｍａｌｌｓｃａｌｅｓｍｏｋｅ＆ｆｉｒｅｔａｒｇｅｔｄｅｔｅｃｔｉｏｎｉｎｃｏｍｐｌｅｘｅｎｖｉｒｏｎｍｅｎｔ．［１５］㊀ＤｕＳＪ，ＺｈａｎｇＰ，ＺｈａｎｇＢＦ，ｅｔａｌ．ＷｅａｋａｎｄｏｃｃｌｕｄｅｄｖｅｈｉｃｌｅｄｅｔｅｃｔｉｏｎｉｎｃｏｍｐｌｅｘｉｎｆｒａｒｅｄｅｎｖｉｒｏｎｍｅｎｔｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＹＯＬＯｖ４［Ｊ］．ＩＥＥＥＡｃｃｅｓｓ，２０２１，９：２５６７１⁃２５６８０［１６］㊀ＺｈａｏＺＱ，ＺｈｅｎｇＰ，ＸｕＳＴ，ｅｔａｌ．Ｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎｗｉｔｈｄｅｅｐｌｅａｒｎｉｎｇ：ａｒｅｖｉｅｗ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＮｅｕｒａｌＮｅｔｗｏｒｋｓａｎｄＬｅａｒｎｉｎｇＳｙｓｔｅｍｓ，２０１９，３０（１１）：３２１２⁃３２３２［１７］㊀ＰａｎＳＪ，ＹａｎｇＱ．Ａｓｕｒｖｅｙｏｎｔｒａｎｓｆｅｒｌｅａｒｎｉｎｇ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＫｎｏｗｌｅｄｇｅａｎｄＤａｔａＥｎｇｉｎｅｅｒｉｎｇ，２０１０，２２（１０）：１３４５⁃１３５９［１８］㊀ＴａｏＬ，ＨｏｎｇＴ，ＧｕｏＹＣ，ｅｔａｌ．ＤｒｏｎｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｂａｓｅｄｏｎＣｅｎｔｅｒＮｅｔ⁃ＴｅｎｓｏｒＲＴ［Ｃ］／／２０２０ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＳｙｍｐｏｓｉｕｍｏｎＢｒｏａｄｂａｎｄＭｕｌｔｉｍｅｄｉａＳｙｓｔｅｍｓａｎｄＢｒｏａｄｃａｓｔｉｎｇ．Ｐａｒｉｓ，Ｆｒａｎｃｅ．ＩＥＥＥ，２０２０：１⁃５［１９］㊀ＭｉｎＪ，ＬｅｅＹ．ＡｎｅｘｐｅｒｉｍｅｎｔａｌｖｉｅｗｏｎｆａｉｒｎｅｓｓｂｅｔｗｅｅｎＨＴＴＰ／１１ａｎｄＨＴＴＰ／２［Ｃ］／／２０１９ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎ⁃ｆｅｒｅｎｃｅｏｎＩｎｆｏｒｍａｔｉｏｎＮｅｔｗｏｒｋｉｎｇ（ＩＣＯＩＮ）．ＫｕａｌａＬｕｍ⁃ｐｕｒ，Ｍａｌａｙｓｉａ．ＩＥＥＥ，２０１９：３９９⁃４０１［２０］㊀ＷａｎｇＸＨ，ＹｕｅＸＢ，ＬｉＨＹ，ｅｔａｌ．Ａｈｉｇｈ⁃ｅｆｆｉｃｉｅｎｃｙｄｉｒｔｙ⁃ｅｇｇｄｅｔｅｃｔｉｏｎｓｙｓｔｅｍｂａｓｅｄｏｎＹＯＬＯｖ４ａｎｄＴｅｎｓｏｒ⁃ＲＴ［Ｃ］／／２０２１ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＡｄｖａｎｃｅｄＭｅｃｈａｔｒｏｎｉｃＳｙｓｔｅｍｓ（ＩＣＡＭｅｃｈＳ）．Ｔｏｋｙｏ，Ｊａｐａｎ．ＩＥＥＥ，２０２１：７５⁃８０［２１］㊀ＺｈａｎｇＱ，ＷａｎｇＹＹ，ＺｈｕＬ，ｅｔａｌ．Ｒｅｓｅａｒｃｈｏｎｒｅａｌ⁃ｔｉｍｅｒｅａｓｏｎｉｎｇｂａｓｅｄｏｎＪｅｔＳｏｎＴＸ２ｈｅｔｅｒｏｇｅｎｅｏｕｓａｃｃｅｌｅｒａｔｉｏｎＹＯＬＯｖ４［Ｃ］／／２０２１ＩＥＥＥ６ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＣｌｏｕｄＣｏｍｐｕｔｉｎｇａｎｄＢｉｇＤａｔａＡｎａｌｙｔｉｃｓ．Ｃｈｅｎｇｄｕ，Ｃｈｉｎａ．ＩＥＥＥ，２０２１：４５５⁃４５９Ｓｍａｌｌｓｃａｌｅｓｍｏｋｅ＆ｆｉｒｅｔａｒｇｅｔｄｅｔｅｃｔｉｏｎｉｎｃｏｍｐｌｅｘｅｎｖｉｒｏｎｍｅｎｔＷＥＮＸｉｕｌａｎ１㊀ＪＩＡＯＬｉａｎｇｂａｏ２㊀ＬＩＺｉｋａｎｇ１㊀ＹＡＯＢｏ１㊀ＴＡＮＧＧｕｏｙｉｎ１１ＳｃｈｏｏｌｏｆＡｕｔｏｍａｔｉｏｎ，ＮａｎｊｉｎｇＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，Ｎａｎｊｉｎｇ㊀２１１１６７，Ｃｈｉｎａ２ＪｉａｎｇｓｕＩｎｔｅｌｌｉｇｅｎｔＰｅｒｃｅｐｔｉｏｎＴｅｃｈｎｏｌｏｇｙａｎｄＥｑｕｉｐｍｅｎｔＥｎｇｉｎｅｅｒｉｎｇＲｅｓｅａｒｃｈＣｅｎｔｅｒ，Ｎａｎｊｉｎｇ㊀２１１１６７，ＣｈｉｎａＡｂｓｔｒａｃｔ㊀Ｔｏａｄｄｒｅｓｓｔｈｅｌｏｗｅｆｆｉｃｉｅｎｃｙａｎｄａｃｃｕｒａｃｙｏｆｓｍｏｋｅ＆ｆｉｒｅｄｅｔｅｃｔｉｏｎｄｕｅｔｏｔｈｅｓｍａｌｌｓｉｚｅｏｆｔａｒｇｅｔａｎｄｔｈｅｃｏｎｆｕｓｉｏｎｏｆｆｉｒｅｆｅａｔｕｒｅｗｉｔｈａｃｔｕａｌｓｃｅｎｅｉｎｃｏｍｐｌｅｘｅｎｖｉｒｏｎｍｅｎｔ，ａｓｍａｌｌｓｃａｌｅｓｍｏｋｅ＆ｆｉｒｅｔａｒｇｅｔｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＹＯＬＯｖ５ｉｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔ，ａｆｏｕｒｔｈｄｅｔｅｃｔｉｏｎｌａｙｅｒｉｓａｄｄｅｄｔｏｔｈｅｔｈｉｒｄｄｅｔｅｃｔｉｏｎｌａｙｅｒｏｕｔｐｕｔｉｎｔｈｅｏｒｉｇｉｎａｌＹＯＬＯｖ５ｍｏｄｅｌ，ｓｏａｓｔｏｏｂｔａｉｎａｌａｒｇｅｒｆｅａｔｕｒｅｍａｐｆｏｒｓｍａｌｌｔａｒｇｅｔｄｅｔｅｃｔｉｏｎａｎｄｓｔｒｅｎｇｔｈｅｎｔｈｅｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｃａｐａｂｉｌｉｔｙｏｆｔｈｅｎｅｔｗｏｒｋｍｏｄｅｌ．Ｓｅｃｏｎｄ，ｔｏｓｏｌｖｅｔｈｅｅａｓｙｍｉｓｓｉｎｇｄｅｔｅｃｔｉｏｎｏｆｔａｒｇｅｔｉｎｓｈｉｅｌ⁃ｄｅｄｓｃｅｎｅ，ＤＩｏＵ＿ＬｏｓｓｉｓｕｓｅｄｔｏｒｅｐｌａｃｅｔｈｅＧＩｏＵ＿Ｌｏｓｓｉｎｃａｌｃｕｌａｔｉｎｇｔｈｅｒｅｇｒｅｓｓｉｏｎｌｏｓｓｆｕｎｃｔｉｏｎｏｆｔｈｅｔａｒｇｅｔｆｒａｍｅ．Ｆｉｎａｌｌｙ，ＴｅｎｓｏｒＲＴｉｓｕｓｅｄｔｏｃｏｍｐｒｅｓｓａｎｄａｃｃｅｌｅｒａｔｅｔｈｅｏｐｔｉｍｉｚａｔｉｏｎｏｆｔｈｅｍｏｄｅｌ，ａｎｄｔｈｅｎｄｅｐｌｏｙｅｄｔｏｔｈｅＪｅｔｓｏｎＴＸ２ｄｅｖｅｌｏｐｍｅｎｔｂｏａｒｄｆｏｒａｃｃｅｌｅｒａｔｅｄｉｎｆｅｒｅｎｃｅｅｘｐｅｒｉｍｅｎｔｓ．Ｉｎａｄｄｉｔｉｏｎ，ｍｏｒｅｓｍｏｋｅ＆ｆｉｒｅｓｃｅｎｅｄａｔａａｒｅｃｏｎｓｔｒｕｃｔｅｄｂｙｒｅｐｌｉｃａｔｉｏｎｅｎｈａｎｃｅｍｅｎｔ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｈａｓｆａｓｔｃｏｎｖｅｒｇｅｎｃｅｓｐｅｅｄａｎｄｈｉｇｈａｃｃｕｒａｃｙｆｏｒｓｍａｌｌｓｃａｌｅｓｍｏｋｅ＆ｆｉｒｅｄｅｔｅｃｔｉｏｎ，ｐｏｓｓｅｓｓｉｎｇｔｈｅｐｒｏｓｐｅｃｔｆｏｒｐｏｐｕｌａｒｉｚａｔｉｏｎａｎｄａｐｐｌｉ⁃ｃａｔｉｏｎ．Ｋｅｙｗｏｒｄｓ㊀ｓｍｏｋｅ＆ｆｉｒｅｄｅｔｅｃｔｉｏｎ；ｉｍｐｒｏｖｅｄＹＯＬＯｖ５；ＤＩｏＵ＿Ｌｏｓｓ；ｏｐｔｉｍｉｚａｔｉｏｎａｎｄａｃｃｅｌｅｒａｔｉｏｎ３８６学报（自然科学版），２０２３，１５（６）：６７６⁃６８３ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ），２０２３，１５（６）：６７６⁃６８３。

机电工程学院-通信工程学院-南京工程学院

第一章通信工程学院一、沿革通信工程学院由南京电力技术学校电信系的电力系统通信专业和通信技术专业发展而来的。

1956年首设“电力系统载波通讯”专业，开始面向全国招生。

1986年学校升格为专科，开设“通信技术”专业。

在1986年至2000年期间，电信系主要进行专科教育；2000年电信系改称为电信工程系，设置“通信工程”本科专业,开始举办本科专业教育。

2003年，电信工程系更名通信工程系.2006年9月，在通信工程系的基础上成立通信工程学院.二、组织机构2000年起，电信工程系设党总支、分工会、分团委、通信教研室、电网监控教研室、电子教研室、计算机教研室.2003年12月起,通信工程系内设行政机构、群团组织及任职情况：综合办公室主任：黄彦教务秘书：王依群（2005年11月起）分工会主席:张苏平分团委书记:罗俊辅导员：封云陈金昌（2005年12月止）胡霞(2005年7月起）通信工程教研室主任：沈卫康（2004年8月止）王志明(2004年8月起) 计算机通信教研室主任：王少东(2004年8月止）副主任：陈瑞王丽敏（2004年6月起）电子信息工程教研室主任:宗慧（2005年7月止）王青云（2005年7月起）副主任：周路明信息工程教研室主任：吴海涛（2004年6月起）2007年1月起，通信工程学院内设行政机构、群团组织及任职情况：综合办公室主任：黄彦教学秘书：王依群耿玉(2007年11月—2010年3月) 科研秘书（兼档案管理）：谢西林(2007年10月起）分工会主席：张苏平分团委书记:罗俊分团委副书记：金自如(2007年3月-200年12月止）辅导员：封云胡霞（2010年5月止）通信工程教研室主任：王志明，副主任：岳俊生计算机通信教研室主任：王丽敏（2008年12月止），副主任:张健（自2009年1月起任主任)电子信息工程教研室主任：包永强, 副主任：宋宇飞信息工程教研室主任：吴海涛（2007年5月止)焦良葆（2007年5月起）至2010年6月，通信工程学院内设行政机构、群团组织及任职情况：综合办公室主任：黄彦教务秘书（正科级）王依群教务秘书(兼科研秘书、档案管理)）谢西林分工会主席：张苏平学生工作办公室主任（兼分团委书记）:刘成铭辅导员：封云金自如通信工程教研室主任：王志明，副主任：岳俊生计算机通信教研室主任:张健电子信息工程教研室主任：包永强, 副主任：宋宇飞信息工程教研室主任：焦良葆通信工程系、学院历届系、学院领导干部任职情况见表1-1。