[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
目的·探讨中国汉族人群突触小体相关蛋白(synaptosomal-associated protein of 25000,SNAP25)基因与精神分裂症(schizophrenia,SZ)的相关性。方法·采用TaqMan探针基因分型技术对434例SZ患者(病例组)和432例健康对照(对照组)的...目的·探讨中国汉族人群突触小体相关蛋白(synaptosomal-associated protein of 25000,SNAP25)基因与精神分裂症(schizophrenia,SZ)的相关性。方法·采用TaqMan探针基因分型技术对434例SZ患者(病例组)和432例健康对照(对照组)的SNAP25基因5个单核苷酸多态性(single nucleotide polymorphism,SNP)位点(rs3746544、rs8636、rs362998、rs6039769、rs6077690)进行分型,比较病例组与对照组间的等位基因、基因型,不同遗传模式下基因型以及单倍型频率分布的差异。结果·rs362998和rs6039769等位基因频率分布在病例组与对照组之间差异有统计学意义(P=0.029,P=0.033),经Bonferroni校正后,差异均无统计学意义(均P>0.05);病例组与对照组间rs362998和rs3746544基因型分布的差异具有统计学意义(P=0.005,P=0.043),校正后rs362998差异仍有统计学意义(P=0.025),rs3746544差异无统计学意义(P>0.05)。rs362998位点在共显性和显性遗传模式下,基因型分布组间比较,差异有统计学意义(均P=0.003),校正后差异仍有统计学意义(均P=0.015);rs3746544位点在共显性和隐性遗传模式下,基因型分布组间比较,差异有统计学意义(P=0.042,P=0.012),校正后差异无统计学意义(均P>0.05)。由rs3746544-rs8636组成的所有单倍型在病例组与对照组间的频率分布差异均未见统计学意义(均P>0.05)。结论·在中国汉族人群中,SNAP25可能是SZ的易感基因,rs362998位点可能与SZ发病有关。展开更多
由于滚动轴承实际工作环境恶劣,含标签故障样本数据严重缺乏,不足以建立准确的预测模型。支持矩阵机(support matrix machine,SMM)作为一种新的模式识别方法,可以获得良好的分类效果,但其仍对小样本分析具有局限性。基于此,提出一种迁...由于滚动轴承实际工作环境恶劣,含标签故障样本数据严重缺乏,不足以建立准确的预测模型。支持矩阵机(support matrix machine,SMM)作为一种新的模式识别方法,可以获得良好的分类效果,但其仍对小样本分析具有局限性。基于此,提出一种迁移最小二乘支持矩阵机(transfer least square support matrix machine,TLSSMM)分类方法。在TLSSMM分类过程中,利用源域样本训练得到近似目标域的预测模型,并通过目标域少量含标签样本微调源域的训练模型以更新得到新模型。同时,采用最小二乘损失来约束目标函数,使其由不等式转换为等式,只需求解一组线性方程即可获得结果,大大提升分类效率。选择两种不同的滚动轴承故障数据对所提方法进行验证,实验结果表明,TLSSMM方法具有优异的分类性能。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。
文摘目的·探讨中国汉族人群突触小体相关蛋白(synaptosomal-associated protein of 25000,SNAP25)基因与精神分裂症(schizophrenia,SZ)的相关性。方法·采用TaqMan探针基因分型技术对434例SZ患者(病例组)和432例健康对照(对照组)的SNAP25基因5个单核苷酸多态性(single nucleotide polymorphism,SNP)位点(rs3746544、rs8636、rs362998、rs6039769、rs6077690)进行分型,比较病例组与对照组间的等位基因、基因型,不同遗传模式下基因型以及单倍型频率分布的差异。结果·rs362998和rs6039769等位基因频率分布在病例组与对照组之间差异有统计学意义(P=0.029,P=0.033),经Bonferroni校正后,差异均无统计学意义(均P>0.05);病例组与对照组间rs362998和rs3746544基因型分布的差异具有统计学意义(P=0.005,P=0.043),校正后rs362998差异仍有统计学意义(P=0.025),rs3746544差异无统计学意义(P>0.05)。rs362998位点在共显性和显性遗传模式下,基因型分布组间比较,差异有统计学意义(均P=0.003),校正后差异仍有统计学意义(均P=0.015);rs3746544位点在共显性和隐性遗传模式下,基因型分布组间比较,差异有统计学意义(P=0.042,P=0.012),校正后差异无统计学意义(均P>0.05)。由rs3746544-rs8636组成的所有单倍型在病例组与对照组间的频率分布差异均未见统计学意义(均P>0.05)。结论·在中国汉族人群中,SNAP25可能是SZ的易感基因,rs362998位点可能与SZ发病有关。
文摘由于滚动轴承实际工作环境恶劣,含标签故障样本数据严重缺乏,不足以建立准确的预测模型。支持矩阵机(support matrix machine,SMM)作为一种新的模式识别方法,可以获得良好的分类效果,但其仍对小样本分析具有局限性。基于此,提出一种迁移最小二乘支持矩阵机(transfer least square support matrix machine,TLSSMM)分类方法。在TLSSMM分类过程中,利用源域样本训练得到近似目标域的预测模型,并通过目标域少量含标签样本微调源域的训练模型以更新得到新模型。同时,采用最小二乘损失来约束目标函数,使其由不等式转换为等式,只需求解一组线性方程即可获得结果,大大提升分类效率。选择两种不同的滚动轴承故障数据对所提方法进行验证,实验结果表明,TLSSMM方法具有优异的分类性能。
