[目的]本文旨在解决在自然环境下不同成熟度苹果目标检测精度较低的问题。[方法]提出了一种改进的YOLOv5s模型SODSTR-YOLOv5s(YOLOv5s with small detection layer and omni-dimensional dynamic convolution and swin transformer bloc...[目的]本文旨在解决在自然环境下不同成熟度苹果目标检测精度较低的问题。[方法]提出了一种改进的YOLOv5s模型SODSTR-YOLOv5s(YOLOv5s with small detection layer and omni-dimensional dynamic convolution and swin transformer block),用于不同成熟度苹果检测。首先改进YOLOv5s的多尺度目标检测层,在Prediction中构建检测160×160特征图的检测头,提高小尺寸的不同成熟度苹果的检测精度;其次在Backbone结构中融合Swin Transformer Block,加强同级成熟度的苹果纹理特征融合,弱化纹理特征分布差异带来的消极影响,提高模型泛化能力;最后将Neck结构的Conv模块替换为动态卷积模块ODConv,细化局部特征映射,实现局部苹果细粒度特征的充分提取。基于不同成熟度苹果数据集进行试验,验证改进模型的性能。[结果]改进模型SODSTR-YOLOv5s检测的精确率、召回率、平均精度均值分别为89.1%、95.5%、93.6%,高、中、低成熟度苹果平均精度均值分别为94.1%、93.1%、93.7%,平均检测时间为16 ms,参数量为7.34 M。相比于YOLOv5s模型,改进模型SODSTR-YOLOv5s精确率、召回率、平均精度均值分别提高了3.8%、5.0%、2.9%,参数量和平均检测时间分别增加了0.32 M和5 ms。[结论]改进模型SODSTR-YOLOv5s提升了在自然环境下对不同成熟度苹果的检测能力,能较好地满足实际采摘苹果的检测要求。展开更多
电流镜输出误差主要由3个不同失配源造成:漏源电压(V_(DS)),阈值电压(V_(th)),跨导系数(β)。其中,第一项V_(DS)失配通常是由有限输出阻抗引起的确定性误差,该误差可以通过使用级联结构以及增益提升技术避免,后两项V_(th)和β失配是由...电流镜输出误差主要由3个不同失配源造成:漏源电压(V_(DS)),阈值电压(V_(th)),跨导系数(β)。其中,第一项V_(DS)失配通常是由有限输出阻抗引起的确定性误差,该误差可以通过使用级联结构以及增益提升技术避免,后两项V_(th)和β失配是由工艺引起的随机性误差。为解决电流镜因工艺失配现象导致的电压电流(Voltage to Current)转换电路精度、线性度较差的问题,提出了一种动态元件匹配(Dynamic Element Match,DEM)以及修调技术(TRIM)相结合的电流镜校准方法,该方法使用TRIM技术将待校准输出电流镜支路和基准电流镜支路之间的误差电流,通过电容与MOS管转换成校准电流后反馈流入待校准输出电流镜支路完成校准,并通过DEM技术切换多条待校准输出电流镜支路完成校准的同时使输出误差平均化。本文采用SMIC 0.18μm BCD工艺对所提出的V-I转换电路进行了电路设计,仿真结果表明,V-I转换电路的输出电流的失配误差从0.12%下降到了0.03%,有效位数ENOB达到了11.2 bit,总谐波失真THD为−72.6 dB。展开更多
文摘[目的]本文旨在解决在自然环境下不同成熟度苹果目标检测精度较低的问题。[方法]提出了一种改进的YOLOv5s模型SODSTR-YOLOv5s(YOLOv5s with small detection layer and omni-dimensional dynamic convolution and swin transformer block),用于不同成熟度苹果检测。首先改进YOLOv5s的多尺度目标检测层,在Prediction中构建检测160×160特征图的检测头,提高小尺寸的不同成熟度苹果的检测精度;其次在Backbone结构中融合Swin Transformer Block,加强同级成熟度的苹果纹理特征融合,弱化纹理特征分布差异带来的消极影响,提高模型泛化能力;最后将Neck结构的Conv模块替换为动态卷积模块ODConv,细化局部特征映射,实现局部苹果细粒度特征的充分提取。基于不同成熟度苹果数据集进行试验,验证改进模型的性能。[结果]改进模型SODSTR-YOLOv5s检测的精确率、召回率、平均精度均值分别为89.1%、95.5%、93.6%,高、中、低成熟度苹果平均精度均值分别为94.1%、93.1%、93.7%,平均检测时间为16 ms,参数量为7.34 M。相比于YOLOv5s模型,改进模型SODSTR-YOLOv5s精确率、召回率、平均精度均值分别提高了3.8%、5.0%、2.9%,参数量和平均检测时间分别增加了0.32 M和5 ms。[结论]改进模型SODSTR-YOLOv5s提升了在自然环境下对不同成熟度苹果的检测能力,能较好地满足实际采摘苹果的检测要求。
文摘电流镜输出误差主要由3个不同失配源造成:漏源电压(V_(DS)),阈值电压(V_(th)),跨导系数(β)。其中,第一项V_(DS)失配通常是由有限输出阻抗引起的确定性误差,该误差可以通过使用级联结构以及增益提升技术避免,后两项V_(th)和β失配是由工艺引起的随机性误差。为解决电流镜因工艺失配现象导致的电压电流(Voltage to Current)转换电路精度、线性度较差的问题,提出了一种动态元件匹配(Dynamic Element Match,DEM)以及修调技术(TRIM)相结合的电流镜校准方法,该方法使用TRIM技术将待校准输出电流镜支路和基准电流镜支路之间的误差电流,通过电容与MOS管转换成校准电流后反馈流入待校准输出电流镜支路完成校准,并通过DEM技术切换多条待校准输出电流镜支路完成校准的同时使输出误差平均化。本文采用SMIC 0.18μm BCD工艺对所提出的V-I转换电路进行了电路设计,仿真结果表明,V-I转换电路的输出电流的失配误差从0.12%下降到了0.03%,有效位数ENOB达到了11.2 bit,总谐波失真THD为−72.6 dB。
