【infoQ】物联网项目的网络注意事项

设计过程中,有一个共通的问题,就是在概设阶段,很容易被忽视网络问题。许多设计师都会忽视网络,但在物联网的世界里,以太网或无线连接环境这样的网络问题,都是需要仔细考量的。

你可能碰到的第一个问题就是如何识别设备的位置问题。很多人认为,我有无线网络,所以可以连接到任何地方。但现实是,很多时候你处在工业环境中,物联网设备可能无法使用网络,无法利用无线连接或产生其他一系列网络问题。

让我们来看一下以太网连接。与任何网络连接,包括以太网,都有许多问题需要考虑。是否有可能在物联网设备的位置存在有一个以太网连接?运行的时间长度可能会造成头痛的问题。一个关键问题是,网络能否接受一个网关设备,拥有它并能连接到外部世界。在一些企业网络中,由于必须对设备认证,限制设备有这样的能力,甚至会因为它可以看作是一个路由器,而造成网络拒绝连接。

一些物联网设备只有一个无线WiFi。如果你打算在一个现有的网络使用物联网设备,可能因为WiFi已经绑定并连接到外网,而无法使用无线传感器。如果这是一个问题,可能需要为物联网设备增加一个无线上网卡来提供网络环境。通常需要测试所在环境中潜在的网络问题,如一些重型机器可能会干扰信号,或者你正试图在某个无线网络上进行高速无线传输,发现距离太长,只有在另一个无线网络才可以。

连接手机无线网络是一个可能的解决方案。一些物联网网关具有网络芯片可以添加到你的项目中,比如3G网络、或USB网卡。如果这是一个经济的解决方案,可以做一些研究,并对你的设计进行测试,以解决它。

一些专业的传感器有自己的通信方法。例如,Z-WaveUSB接口可以添加到网关。这使得各种Z-Wave设备连接在自己的私有网络,可以保持一个简单干净的无线网络和带宽。

要做好你的物联网项目,不管是在内网还是外网,最关键的就是关注你的连接目标(设备,传感器等),以及如何连接你的物联网设备。只要完成这一步,确保你的物联网设备可以通过网络接收数据,你就可以做更多的事情。


原文标题:Networking Considerations for Your IoT Project

原文作者:JOSEPH W. (Intel公司)

原文网址:https://software.intel.com/en-us/blogs/2015/10/09/networking-considerations-for-your-iot-project?utm_source=InfoQ%20Sponsorship%20-%20VCR&utm_medium=Info%20Q%20&utm_content=Networking%20Considerations%20LInk&utm_campaign=InfoQ%20Sponsorship%20-%20VCR

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值