简介：Newnon-volatilememory(NVM)technologiesareexpectedtoreplacemainmemoryDRAM(dynamicrandomaccessmemory)inthenearfuture.NANDflashtechnologicalbreakthroughshaveenabledwideadoptionofsolidstatedrives(SSDs)instoragesystems.However,flash-basedSSDs,bynature,cannotavoidlowenduranceproblemsbecauseeachcellonlyallowsalimitednumberoferasures.ThiscangiverisetocriticalSSDreliabilityissues.SincemanySSDwriteoperationseventuallycausemanySSDeraseoperations,reducingSSDwritetrafficplaysacrucialroleinSSDreliability.ThispaperproposestwoNVM-basedbuffercachepolicieswhichcanworktogetherindifferentlayerstomaximallyreduceSSDwritetraffic:amainmemorybuffercachedesignnamedHierarchicalAdaptiveReplacementCache(H-ARC)andaninternalSSDwritebufferdesignnamedWriteTrafficReductionBuffer(WRB).H-ARCconsidersfourfactors(dirty,clean,recency,andfrequency)toreducewritetrafficandimprovecachehitratiosinthehost.WRBreducesblockerasuresandwritetrafficfurtherinsideanSSDbyeffectivelyexploitingtemporalandspatiallocalities.ThesetwocomprehensiveschemessignificantlyreducetotalSSDwritetrafficateachdifferentlayer(i.e.,hostandSSD)byupto3x.Consequently,theyhelpextendSSDlifespanwithoutsystemperformancedegradation.

简介：摘要电力是国民经济发展的重要基础，而输电线路的安全稳定运行是保障电力输送安全的重要因素。为了提高对输电线路巡检的密度和精度，而又能大量的降低成本，无人机巡检被引入到了电力行业中。我们如何处理海里的图像数据，分析出其中代表输电线路系统运行状态的信息是一个亟待解决的问题。传统的机器学习技术的性能已经不能满足我们对实时性和准确率的要求。针对这个矛盾我们选择了具有识别和定位功能的SSD网络和YOLO网络对输电系统上的部件进行识别和定位，对比了两个网络模型在输电线路图像中对不同部件对象识别的性能。我们通过5种实际的输电线路部件图像数据，分析了训练样本数量，图像分辨率，卷积核尺寸参数与模型检测精度的相关性。在实验中我们采样的数据全部来源于无人机采集的输电线路部件图像，实验结果显示SSD模型在绝缘子上的识别率为98%，检测帧率为10帧，YOLO模型在绝缘子上的识别率为99%，检测帧率为0.6。

简介：摘要：本文研究了一种基于 R-SSD网络的森林火灾区域定位隔离系统，该系统包括多个高清电力载波摄像头、一个电力猫路由器、上位机两台、一个西门子 S7-300系列 PLC控制芯片、多个水阀电磁开关、多个环形水管。其中两台上位机均配置有 TensorFlow(GPU)深度学习框架，上位机 1用来实现 R-SSD网络模型搭建与训练、上位机 2用来利用训练好的 R-SSD模型进行火灾目标检测与定位，并将定位信号输出给 PLC控制芯片， S7-300系列 PLC控制芯片在接收到火灾区域定位信号后，输出相应动作信号，控制对应区域水闸电磁开关开通，则各个区域已铺设好的环形水管开始放水，控制火势蔓延，将火灾区域隔离，该系统利用深度学习 R-SSD网络能够准确的进行火灾目标检测并输出定位信息，通过 PLC芯片自动控制电磁水阀开通放水，在火灾救援人员到来之前隔离火灾区域、控制火势蔓延，减小经济损失，具有一定有效性。

简介：摘要本文研究了一种基于R-SSD网络的森林火灾区域定位隔离系统，该系统包括多个高清电力载波摄像头、一个电力猫路由器、上位机两台、一个西门子S7-300系列PLC控制芯片、多个水阀电磁开关、多个环形水管。其中两台上位机均配置有TensorFlow(GPU)深度学习框架，上位机1用来实现R-SSD网络模型搭建与训练、上位机2用来利用训练好的R-SSD模型进行火灾目标检测与定位，并将定位信号输出给PLC控制芯片，S7-300系列PLC控制芯片在接收到火灾区域定位信号后，输出相应动作信号，控制对应区域水闸电磁开关开通，则各个区域已铺设好的环形水管开始放水，控制火势蔓延，将火灾区域隔离，该系统利用深度学习R-SSD网络能够准确的进行火灾目标检测并输出定位信息，通过PLC芯片自动控制电磁水阀开通放水，在火灾救援人员到来之前隔离火灾区域、控制火势蔓延，减小经济损失，具有一定有效性。