基于改进YOLOv8的苹果叶病害轻量化检测算法

[目的/意义]苹果是中国重要的农产品,为了保障苹果的健康生长,降低其患病率,研发苹果叶病害检测技术具有重要意义。本研究旨在应对苹果生长过程中出现的病害快速检测问题,提出一种基于改进YOLOv8的苹果叶病害检测算法。[方法]选用YOLOv8n模型对苹果在生长期间的多种病害(褐腐病、褐纹病、黑星病和锈病)进行识别。引入SPD-Conv替代传统卷积层,降低模型参数量和运算量的同时提高检测精度。在Neck层中添加多尺度空洞注意力机制(Multi-Scale Dilated Attention,MSDA),使模型通过动态感受野自适应地聚焦于图像中的关键区域,增强病害特征提取能力。此外,参考重参数化卷积神经网络(Reparameterized Convolutional Neural Network,RepVGG)架构,优化了原有检测头,实现检测和推理过程的架构分离,加快了模型的推理速度,提升了其特征学习能力。最后,构建了一个包含上述病害的苹果叶片数据集,并在此数据集上进行试验。[结果和讨论]改进后的模型在运算量降低0.1 G的同时,mAP50和mAP50∶95分别达到了88.2%和37.0%,较原模型分别提高了2.7%和1.3%,模型大小仅为7.8 MB。准确率和召回率分别为83.1%和80.2%,较原模型分别提升了0.9%和1.1%。分别与YOLOv7-tiny、YOLOv9-c、RetinaNet、Faster-RCNN等多个模型进行对比试验,结果表明,提出的YOLOv8n-SMR模型表现出优异性能,有效控制了计算复杂度和参数量。优化后的网络结构在模型大小,浮点运算次数和参数量上均保持较低水平,适合在无人机系统等硬件资源受限设备上高效部署。[结论]改进后的模型能够实现对苹果叶病害的准确检测,该方法不仅提高了检测精度,还通过轻量化设计有效减少了模型的运算量,为后续的苹果生长和果实收集提供可靠的数据支持,并为进一步苹果叶病害研究和探索提供了有利的参考。

基于精英策略的遗传算法在功能验证中的应用

针对集成电路功能验证中覆盖率收敛较慢的问题,通过分析简单遗传算法(SGA)中精英个体的特征,提出了一种应用于功能验证的精英策略。将本代优秀个体和本代适应度高的历史优秀个体视为精英个体,给予额外交叉机会。基于本文策略的精英遗传算法(EGA)可得到覆盖率广、重复性低的验证向量,缩短功能验证的时间。采用互相关函数的硬件计算单元作为验证模型,在Matlab中模拟功能验证的过程,实验结果表明:与SGA相比,EGA使验证时间缩短了14.8%,功能覆盖率从93%提高到95%,有效地提高了功能验证效率。

一种定点化平方根倒数运算的硬件实现

针对平方根倒数运算电路中传统的多次迭代法占用较多运算单元,以及多项式逼近法占用大量存储单元的问题,提出一种基于分段二次项式逼近与牛顿迭代相结合的定点化平方根倒数运算的硬件实现方法。结合两种方法的优点,即运用少量存储单元存储二次多项式系数用于求解迭代初值;然后对迭代初值进行一次牛顿迭代使根快速收敛。其中,对系数及过程变量都进行定点化处理,避免复杂的浮点运算。实验结果表明,该现实方法仅需584bit存储单元及少量乘加运算单元,求解误差小。