基于轻量化YOLO v8s-GD的自然环境下百香果快速检测模型

为了提高百香果检测精度,并将深度学习模型部署在移动平台上,实现快速实时推理,本文提出一种基于改进YOLO v8s的轻量化百香果检测模型(YOLO v8s-GD)。使用聚集和分发机制(GD)替换颈部特征融合网络,提高模型对百香果图像特征信息跨层融合能力和模型泛化能力;通过基于层自适应幅度的剪枝(LAMP)修剪模型,损失一定精度换取减小模型体积,减少模型参数量,以实现在嵌入式设备上快速检测;运用知识蒸馏学习策略弥补因剪枝而损失的检测精度,提高模型检测性能。实验结果表明,对于自然环境下采集的百香果数据集,改进后模型参数量和内存占用量相比原YOLO v8s基线模型分别降低63.88%和62.10%,精确率(Precision)和平均精度(AP)相较于原模型分别提高0.9、2.3个百分点,优于其他对比模型。在Jetson Nano和Jetson Tx2嵌入式设备上实时检测帧率(FPS)分别为5.78、19.38 f/s,为原模型的1.93、1.24倍。因此,本文提出的改进后模型能够有效检测复杂环境下百香果目标,为实际场景中百香果自动采摘等移动端检测设备部署和应用提供理论和技术支持。

基于阶段式传播模型COVID-19防控措施的量化评估分析

基于病毒动力学传染机制,构建了考虑不同时期防控措施影响下的新型冠状病毒肺炎(COVID-19)阶段式传播模型.依据空间上的严重性将全国划分为三类疫情区,对各疫情区传染人数进行了阶段式模拟.结合上述模拟结果,进一步量化评估了各疫情区所采取的如武汉交通管制、对口支援湖北和小区封闭式管理等措施对抑制病毒传播的影响.结果表明,阶段式传播模型能够较好地模拟出各疫情区不同时期传染人数的变化特征,政府采取的交通管制和小区封闭式管理等防控措施大幅减少了传染人数,感染人数呈现出大幅下降的趋势,有效抑制了COVID-19的大规模扩散.

计算机网络故障的处理及网络维护措施探析

信息化时代之下,越来越多的传统工作流程将被自动化技术所取代,计算机网络故障问题也成为了现阶段的主要问题.网络构架规模的不断增加,也让当前复杂的网络出现故障的可能性显著提高.如何及时有效地对网络故障进行处理并做好维护,对于保障网络稳定运转也具有重要的现实意义.