改进YOLOv5的光伏组件热斑及遮挡小目标检测

热斑会严重影响光伏组件发电效率,利用红外光图像检测热斑,难以同时实现树叶、鸟粪等小型异物遮挡的有效识别,及时发现和清理异物可以有效降低因受到持续遮挡而引起的热斑。为实现对热斑更加全面的识别和处理,基于无人机巡检可见光和红外光视频图像尺寸及检测任务特点,结合K-means++算法与IoU指标改进了YOLOv5的锚框设定方案以改善结果的随机性;可见光场景中,针对遮挡物体较小导致难以检测的问题,在YOLOv5s6的主干网络中嵌入坐标注意力机制(coordinate attention,CA),设计了遮挡小目标检测模型(CA-YOLOv5s6);红外光场景中,热斑区域较为明显,选择轻量化网络YOLOv5n作为其检测模型。实验结果显示:相较于YOLOv5s6,CA-YOLOv5s6的mAP提升了2.97个百分点,达到83.78%,Parameters减少了4.8×10^(5),达到1.18×10^(7),有效地提高了遮挡小目标的检测精度;YOLOv5n模型的mAP、FPS、Parameters分别为93.31%、83.3、1.76×10^(6),可以更好地满足红外图像热斑检测的任务需求。

基于人工智能算法的小麦全基因组选择育种技术研究

随着小麦等粮食供需矛盾的日益突出,提高作物产量刻不容缓,在影响小麦产量的基因筛选育种领域仍有很多问题亟待研究。该文利用全基因组选择(Genomic Selection,GS)研究冬小麦的基因型和表型数据之间的量化关系,将5种机器学习模型(Linear-SVR、RBF-SVR、Ridge、LightGBM、XGBoost)与2种传统育种模型(GBLUP、BayesA)进行对比,对新育种群体进行表型(如产量、株高、千粒重)预测和选择,进而找到高效的人工智能(AI)算法用于筛选出影响小麦性状的关键基因。研究结果显示,GBLUP,Ridge,Linear-SVR对于小麦产量具有较高的预测准确性,因此机器学习模型结合传统GBLUP模型能够提高基因型预测的准确性,从而为人工智能算法应用于小麦全基因组选择育种开辟新的道路、提供有益的技术支持。