基于YOLO v5-OBB与CT的浸种玉米胚乳裂纹检测

浸种是玉米生产中重要的播前增种技术,对浸种过程中裂纹的高效检测是分析玉米胚乳裂纹变化规律的基础,是优良品种性状选育的关键之一,尚存在内部胚乳裂纹不可见、自动化检测程度不高等困难。基于CT扫描技术,在YOLO v5n检测网络的基础上,设计了YOLO v5-OBB旋转目标检测网络,其中OBB为有向目标边框,该网络使用旋转矩形框代替普通矩形框,并在Backbone部分加入位置注意力模块(CA),同时采用倾斜非极大值抑制算法(Skew-NMS)进行非极大值抑制得到最终预测框,以此实现长宽比大、方向不一的玉米胚乳裂纹检测。经过300次迭代训练,模型在测试集上的精确率P为94.2%,召回率R为81.7%,平均精度(AP)为88.2%,模型内存占用量为4.21 MB,单幅图像平均检测时间为0.01 s,与SASM、S2A-Net和ReDet旋转目标检测网络相比,AP分别提高15.0、16.9、7.0个百分点,单幅图像平均检测时间分别减少0.19、0.22、0.46 s,同时YOLO v5-OBB模型内存占用量分别为SASM、S2A-Net和ReDet模型的1.50%、1.43%和1.73%,与采用水平矩形框标注的YOLO v5网络相比,AP提高0.6个百分点,模型大小减小0.19 MB,单幅图像平均检测时间不变,两者均为0.01 s。将YOLO v5-OBB网络获取裂纹目标框坐标信息后得到的裂纹长度与在DragonflyEZ软件中得到的裂纹真实长度相比,两者绝对误差为0.04 mm,相对误差为0.93%。对不同CT灰度分布情况下玉米胚乳裂纹检测结果表明,该模型对较小灰度、较大灰度、混合灰度3种玉米胚乳裂纹图像的P分别为100%、100%、93.3%,R分别为100%、82.4%和79.8%,AP分别为99.5%、91.2%和86.8%。结果表明,所设计模型能有效实现玉米胚乳裂纹的检测,同时模型鲁棒性高,内存占用量小,可为玉米浸种过程胚乳裂纹的自动监测提供借鉴。

基于SimCC-ShuffleNetV2的轻量化奶牛关键点检测方法

针对现有深度学习技术在奶牛关键点检测研究中尚存在网络复杂度高、检测速度慢等问题,提出了一种轻量化奶牛关键点检测模型SimCC-ShuffleNetV2。在模型中,主干网络采用ShuffleNetV2用于特征提取,有利于实现网络的轻量化;检测头采用SimCC用于关键点位置预测,SimCC采取坐标分类的方法使得检测更加简单高效。为了验证模型的性能,本研究设计了奶牛的关键点及骨架结构,并标注了3600幅图像用于模型的训练与测试。试验结果表明,SimCC-ShuffleNetV2模型的AP50:95为88.07%,浮点运算量为1.5×10^(8),参数量为1.31×10^(6),检测速度为10.87 f/s,可以实现奶牛关键点的精确与高效检测。与基于回归的DeepPose网络、基于热力图的HRNet网络进行了对比试验,结果表明SimCC-ShuffleNetV2取得了精度与速度的良好平衡。同时,本研究通过更换不同主干与不同检测头的方式,对比验证了不同模块对模型性能影响,本研究所提出的模型在所有试验中均取得了最佳结果,表明ShuffleNetV2与SimCC的组合具备良好的关键点检测性能。为了验证模型的有效性,将模型应用于4种动作视频中提取骨架序列并将其送入ST-GCN网络以实现不同动作的分类,其分类准确率为84.56%,表明本研究提出的SimCC-ShuffleNetV2模型是良好的关键点提取器,可为奶牛行为识别等任务提供关键信息支撑。

40^Ar-39^Ar Dating of the Mahuaping W-Be deposit, Northwestern Yunnnan Province, China, and its Geological Significance

Objective Located near the intersection of Yangtze craton, Tibet- Sanjiang orogen and Songpan-Ganzi orogen of Northwest Yunnan Province, the Mahuaping deposit is a unique large -scale tungsten-beryllium-fluorite ore deposit ever discovered in this area. In recent years, many studies have been carried out in Sanjiang Tethyan metallogenic belt and aforementioned adjacent regions. To date, however, little attention has been paid to this deposit, for example, the geochronology of Mahuaping W-Be deposit still remains unsolved. In this study, we have pioneered research about muscovite 40Ar-39Ar age to better understand the geochronology of the Mahuaping W-Be deposit.

融合YOLOv5s与通道剪枝算法的奶牛轻量化个体识别方法

实时准确地识别奶牛个体身份是构建完善的奶牛精准养殖技术架构的先决条件。如何在快速精准识别奶牛个体的同时保证模型的轻量化是至关重要的。该研究提出了一种在低计算量和低参数量条件下快速准确识别奶牛个体身份的方法。研究采用YOLOv5s作为原始模型,利用BN层中缩放因子对模型中通道的重要性进行判断并剪除不重要的通道,从而降低网络复杂度。为了更加有效地压缩模型,该研究在损失函数中增加稀疏损失项,实现模型通道的稀疏化。测试试验结果表明,剪枝后的模型平均精度mAP为99.50%,计算量为8.1 G,参数量为1.630 M,每秒帧数为135.14。相比其他具有代表性的目标检测模型,该研究方法拥有最小的模型复杂度。此外,相比其他模型,该研究方法对奶牛斑纹特征依赖程度更低,在低照度条件下有着更加出色的表现。考虑该方法具有快速、准确、鲁棒、低计算量和低参数量的特点,在推进养殖场中奶牛精细化养殖方面具有巨大潜能。

单元层面城市更新体检评估方法实践探索——以无锡市老东门为例

基于无锡市老东门单元城市更新体检评估的实际运用效果,分析了单元层面城市更新体检评估的应用场景、工作重点以及与现有同层次规划的协同。通过对项目全过程工作经验的总结,提出了单元层面城市更新体检评估的技术路径,并对调研方法、分项体检评估中的重点与注意事项进行了归纳分析,为我国单元层面城市更新体检评估提供借鉴。

融合YOLO v5n与通道剪枝算法的轻量化奶牛发情行为识别

及时、准确地监测奶牛发情行为是现代化奶牛养殖的必然要求。针对人工监测奶牛发情不及时、效率低等问题,该研究提出了一种融合YOLO v5n与通道剪枝算法的轻量化奶牛发情行为识别方法。在保证模型检测精度的基础上,基于通道剪枝算法,对包括CSPDarknet53主干特征提取网络等在内的模块进行了修剪,以期压缩模型结构与参数量并提高检测速度。为了验证算法的有效性,在2239幅奶牛爬跨行为数据集上进行测试,并与Faster R-CNN、SSD、YOLOX-Nano和YOLOv5-Nano模型进行了对比。试验结果表明,剪枝后模型均值平均精度(mean Average Precision,mAP)为97.70%,参数量(Params)为0.72 M,浮点计算量(Floating Point operations,FLOPs)为0.68 G,检测速度为50.26帧/s,与原始模型YOLOv5-Nano相比,剪枝后模型mAP不变的情况下,参数量和计算量分别减少了59.32%和49.63%,检测速度提高了33.71%,表明该剪枝操作可有效提升模型性能。与Faster R-CNN、SSD、YOLOX-Nano模型相比,该研究模型的mAP在与之相近的基础上,参数量分别减少了135.97、22.89和0.18 M,FLOPs分别减少了153.69、86.73和0.14 G,检测速度分别提高了36.04、13.22和23.02帧/s。此外,对模型在不同光照、不同遮挡、多尺度目标等复杂环境以及新环境下的检测结果表明,夜间环境下mAP为99.50%,轻度、中度、重度3种遮挡情况下平均mAP为93.53%,中等尺寸目标和小目标情况下平均mAP为98.77%,泛化性试验中奶牛爬跨行为检出率为84.62%,误检率为7.69%。综上,该模型具有轻量化、高精度、实时性、鲁棒性强、泛化性高等优点,可为复杂养殖环境、全天候条件下奶牛发情行为的准确、实时监测提供借鉴。

奶牛运动行为智能监测研究进展与技术趋势

奶牛运动行为蕴含着诸多健康信息。信息化、智能化技术的应用有助于养殖场及时掌握奶牛健康状况,提高养殖效率。本文主要针对奶牛运动行为智能监测技术的研究进展予以分析,首先对奶牛基本运动(躺卧、行走、站立)、发情、呼吸、反刍及跛行等行为的监测意义进行阐述,明确了奶牛行为监测的必要性;其次按照时间顺序分别从接触式监测方法和非接触式监测方法两方面综述了国内外相关研究现状,对相关研究的原理及成果进行详细介绍,并进行了分类总结;对奶牛行为监测产业发展现状进行了分析,介绍了国外主流牧场自动化设备供应商主营业务及代表产品;之后分别提出了当前接触式和非接触式奶牛运动行为监测方法的问题与挑战。最后,针对相关关键技术的发展趋势进行了展望。