基于云边协同的智能垃圾分类系统设计_朱辰.pdf

实 验 技 术 与 管 理 第 40 卷 第 9 期 2023 年 9 月 Experimental Technology and Management Vol.40 No.9 Sep.2023 收稿日期:2023-03-29 基金项目:国家自然科学基金区域创新发展基金重点项目（U21A20456）；浙江大学研究生教育研究项目（20220311）；浙江省研究生教育学会重点项目（2022002）；浙江省“十四五”研究生教育改革项目（20230002444）；浙江省教育厅科研项目（Y202249531）；浙江省高校实验室工作研究项目（YB202338）作者简介:朱辰（1986），男，浙江杭州，硕士，工程师，主要研究方向为物联网应用、边缘计算、图像处理，。通信作者:史治国（1978），男，浙江杭州，博士，教授，主要研究方向为边缘计算、信息与信号处理，。引文格式:朱辰，张西晨，李森杰，等.基于云边协同的智能垃圾分类系统设计J.实验技术与管理,2023,40(9):74-80.Cite this article:ZHU C,ZHANG X C,LI S J,et al.Design of intelligent waste sorting system based on cloud edge collaborationJ.Experimental Technology and Management,2023,40(9):74-80.(in Chinese)ISSN 1002-4956 CN11-2034/T DOI:10.16791/ki.sjg.2023.09.011 基于云边协同的智能垃圾分类系统设计 朱 辰1，张西晨1，李森杰1，史治国2,3，贺诗波1（1.浙江大学 工程师学院 国家卓越工程师学院，浙江 杭州 310015；2.浙江大学 信息与电子工程学院，浙江 杭州 310027；3.浙江省协同感知与自主无人系统重点实验室，浙江 杭州 310015）摘 要：为满足生活垃圾分类智能化需求与分类设备的集中化管理，设计并开发了一种基于云边协同的智能垃圾分类系统。该系统采用树莓派和阿里云 HaaS100 开发板作为边缘端主控设备，以阿里云物联网平台作为云平台。系统选用百度飞桨提供的 245 个类别的垃圾分类数据集，并结合数据增强与云边协同技术，对三种轻量级垃圾分类算法进行训练、测试与部署。实验结果表明，数据增强可使算法模型在测试集上的 Top-1 准确率提高 1%左右，云边协同可使树莓派在推理时的 Top-1 准确率达到 98.80%，能够满足实际使用需求。关键词：云边协同；数据增强；垃圾分类；云平台 中图分类号：TP391 文献标识码：A 文章编号：1002-4956(2023)09-0074-07 Design of intelligent waste sorting system based on cloud edge collaboration ZHU Chen1,ZHANG Xichen1,LI Senjie1,SHI Zhiguo2,3,HE Shibo1(1.National Institute of Excellence Engineers,Polytechnic Institute,Zhejiang University,Hangzhou 310015,China;2.College of Information Science and Electronic Engineering,Zhejiang University,Hangzhou 310027,China;3.Key Laboratory of Collaborative Sensing and Autonomous Unmanned Systems of Zhejiang Province,Hangzhou 310015,China)Abstract:In order to meet the intelligent demand of waste sorting and the centralized management of classification equipment,an intelligent waste sorting system based on cloud edge collaboration was designed and developed.The system uses Raspberry Pi and Alibaba Cloud HaaS100 development board as the edge end master equipment,and Alibaba Cloud IOT platform as the cloud platform.The system selects 245 categories of waste sorting dataset provided by Baidu PaddlePaddle,and combines data enhancement and cloud edge collaboration technology to train,test and deploy three lightweight waste sorting algorithms.The experimental results show that data augmentation can improve the Top-1 accuracy of the algorithm model on the test set by about 1%,and cloud edge collaboration can achieve a Top-1 accuracy of 98.80%for Raspberry Pi in inference,which can meet practical usage needs.Key words:cloud-edge collaboration;data enhancement;waste sorting;cloud platform 随着我国社会经济的快速发展，随之而来的生活垃圾问题也愈发凸显。国家的垃圾分类标准将垃圾分为可回收垃圾、厨余垃圾、有害垃圾、其他垃圾四大类1-2。而我国的垃圾分类方式主要依赖居民端和中转 朱 辰，等：基于云边协同的智能垃圾分类系统设计 75 端的两级人工分拣，自动化、智能化水平较低，严重影响垃圾的处理效果3-4。随着移动通信和深度学习的快速发展，其在垃圾分类领域也有了广泛应用5-8。潘鹏等分别设计了一种基于 NB-IOT 技术的家用智能垃圾桶9；陈景翼等人设计了一套基于 GPRS 通信的智能垃圾桶硬件电路10；Ruiz 等人基于 RestNet 网络框架设计了分类模型，将垃圾分类准确率提升至 88.66%11；李生辉等通过树莓派调用摄像头拍摄用户投放的瓶类并进行类型识别，利用 M2M 通信将数据传输到云端服务器，设计了基于物联网的瓶类回收智能垃圾桶12。上述研究大都集中在不同类型的上位机与垃圾分类识别算法上，存在一定的局限性，一是检测的垃圾种类有限，只能检测某些单一的垃圾类别且垃圾分类算法精度有待提高，二是未将物联网与边缘计算技术赋能智能垃圾分类系统，系统数据得不到充分利用，且系统管理较为复杂。有鉴于此，亟需设计一种基于物联网与边缘计算技术的更高效的智能垃圾分类系统。本文以此背景为基础，结合高校物联网、通信、电子信息工程等相关硕士研究生实践教学需要，设计了一个基于树莓派和阿里云 HaaS100 开发板的智能垃圾分类实验系统。通过数据增强、迁移学习和云边协同方法，对主干网络的训练进行补充，以提高垃圾分类的准确率。该系统将分类算法部署至边缘设备，设备通过摄像头进行垃圾实时检测，并将结果上传至阿里云物联网平台，同时在本地与云端实现可视化。该垃圾分类系统不仅可以在一定程度上解决垃圾识别类别有限和设备管理难的问题，还可锻炼相关专业硕士研究生在边缘计算技术、嵌入式开发、算法调试、云 平台搭建与使用等方面的能力。1 系统总体设计 基于云边协同的智能垃圾分类系统包括 CSI 摄像头模块、温湿度采集模块、串口屏组件、树莓派与HaaS100 开发板，如图 1 所示。本实验以两个树莓派作为主控制器，阿里云物联网平台作为云平台，HaaS100 作为边缘控制器。其中，算法推理侧树莓派（以下简称“树莓派 1”）用于垃圾分类算法的推理；边缘控制侧树莓派（以下简称“树莓派 2”）利用其无线通信、串口通信等模块实现网络数据抓取、数据通信与温湿度传感数据采集等功能；物联网云平台通过物模型进行树莓派设备的数据管理。本系统将生活垃圾分为四类，即可回收垃圾、有害垃圾、厨余垃圾和其他垃圾。用户或实验人员将待检测垃圾放置在树莓派 1 的摄像头前，树莓派会自行调用已部署的垃圾分类算法进行识别，若分类识别的准确率较低，则请求阿里云平台提供垃圾分类算法，并在边缘端解析返回的结果，最后将垃圾分类结果利用 MQTT 协议上传至阿里云物联网平台。树莓派 2 利用网络编程不断获取云平台上树莓派 1 设备的物模型数据并进行解析，将垃圾分类结果通过串口分别发送至HaaS100开发板和串口屏，HaaS100 根据接收到的数据打开相应的垃圾桶桶盖，串口屏则会显示分类结果。天气因素很大程度上会影响垃圾处理，如温度过高会加快垃圾腐化变质，需要尽快将垃圾运走焚烧，因此本实验还增加了温湿度传感器对温度和湿度进行监测，垃圾回收站工作人员可通过 Web 端界面对垃圾集中投放点进行远程监测。图 1 基于云边协同的智能垃圾分类系统的功能 76 实 验 技 术 与 管 理 2 垃圾分类算法设计 垃圾分类算法是整个系统的核心，关乎系统的整体性能。一个完整的算法应用应该包括垃圾分类数据集构建、分类模型选取与设计、模型的训练与调优三个步骤。2.1 垃圾分类数据集构建 数据集的内容决定了模型的任务，所以应根据系统识别垃圾的任务来制作相应的数据集，同时数据集的数量和质量将极大地影响模型的性能13，深度学习模型的性能随训练数据数量级的增大呈线性增加趋势。但数据量太小会使训练出的模型泛化能力弱、精度低，为了保证模型性能需要制作一个经过数据清洗的高质量、大规模垃圾分类数据集。为得到较好的数据集，选择百度飞桨 AI Studio上一个公开分享的大规模型、高质量的垃圾分类标准数据集作为本文模型的训练数据集，该数据集包括厨余垃圾、可回收垃圾、其他垃圾、有害垃圾四个大类，其中每个大类分别有 48、136、47、14 个具体的垃圾子类，共计 245 个，包含 80 814 张垃圾图像，数据量丰富、类别充足、数据质量高。数据集的采样示意图如图 2 所示。图 2 垃圾分类数据集采样示意图 2.2 分类模型的选取与设计 一个完整的深度学习模型主要由以下 4 种类型的模型组件组成：主干网络。通常是一个特征提取网络，涵盖了模型绝大多数的差异。颈部。用于连接主干网络和头部的组件。头部。用于执行特定任务的组件。损失函数。在头部用于计算损失函数的 组件14-15。深度学习模型的性能主要取决于主干网络的性能。一般来说，主干网络的参数量越大，网络的精度就越高，但伴随着牺牲的是网络的速度和存储。考虑到树莓派作为边缘侧设备，其算力和存储较为有限，本文选取 mobilenet-v3-large、shufflenet-v2、efficientnet-b0这三个典型的轻量型端侧主干网络结构作为训练对象，三个主干网络在 ImageNet-1k 数据集上的性能表现如表 1 所示。其中，参数量表示模型训练中需要训练的参数总量，用来衡量模型的空间复杂度；FLOPs表示每秒浮点运算的次数，用来衡量网络模型的时间复杂度；Top-1 是输出概率最高的 1 个结果为正确结果的概率16，Top-5 是输出概率最高的 5 个结果中包含正确结果的概率。表 1 主干网络在 ImageNet-1k 上的性能表现 网络结构 参数量/MB FLOPs/GB Top-1/%Top-5/%shufflenet-v2 2.28 0.15 69.55 88.92 mobilenet-v3-large5.48 0.23 74.04 91.34 efficientnet-b0 5.29 0.42 77.63 94.00 三种垃圾分类算法的网络结构如图 3 所示。对于其他组件，本文对颈部选用全局平均池化，头部选用Softmax 回归，损失函数选用交叉熵损失。朱 辰，等：基于云边协同的智能垃圾分类系统设计 77 图 3 三种垃圾分类算法网络结构 2.3 模型的训练与调优 模型的训练与调优方法决定了模型最终呈现的性能，针对不同的任务，所适用的或效果良好的模型训练与调优方法是不同的。本文主要选择迁移学习17、数据增强和优化器这三种方法来进行训练与调优。迁移学习指的是使用在 ImageNet-1k 上经过训练的 mobilenet-v3-large、shufflenet-v2、efficientnet-b0主干网络权重作为初始网络的训练权重，而不是使用随机权重开始训练，如图 4 所示。由于经过预先训练的主干网络在大规模数据集上学习到了底层的特征，在其他任务上进行再次训练时就可以更快地收敛，提高训练速度，且可在一定程度上提高精度。图 4 迁移学习示意图 数据增强指的是对输入进网络训练的图像数据进行一定概率的变换，以此来提高模型的泛化性和鲁棒性18-19。本文选择在训练时使用 RandomResizedCrop、Rotate、Sharpness、Brightness、RandomFlip、RandomErasing、AutoAugment20和 RandAugment 这几种数据增强方法，数据增强后的效果如图 5 所示。由于 Adam 优化器对学习率初始值不敏感便于设置参数，故选用 Adam 优化器，模型训练与调优的整体流程如图 6 所示。3 系统硬件与软件设计 在现实生活中，由于垃圾的数据集过大以及垃圾集中投放点设置较分散，会造成算法训练产生的权重参数过多及各站点智能垃圾投放设备不宜管理问题。为方便管理设备，引入了阿里云物联网平台，同时为保证算法推理的实时性，采用两个设备共同完成。因此，智能垃圾分类系统可分为算法推理侧树莓派模块、边缘控制侧树莓派模块和云平台设计模块三部分，系统用到的硬件设备如表 2 所示。3.1 算法推理侧树莓派模块设计 此模块主要负责算法的推理与数据上云。其中，硬件部分由 CSI 摄像头与树莓派组成，将 CSI 摄像头 78 实 验 技 术 与 管 理 图 5 数据增强示意图 图 6 模型训练调优流程图 表 2 智能垃圾分类系统所用器件表 器件 数量 树莓派 4B 2 HaaS100 物联网操作系统开发板 1 温湿度传感器 BME280 1 串口屏（TJC3224T124_001）1 CSI 摄像头 1 安装至树莓派的对应接口并执行相关指令，使摄像头能够被正常调用。软件部分为模块的核心，用来实现算法推理与数据上云。首先，系统会不断检测摄像头捕获的图像，最终分类结果选取四种垃圾中概率最大的。若捕获到的图像区域中没有垃圾，则本地算法推理的最大概率基本为 0，不会进行数据上报；若捕获到的区域有垃圾，最大概率会变大，如果概率高于 0.6（阈值可进行调整），说明模型识别较为准确，可直接将结果上传至阿里云平台；若推理出的最大概率在0.2 0.6，说明本地算法识别不准确，需通过网络编程将图片上传至阿里云云端进行处理，并解析返回的结果，最后将解析好的识别结果上传至物联网平台，工作流程如图 7 所示。此模块采用了边缘计算概念与相关技术，大部分识别分类工作在边缘侧完成，在边缘端无法完成的工作交由云端处理并解析云端下发的数据，在一定程度上实现了云边协同。3.2 边缘控制侧树莓派模块设计 控制侧模块设计主要包括树莓派、HaaS100 开发板、温湿度传感器与串口屏。控制侧的树莓派主要负责实时获取物联网平台数据、温湿度传感器数据采集、图 7 算法推理侧工作流程 串口下发并将最终数据回传至云平台。控制侧的HaaS100 负责接收串口数据，并根据接收的数据打开相应的垃圾箱桶盖（为使实验系统更加方便，此处利用板载 LED 灯代替）。串口屏用来显示温湿度数据和垃圾分类结果。该模块首先采用阿里云提供的 Query Device Property Status 函数进行网络数据抓取（本系统定义为每隔 3 s 请求一次，间隔时间可自定），可结合阿里云的 openAPI 在线模拟平台调试，并在树莓派中正确返回对应物模型的 Json 文件，然后对 Json 文件进行解析即可获取此时垃圾的识别结果。树莓派通过 pySerial串口库将垃圾分类识别结果分发给 HaaS100 与串口屏。串口屏设计及 HaaS100 对应的板载 LED 如图 8所示。板载 LED 与垃圾类别对应关系为：LED1 为可回收物，LED2 为有害垃圾，LED3 为厨余垃圾，LED4为其他垃圾。HaaS100 根据收到的分类结果将对应的 朱 辰，等：基于云边协同的智能垃圾分类系统设计 79 图 8 串口屏与 HaaS 板载 LED 灯 LED 灯点亮，提示用户垃圾的类别，方便用户投放。边缘控制侧模块整体工作流程如图 10 所示。图 9 边缘控制侧工作流程 3.3 阿里云物联网平台物模型设计与 UI 设计 云平台可以帮助管理垃圾分类设备，通过统一的接入方式，每个设备都可在云平台上映射一个物模型。本系统中树莓派 1 定义的物模型中包括“识别结果”一个属性；树莓派 2 定义了包括“温度”“湿度”“识别结果”在内的 3 个属性的物模型。树莓派通过 MQTT协议将对应的数据上传至阿里云物联网平台。阿里云物联网平台根据“产品定义功能，功能绑定设备”方式对设备进行管理，在一定程度上解决了设备过多造成的管理效率低下问题。为实现远程监控与数据可视化，系统采用 IOT Studio 平台提供的快速网页开发功能实现 Web 开发，同时组件也可绑定物模型的数据源，开发界面如图 10所示。Web 端设置了温度阈值和湿度阈值，当温度高 图 10 Web 可视化界面 于 30 时会报警，当环境湿度高于 80%时也会报警，方便工作人员远程监测多个垃圾分类回收点。4 实验过程与分析 该实验系统使用开源框架 MMClassification 作为实 现 算 法 的 工 具。MMClassification 是 一 款 基 于 PyTorch 的开源图像分类工具箱，能够较为方便地实现相关算法。垃圾分类数据集以 721 的比例划分为训练集、验证集、测试集三个部分，在 MMClassification中编写所设计的垃圾分类算法配置文件以便进行两组实验：一组为以不使用数据增强策略进行训练的模型为基线，另一组为使用数据增强策略进行训练的模型，以此来验证使用数据增强调优策略改进模型的有效性。设置学习率大小为 1e-4、训练轮数为 300 次进行模型训练，保存 300 轮训练中有最佳验证集准确率的模型作为最终模型。将训练得到的两组模型在划分的测试集上进行性能测试，其表现如表 3 所示。表 3 模型在垃圾分类测试集上的性能表现 主干网络结构数据增强 参数量/M FLOPs/G Top-1/%Top-5/%shufflenet-v2 2.31 0.17 76.5591.32mobilenet-v3-large 5.49 0.30 86.7993.96efficientnet-b0 5.34 0.47 89.1495.10shufflenet-v2 2.31 0.17 78.7892.66mobilenet-v3-large 5.49 0.30 87.3694.87efficientnet-b0 5.34 0.47 90.4795.63 由实验结果可以发现，使用数据增强策略对主干网络进行调优训练是有效的，精度都在一定程度上得到提高，且这种调优策略不会增加模型的参数量。由于树莓派运行的是轻量型、内存消耗低、速度快的深度学习推理框架 Tensorflow Lite，在得到最终训练模型后，需使用深度学习模型格式转换工具将其pth 格式转为 tflite 模式。最后，在树莓派中运行垃圾分类模型，再在垃圾分类测试集中进行如下两组性能测试：一是单独使用端侧模型进行推理的测试结果，二是使用云边协同推理策略进行推理的测试结果。所得到的实际测试性能表现如表 4 所示。其中，Memory 80 实 验 技 术 与 管 理 表 4 模型在系统上的实际性能表现 主干网络结构 云边协同推理 Memory/M Inf Time/Fps Top-1/%shufflenet-v2 1.93 5.79 78.22mobilenet-v3-large 4.23 4.87 86.87efficientnet-b0 4.34 4.69 90.12shufflenet-v2 1.93 1.85 97.70mobilenet-v3-large 4.23 1.74 98.42efficientnet-b0 4.34 1.74 98.80 表示模型的大小，Inf Time 表示模型推理时间，Top-1表示输出概率最高的一个结果为正确的概率。算法测试结果表明，模型的精度仍与模型的参数量成正比，在推理速度严格程度较高的场景，可以选用 shufflenet-v2 模型；在推理速度严格程度不高的场景，则可选用 efficientnet-b0 模型，以便获得更高的精度表现。整个智能垃圾分类系统结合垃圾分类模型和阿里云垃圾识别 API 进行云边协同推理，借助云端高精度模型使系统整体识别效果准确，但系统的实时性受限于网络传输速率，端侧模型本身的推理速度也受到一定影响。不过总体而言，在系统调度策略的控制下，若网络延迟过高或端侧模型的识别结果本身已有较高的置信度，则直接返回端侧模型的识别结果，保证系统具有一定的实时性，不会对正常使用产生干扰。智能垃圾分类系统实物如图 11 所示。图 11 垃圾分类系统实物图 5 结语 本文针对垃圾分类识别精度不高问题，设计并实现了基于云边协同的智能垃圾分类实验系统。该系统将数据增强和云边协同两种方法引入到模型训练中，可明显改善垃圾识别的准确率，efficientnet-b0 主干网络结合云边协同技术，可使 TOP-1 达到 98.80%，同时，采用阿里云物联网平台对设备进行管理，可通过垃圾集中回收点设备上报的信息实现对环境变化和垃圾分类等方面情况的远程监控。在此基础上，今后将增加云平台算法远程下发、嵌入式 Qt 上位机边缘侧控制、机械臂抓取等功能实验，进一步丰富实验教学系统功能。参考文献(References)1 金宜英，邴君妍，罗恩华，等.基于分类趋势下的我国生活垃圾处理技术展望J.环境工程，2019,37(9):149153,130 JIN Y Y,BING J Y,LUO E H,et al.Prospects for solid waste treatment technologies in China based on classification trendsJ.Environmental Engineering,2019,37(9):149153,130.(in Chinese)2 杨威，郑仁栋，张海丹，等.中国垃圾焚烧发电工程的发展历程与趋势J.环境工程，2020,38(12):124129.YANG W,ZHENG R D,ZHANG H D,et al.Development and trends of waste-to-energy projects in ChinaJ.Environmental Engineering,2020,38(12):124129.(in Chinese)3 付丽，梁华林，冯若愚，等.基于机器视觉的垃圾自动分拣装置J.实验技术与管理，2023,40(1):123127,159.FU L,LIANG H LN,FENG R Y,et al.Machine vision-based automatic garbage sorting deviceJ.Experimental Technology and Management,2023,40(1):123127,159.(in Chinese)4 张月文，李松恒，张炜，等.基于机器视觉的可回收垃圾智能分拣系统设计J.实验室研究与探索，2022,41(7):98103,107.ZHANG Y W,LI S H,ZHANG W,et al.Design of an intelligent recycling garbage sorting system based on machine visionJ.Laboratory Research and Exploration,2022,41(7):98103,107.(in Chinese)5 AZIS F A,SUHAIMI H,ABAS E.Waste classification using convolutional neural networkC/Proceedings of the 2020 2nd International Conference on Information Technology and Computer Communications.s.l.:s.n.,2020:913 6 BOBULSKI J,KUBANEK M.The triple histogram method for waste classificationC.AIP Conference Proceedings,2020,2293(1):420004.7 SHENG T J,ISLAM M S,MISRAN N,et al.An internet of things based smart waste management system using LoRa and tensorflow deep learning modelJ.IEEE Access,2020(8):148793148811.8 SONG F,ZHANG Y,ZHANG J.Optimization of CNN-based garbage classification modelC/Proceedings of the 4th International Conference on Computer Science and Application Engineering,2020:15.9 潘鹏，胡运峰，秦金志，等.一种基于 NB-IOT 的智能垃圾桶J.科技风，2019(1):11.PAN P,HU Y F,QIN J Z,et al.An NB-IoT-based smart garbage binJ.Science and Technology Wind,2019(1):11.(in Chinese)10 陈景翼，李春燕，盛宇彪，等.基于 GPRS 通讯的智能垃圾桶硬件电路设计J.电工技术，2019(2):1820,22.CHEN J Y,LI C Y,SHENG Y B,et al.Hardware circuit design of smart garbage bin based on GPRS communicationJ.Electrical Engineering Technology,2019(2):1820.(in Chinese)11 RUIZ V,SNCHEZ,VLEZ J F,et al.Automatic image-based waste classificationC/International Work-Conference on the Interplay Between Natural and Artificial Computation.Springer,Cham,2019:422431.12 李生辉，董春芳，符松，等.一种基于物联网的瓶类垃圾智能回收箱设计J.电工技术，2022(14):8486.LI S H,DONG C F,FU S,et al.Design of an IoT-based smart recycling bin for glass bottlesJ.Electrical Engineering Technology,2022(14):8486.(in Chinese)13 陈璐，郭宇翔，葛丛丛，等.基于联邦学习的跨源数据错误检测方法J.软件学报，2023,34(3):11261147.CHEN L,GUO Y X,GE C C,et al.A cross-source data error detection method based on federated learningJ.Journal of Software,2023,34(3):11261147.(in Chinese)14 廖慧玲.基于深度学习的静态手势识别与交互D.广州：广东工业大学，2022.LIAO H L.Static gesture recognition and interaction based on deep learningD.Guangdong University of Technology,2022.(in Chinese)（下转第 186 页）186 实 验 技 术 与 管 理 7 王慧娟，李慧奇.基于 COMSOL Multiphysics 的通电螺线管磁场分析J.实验科学与技术，2014,12(6):3132,35.WANG H J,LI H Q.Analysis of the magnetic field in solenoid based on COMSOL multiphysicsJ.Experiment Science and Technology,2014,12(6):3132,35.(in Chinese)8 赵建辉，陈文菲，陈敬炎，等.高速电磁阀能量分布和动态响 应 耦 合 关 系 仿 真 研 究 J/OL.西 南 交 通 大 学 学 报，(2022-12-01)2023-06-10.http:/ J H,CHEN W F,CHEN J Y,et al.Simulation research on coupling relationship between energy distribution and dynamic response of the high-speed solenoid valveJ/OL.Journal of Southwest Jiaotong University,(2022-12-01)2023-06-10.http:/ Chinese)9 崔禹，楼雨涵，王刚，等.基于 COMSOL 直流电磁阀电磁仿真计算J.机械工程与自动化，2022(4):9394,97.CUI Y,LOU Y H,WANG G,et al.Electromagnetic simulation calculation of DC solenoid valve based on COMSOLJ.Mechanical Engineering&Automation,2022(4):9394,97.(in Chinese)10 郝大鹏，丁琦，王妙.有限长通电螺线管内部空间磁力分析及仿真J.西安航空学院学报，2017,35(1):8385.HAO D P,DING Q,WANG M.Magnetic force analysis and simulation in the interior space of the finite length solenoidJ.Journal of Xian Aeronautical University,2017,35(1):8385.(in Chinese)11 HRABOVSK P,KRAVETS O.The design and simulation of spiral planar coil in COMSOL multiphysicsC/2019 IEEE International Conference on Modern Electrical and Energy Systems(MEES).New York:IEEE Press,2019:374377.12 SHARMA S V,HEMALATHA G,RAMADEVI K.Analysis of magnetic field-strength of multiple coiled MR-damper using comsol multiphysicsJ.Materials Today:Proceedings,2022,66:17891795.13 谢阳光，李清华，解伟男，等.基于双磁偶极子的螺线管磁场建模分析J.中国惯性技术学报,2019,27(5):625630.XIE Y G,LI Q H,XIE W N,et al.Solenoid magnetic field modeling based on dual magnetic dipolesJ.Journal of Chinese Inertial Technology,2019,27(5):625630.(in Chinese)14 张美霞，刘忠源.通电螺线管的磁场分布J.辽宁大学学报（自然科学版），2021,48(4):359364.ZHANG M X,LIU Z Y.The magnetic field distribution of electrified solenoidJ.Journal of Liaoning University(Science and Technology),2021,48(4):359364.(in Chinese)15 赵佳羿，胡鹏，王雨林，等.用于激光等离子体中脉冲强磁场产生的电感耦合线圈J.物理学报，2021,70(16):188194.ZHAO J Y,HU P,WANG Y L,et al.Optimization of pulsed intense magnetic field device for laser plasma experiment via inductively coupled coilJ.Acta Physica Sinica,2021,70(16):188194.(in Chinese)16 曾树荣.半导体器件物理基础M.2 版.北京：北京大学出版社，2007:154157.ZENG S R.Physics fundamentals of semiconductor devicesM.2nd Ed.Beijing:Peking University Press,2007:154157.(in Chinese).（编辑：孙浩）（上接第 80 页）15 陈虹丽，刘凌风，李浩凯，等.基于迁移学习的指关节纹识别算法实验设计J.实验技术与管理，2021,38(6):8184.CHEN H L,LIU L F,LI H k,et al.Experimental design of finger joint pattern recognition algorithm based on transfer learningJ.Experimental Technology and Management,2021,38(6):8184.(in Chinese)16 刘伟发，李晓欢，赵中华，等.基于改进关系网络的实验数据小样本分类评估方法J.实验技术与管理，2021,38(11):194199.LIU W F,LI X H,ZHAO Z H,et al.A small-sample classification evaluation method for experimental data based o