基于Des-YOLO v4的复杂环境下苹果检测方法

为使采摘机器人快速准确检测出复杂环境中的苹果,提出一种Des-YOLO v4算法与苹果检测方法。由于YOLO v4的网络结构复杂,提出一种Des-YOLO结构,可减少网络参数并提高算法的检测速度;在训练阶段,正负样本的不平衡会导致苹果误检,提出一种基于AP-Loss的类别损失函数,以提高苹果识别的准确性。通过自制的苹果数据集测试了Des-YOLO v4算法,并在苹果采摘机器人样机上完成了采摘实验。实验结果表明:Des-YOLO v4算法对苹果图像的平均精度值为93.1%,检测速度为53f/s;机器人单次采摘时间为8.7s,采摘成功率达92.9%,具有检测精度高、速度快等优点。

基于改进YOLO v5的苹果采摘机器人目标检测方法

为实现复杂环境中苹果采摘机器人目标快速检测,克服传统YOLO v5网络结构复杂、计算性能弱的缺点,提出了一种基于深度可分离卷积YOLO v5的采摘机器人目标检测方法。在采集苹果样本图像并制作实验数据集后,进行模型训练和测试,引入深度可分离卷积YOLO v5网络对苹果图像进行特征提取,解决了网络中参数冗余问题,提高了采摘机器人的识别速度;采用CIoU-Loss损失函数和DIoU-NMS非极大值抑制方法,对损失函数进行优化,提升了机器人视觉系统对苹果的定位精度。机器人采摘试验结果表明:算法检测精度达95.8%,检测速度达53帧/s,机器人单次采摘时间为4.7s,采摘成功率达93.9%。检测方法在减少模型参量的同时可保证检测精度和效率,具有较强的工程实用性。

儿童期逆境与基因对男性服刑人员攻击性的影响

暴力再犯危险性评估是当今再犯危险性评估工作中的重点,其中,攻击性是服刑人员暴力再犯行为稳定的个体因素。对攻击性进行研究,有助于预防和降低服刑人员在假释或出狱后的暴力再犯行为风险,关系社会的长治久安。研究表明,遭受儿童期逆境和携带易感基因(如MAOA-uVNTR 低活性等位基因)是导致攻击行为的重要因素。但在现有的研究中,儿童期逆境的计分方式局限于简单的线性加总,或所依据的统计模型忽略逆境各维度之间的交互作用和非线性关系;在服刑人员攻击性的评估中未考虑攻击性的亚类,而且多使用自报告的量表测评,这些问题制约了评估的有效预测力。本研究拟通过建立潜在类别模型,分析男性服刑人员和普通成年人群在儿童期逆境上的亚类;以实验与问卷测量结果、司法行为记录作为攻击性指标,揭示儿童期逆境如何影响个体的主动性攻击、反应性攻击及暴力犯罪行为,重点探讨儿童期逆境潜在类别对主动性攻击和反应性攻击的影响,以及MAOA-uVNTR、COMT Val158Met、5-HTTLPR 基因多态性在其中的调节作用。研究结果有助于找出高攻击性个体的生物遗传指标,从而发现受儿童期逆境经历影响的易感人群,为暴力行为的风险预测以及针对暴力攻击行为的行为矫正和相关药物设计提供理论和实证参考,提高相关工作的效率。

四周简易正念减压训练对初中生焦虑的影响

选取68名初一学生并以班级为单位分为四周正念减压(mindfulness-based stress reduction,MBSR)训练组和对照组,探讨四周MBSR对初中生焦虑和正念水平的影响,以及训练效果是否存在基线效应与性别差异。结果发现:(1)四周MBSR可以提高初中生的正念水平,缓解其焦虑情况;(2)“不判断”和“特质焦虑”基线水平影响正念训练的效果;(3)四周MBSR对初中生的训练效果不存在性别差异。

基于RetinaNet的水下机器人目标检测

为解决水下机器人目标检测效率低且环境适应力差的问题,提出一种基于改进的Retina网络水下机器人目标检测方法。采用Dense Net替代Res Net构建骨干网络,使用卷积层堆叠代替原始单次卷积操作,减轻网络重量。以海参为典型研究目标,实验结果表明,所提方法能够正常运行在水下机器人上,相比之前基于机器视觉的目标检测方法,检测精度提高约23%,运行速度提高约17%,在运行速度与检测精度上优于一些基于卷积神经网络的常见目标检测算法。

男性服刑人员正念水平与攻击性的关系

服刑人员由于自身心理特质、入狱前的经历以及狱内严厉的管理环境,常常产生各种适应性和行为问题,容易出现打架、伤害自己、冲动性等攻击行为[1]。男性的攻击性在发生率和影响程度上更为突出[2-4],很可能是影响狱内外安全与再犯风险的重要因素。正念是指以一种特定的方式来察觉,有意识地、不做判断地、活在当下地专注一个接着一个的体验,是一种认知、感受和情感的能力[5]。研究发现正念训练能提高情绪调节力[6],减少焦虑、愤怒的负性情绪.