Perovskite Self-Passivation with PCBM for Small Open-Circuit Voltage Loss

It is well known that [6,6]-phenyl-C61-butyric acid methyl ester (PCBM) is a common n-type passivation material in PSCs, usually used as an interface modification layer. However, PCBM is extremely expensive and is not suitable for future industrialization. Herein, the various concentrations of PCBM as an additive are adopted for PSCs. It not only avoids the routine process of spin coating the multi-layer films, but also reduces the PCBM material and cost. Meanwhile, PCBM can passivate the grain surface and modulate morphology of perovskite films. Furthermore, the most important optical parameters of solar cells, the current density (Jsc), fill factor (FF), open-circuit voltage (Voc) and power conversion efficiencies (PCE) were improved. Especially, when the PCBM doping ratio in CH3NH3PbI3 (MAPbI3) precursor solution was 1 wt%, the device obtained the smallest Voc decay (less than 1%) in the p-i-n type PSCs with poly (3,4-ethylenedioxythiophene):poly (styrene sulfonate) (PEDOT:PSS) as hole transport layer (HTL) and fullerene (C60) as electron transport layer (ETL). The PSCs Voc stability improvement is attributed to enhanced crystallinity of photoactive layer and decreased non-radiative recombination by PCBM doping in the perovskites.

基于改进YOLOv5s的小目标检测算法

针对当前主流目标检测算法对图像中远距离小目标产生的漏检、误检等问题,提出一种改进YOLOv5s的小目标检测算法。在模型训练过程中,通过引入Focal-EIOU定位损失函数,加强边界框的定位精度;在骨干网络中,通过添加小目标检测层,提高小目标的检测精度;在Neck结构中,通过优化上采样算子和添加注意力机制,加强小目标的特征信息。实验结果表明,改进后的算法在VisDrone数据集上与YOLOv5s算法相比,mAP@small提高了3.2%,且检测速度满足实时性的要求,能够很好地应用于小目标检测任务中。

基于YOLO5Face重分布的小尺度人脸检测方法

针对复杂场景下小尺度人脸检测精度较低的问题,提出了一种基于YOLO5Face重分布的小尺度人脸检测方法。方法以YOLO5Face为基础,在网络浅层引入改进的CBAM注意力并对模型计算重分布,提升复杂场景下小尺度人脸检测精度的同时降低模型参数量;采用融合mixup的数据增强方法,充分训练模型小尺度人脸检测分支;依据人脸检测特性,将softmax损失作为分类损失以最大化类间特征的差异。在WiderFace各个子集上的实验结果表明,与主流人脸检测方法相比,改进后的模型满足实时性的同时,小尺度人脸检测精度较高,其中Hard子集检测精度比YOLO5Face提升2个百分点。

基于图像低维特征融合的航拍小目标检测模型

针对无人机航拍图像目标检测中视野变化大、时空信息复杂等问题,文中基于YOLOv5(You Only Look Once Version5)架构,提出基于图像低维特征融合的航拍小目标检测模型.引入CA(Coordinate Attention),改进MobileNetV3的反转残差块,增加图像空间维度信息的同时降低模型参数量.改进YOLOv5特征金字塔网络结构,融合浅层网络中的特征图,增加模型对图像低维有效信息的表达能力,进而提升小目标检测精度.同时为了降低航拍图像中复杂背景带来的干扰,引入无参平均注意力模块,同时关注图像的空间注意力与通道注意力;引入VariFocal Loss,降低负样本在训练过程中的权重占比.在VisDrone数据集上的实验验证文中模型的有效性,该模型在有效提升检测精度的同时明显降低复杂度.

基于复杂纹理特征融合的材料图像分割方法

为解决材料图像分割中存在小样本、纹理复杂和数据分布不平衡的问题,抓住材料图像同相像素具有高度相似性的特性,提出一种基于复杂纹理特征融合的材料图像分割方法。在编码阶段,使用全卷积神经网络(FCN)作为基础网络,VGG16作为骨干网络;将改进的FCN的每层的特征图放入设计的级联的特征融合模块(CFF block),融合高低层语义信息;将融合的特征图放入多尺度学习模块(multi-scale block)进一步提取纹理特征。在解码阶段,对特征图施加注意力机制(Attention block),保留关键的特征图;针对材料图像中数据不平衡问题,采用并改进Dice损失,优化分割结果。通过对比实验和消融实验验证该方法的mIoU在多个数据集上均优于经典的深度学习方法。

大田环境下的农业害虫图像小目标检测算法

智能化害虫检测是目标检测技术在农业领域的重要应用,可以有效提高害虫测报工作效率和可靠性,保障农作物产量和质量。在诱虫灯、粘虫板等固定式诱捕装置下,图像背景简单、光照条件稳定、害虫特征显著易于提取,害虫检测可以达到较高的准确率,但其应用场景固定,检测范围局限于设备周围,无法适应复杂的田间环境。针对田间环境下图像背景复杂和害虫尺寸小带来的难检和漏检问题,提出一种改进YOLOv5的小目标害虫检测算法Pest-YOLOv5,以提高害虫测报的灵活性。在特征提取网络中增加坐标注意力机制,通过结合空间和通道信息,增强对小目标害虫特征的提取能力,在颈部连接部分使用双向特征金字塔网络结构,通过融合多尺度特征,缓解多次卷积带来的小目标信息丢失问题。在此基础上,使用SIoU和变焦损失函数计算损失值,同时通过实验得到最优分类损失权重系数,使模型更关注分类困难的目标样本。在公开数据集AgriPest上的实验结果表明,Pest-YOLOv5模型mAP_(0.5)和召回率分别为70.4%和67.8%,优于原YOLOv5s模型、SSD和Faster R-CNN等经典目标检测模型。与YOLOv5s模型相比,Pest-YOLOv5模型将mAP_(0.5)、mAP_(0.50:0.95)和召回率分别提高8.1%、7.9%和12.8%,改善了难检和漏检情况。

改进YOLOv5s的无人机视角下小目标检测算法

针对无人机飞行时与目标距离较远,被拍摄的目标大小有明显的差异且存在被物体遮挡等问题,提出一种基于YOLOv5s的无人机视角下小目标检测改进算法BD-YOLO。在特征融合网络中采用双层路由注意力(bi-level routing attention,BRA),其以动态稀疏的方式过滤特征图中最不相关的特征,保留部分重要区域特征,从而提高模型特征提取的能力;由于特征图经过多次下采样后会丢失大量位置信息和特征信息,因此采用一种结合注意力机制的动态目标检测头DyHead(dynamic head),该检测头通过尺度感知、空间感知和任务感知的三者统一,以实现更强的特征表达能力;使用Focal-EIoU损失函数,来解决YOLOv5s中CIoU Loss计算回归结果不准确的问题,从而提高模型对小型目标的检测精度。实验结果表明,在VisDrone2019-DET数据集上,BD-YOLO模型较YOLOv5s模型在平均精度(mAP@0.5)指标上提高了0.062,对比其他主流模型对于小目标的检测都有更好的效果。

基于上下文信息与特征细化的无人机小目标检测算法

无人机航拍图像中的目标检测是近年来研究的热点,针对无人机视角下目标小而密集、背景复杂导致检测精度低的问题,提出一种基于上下文信息与特征细化的无人机小目标检测算法。通过上下文特征增强模块,利用多尺度扩张卷积捕获与周围区域像素点的潜在关系,为网络补充上下文信息,并根据不同尺度的特征层自适应生成各层级特征图的输出权重,动态优化特征图表达能力;由于不同特征图细粒度不同,使用特征细化模块来抑制特征融合中冲突信息的干扰,防止小目标特征淹没在冲突信息中;设计了一种带权重的损失函数,加快模型收敛速度,进一步提高小目标检测精度。在VisDrone2021数据集进行大量实验表明,改进后的模型较基准模型mAP50提高8.4个百分点,mAP50:95提高5.9个百分点,FPS为42,有效提高了无人机航拍图像中小目标的检测精度。

改进YOLOv7的小目标检测算法研究

随着深度学习在国内目标检测的不断应用,常规的大、中目标检测已经取得惊人的进步,但由于卷积网络本身的局限性,针对小目标检测依然会出现漏检、误检的问题,以数据集Visdrone2019和数据集FloW-Img为例,对YOLOv7模型进行研究,在网络结构上对骨干网的ELAN模块进行改进,将Focal NeXt block加入到ELAN模块的长短梯度路径中融合来强化输出小目标的特征质量和提高输出特征包含的上下文信息含量,在头部网络引入RepLKDeXt模块,该模块不仅可以取代SPPCSPC模块来简化模型整体结构还可以利用多通道、大卷积核和Cat操作来优化ELAN-H结构,最后引入SIOU损失函数取代CIOU函数以此提高该模型的鲁棒性。结果表明改进后的YOLOv7模型参数量减少计算复杂性降低并在小目标密度高的Visdrone 2019数据集上的检测性能近似不变,在小目标稀疏的FloW-Img数据集上涨幅9.05个百分点,进一步简化了模型并增加了模型的适用范围。

基于YOLOv8s改进的小目标检测算法

针对目标检测任务中小目标尺寸较小、背景复杂、特征提取能力不足、漏检和误检严重等问题,提出了一种基于YOLOv8s改进的小目标检测算法——Improved-v8s。Improved-v8s算法重新设计了特征提取和特征融合网络,优化检测层架构,增强浅层信息和深层信息的融合,提高了小目标的感知和捕获能力;在特征提取网络中使用部分卷积(Partial Convolution,PConv)和高效多尺度注意力(Efficient Multi-scale Attention,EMA)机制构建全新的F_C_(2)f_EMA,在降低网络参数量和计算量的同时,通过通道重塑和维度分组最大化保留小目标的特征信息;为了更好地匹配小目标的尺度,优化调整SPPCSPC池化核的尺寸,同时引入无参注意力机制(Simple-parameter-free Attention Module,SimAM),加强复杂背景下小目标特征提取;在Neck部分使用轻量级上采样模块——CARAFE,通过特征重组和特征扩张保留更多的细节信息;引入了全局注意力机制(Global Attention Mechanism,GAM)通过全局上下文的关联建模,充分获取小目标的上下文信息;使用GSConv和Effective Squeeze-Excitation(EffectiveSE)设计全新的G_E_C_(2)f,进一步降低参数量,降低模型的误检率和漏检率;使用WIoU损失函数解决目标不均衡和尺度差异的问题,加快模型收敛的同时提高了回归的精度。实验结果表明,该算法在VisDrone2019数据集上的精确度(Precision)、召回率(Recall)和平均精度(mean Average Precision,mAP)为58.5%、46.0%和48.7%,相较于原始YOLOv8s网络分别提高了8%、8.5%和9.8%,显著提高了模型对小目标的检测能力。在WiderPerson和SSDD数据集上进行模型泛化性实验验证,效果优于其他经典算法。

具有低EMI和低开启损耗的浮空P区IGBT研究

为了优化浮空P区IGBT结构的电磁干扰噪声(EMI)与开启损耗(E_(on))的折中关系,提出一种假栅沟槽连接多晶硅阻挡层的浮空P区IGBT结构。新结构在浮空P区内引入对称的两个假栅沟槽,并通过多晶硅层连接。假栅沟槽将浮空P区分为三部分,减少了栅极沟槽附近的空穴积累,降低了栅极的固有位移电流。二维结构仿真表明,在小电流开启时,该结构与传统结构相比,栅极沟槽空穴电流密度减小90%,明显降低了集电极电流(I_(CE))过冲峰值和栅极电压(V_(GE))过冲峰值,提高了栅极电阻对dI_(CE)/dt和dV_(KA)/dt的控制能力。在相同的开启损耗下,新结构的dI_(CE)/dt、dV_(CE)/dt和dV_(KA)/dt最大值分别降低32.22%、38.41%和12.92%,降低了器件的EMI噪声,并改善了器件EMI噪声与开启损耗的折中关系。

改进YOLOv5的无人机小目标检测方法研究

无人机拍摄图像的小目标具有特征信息不明显、背景复杂和部分目标遮挡的特点,导致检测时会出现误检和漏检的问题。针对这些问题,提出一种改进YOLOv5的无人机小目标检测方法SDT-YOLOv5。首先对数据集图像进行切片处理,使得每个切片中小目标的占比变高,提高小目标的识别能力。其次采用动态解耦检测头,引入动态卷积和自适应感受野机制,同时将检测头的分类和回归分支解耦,以实现更强的特征表达和提取能力。最后提出了基于最小点距离的交并比损失的最佳传输分配方法。最小化预测边界框与真实边界框之间的左上角和右下角点距离,再基于边界框的位置信息和距离度量,以最小化总成本为目标,找到最优的真实边界框与预测边界框匹配方案,提高检测的准确性。在VisDrone2019数据集上进行实验,结果显示改进YOLOv5的mAP50值达到了58.5%,相比于原始YOLOv5的mAP50值提高了23.2个百分点。这表明改进方法有效地提高了无人机小目标的检测精度,能够更准确地检测到小目标。

改进YOLOv7的自动驾驶目标检测算法

能否准确实时检测出道路上的车辆、行人等物体对自动驾驶车辆十分重要。针对自动驾驶场景下,车辆在行驶中存在的漏检,小目标检测效果差的问题,提出一种改进YOLOv7算法的自动驾驶目标检测算法。修改网络中扩充感受野的模块,减少感受野模块的大小,提高模型速度的同时增强对图片特征信息的提取能力。在主干网络输出端引入双层路由注意力机制,提高模型对小目标物体的检测性能。用EIOU损失函数替换算法原本的CIOU损失函数,将预测框与真实框的高度与宽度的差异最小化,加快模型收敛速度的同时达到更好的定位效果。实验结果表明:在KITTI数据集上,改进后的YOLOv7算法进行目标检测时,其mAP达到94.7%,在原YOLOv7算法上提升了3.1个百分点,并且在小目标物体检测上获得了更高的检测精度,有效提升了模型对小目标检测效果。

基于改进ConvNeXt的遥感图像目标检测算法

针对遥感图像中目标排列紧密、背景信息复杂、小目标众多导致的目标检测精度低的问题,结合YOLOv5s,提出了一种基于改进ConvNeXt的遥感图像目标检测算法。首先,在特征提取网络的底端引入了改进的ConvNeXt Block,通过大核卷积与自注意力交互扩宽感受野、丰富语义信息;其次,在多尺度特征融合部分加入了一组自底向上的金字塔结构,以放大浅层特征图的作用,弥补遥感图像中小目标因为深度卷积而损失的位置信息;最后,引入SIoU损失函数,重新定义惩罚指标,并加快整体网络的收敛速度。将所提出的检测算法在RSOD数据集上进行了消融实验,平均精准率均值为92.27%,实验结果表明,所提算法能够实现对遥感图像目标的准确检测。

改进YOLOv5的小目标多类别农田害虫检测算法研究

针对农田害虫图像中感兴趣目标特征不明显、小目标居多导致的目标检测精度较低的问题,提出一种基于YOLOv5改进的小目标多类别农田害虫目标检测算法。首先,在主干网络最后两个C3卷积块特征融合部分引入Swin Transformer窗口注意力网络结构,增强小目标的语义信息和全局感知能力;其次,在颈部网络的C3卷积块后添加通道注意力机制和空间注意力机制的可学习自适应权重,使网络能够关注到图像中关于小目标的特征信息;最后,由于YOLOv5自身的交并比函数存在收敛速度较慢且精确率较低的问题,引入SIOU函数作为新的边界框回归损失函数,提高检测的收敛速度和精确度。将所提出的算法在包含28类农田害虫公开数据集上进行试验,结果表明,改进后的算法在农田害虫图像数据集上的准确率、召回率和平均准确率分别达到85.9%、76.4%、79.4%,相比于YOLOv5分别提升2.5%、11.3%、4.7%。

基于轻量级网络的小目标检测算法

针对YOLOv5算法在检测小目标时存在准确率较低的情况,提出旨在提高小目标检测准确率的轻量级网络KOS-YOLOv5算法。首先采用K-means++聚类技术选择一组合适的锚框尺寸作为模型的先验,对小目标实现更精确的锚框尺寸,使模型能适应不同大小的目标;其次利用简化正负样本分配策略(SimOTA)进行动态样本匹配,更好地优化损失函数;最后将空间上下文金字塔(SCP)模块集成到算法检测层中,促使骨干网络更加关注小目标的特征信息,用以增加目标特征提取能力,提高目标的检测准确率。结果表明,改进后的KOS-YOLOv5算法与传统的YOLOv5模型进行比较,算法在检测精确度(P)方面提高了4%,召回率(R)方面提高了2.4%,平均检测精度(mAP)提高了3.1%,损失函数值(Loss)降低了5%,最终检测精度为95.38%。

坡位与利用方式对红壤磷素储存容量的影响差异——以江西鹰潭孙家小流域为例

为明确坡位与利用方式对土壤磷素储存容量(SPSC)的影响差异,以更加准确地评估坡耕地红壤磷的流失风险,本研究以江西鹰潭孙家小流域内不同坡位(坡顶、坡上、坡中、坡底)及不同利用方式(稻田、花生旱地、橘园)的表层土壤为研究对象,对比分析了SPSC的变化规律与差异,探讨了土壤全碳、全氮、全磷、有效磷、铁铝氧化物含量等因子对SPSC的影响。结果表明:不同坡位的稻田、花生旱地与橘园的SPSC变化范围分别为-410.9~-137.8、-283.8~-128.0 mg·kg^(-1)及-280.6~-36.3 mg·kg^(-1);且随坡位的降低,稻田(坡底除外)与橘园SPSC显著降低,而花生旱地SPSC则增加。与稻田土壤相比,同一坡位花生旱地与橘园SPSC相对增加;相关分析表明,不同坡位的稻田、花生旱地及橘园SPSC与土壤非晶质铁铝氧化物、游离态铁铝氧化物极显著正相关,且游离态氧化铝的影响相对最大,而与有效磷、总碳、总氮则显著负相关。江西鹰潭孙家小流域内红壤坡耕地SPSC均为负值,意味着此时的土壤均为磷源,土壤磷均具有流失风险;坡底的稻田及橘园、坡顶花生旱地土壤磷的流失风险相对较高,应及时采取相应的调控措施以有效降低土壤磷素的流失潜能与风险。

基于切片推理的小目标检测技术研究

针对高分辨率图像中小目标识别精度低且漏检率高的问题,从模型训练和预测角度,包含特征融合、预测框定位损失函数和检测网络3个方面进行优化,提出一种基于切片推理的改进YOLOv5算法。将CAM模块添加到特征融合网络中,通过扩张卷积提升特征感受野尺度,增强了小目标及其相邻像素的上下文学习效果;使用Focal_EIOU损失函数替换原CIOU损失函数,将预测框与真实框的宽高差异最小化,更加关注有效目标的预测结果,提升了预测框定位精度和损失函数的收敛速度;在检测网络中添加SAHI算法,利用切片思想放大局部特征并对切片结果分别进行预测,提升了图像局部特征的检出效果,降低了小目标的漏检率。经实验对比,本文中改进算法能够有效提取深层网络中的小目标特征,相比于原YOLOv5算法,边界框定位损失明显下降且收敛较快,小目标识别准确率提高了4.4%,小目标检出率增加为原来的2倍,能够有效应用于高分辨率图像的小目标检测任务。

基于改进YOLOv5s-face的Face5系列人脸检测算法

针对人脸检测中小尺度人脸和遮挡人脸的漏检问题,提出了一种基于改进YOLOv5s-face(you only look once version 5 small-face)的Face5系列人脸检测算法Face5S(face5 small)和Face5M(face5 medium)。使用马赛克(mosaic)和图像混合(mixup)数据增强方法,提升算法在复杂场景下检测人脸的泛化性和稳定性;通过改进C3的网络结构和引入可变形卷积(DCNv2)降低算法的参数量,提高算法提取特征的灵活性;通过引入特征的内容感知重组上采样算子(CARAFE),提高多尺度人脸的检测性能;引入损失函数WIoUV3(wise intersection over union version 3),提升算法的小尺度人脸检测性能。实验结果表明,在WIDER FACE验证集上,相较于YOLOv5s-face算法,Face5S算法的平均mAP@0.5提升了1.03%;相较于先进的人脸检测算法ASFD-D3(automatic and scalable face detector-D3)和TinaFace,Face5M算法的平均mAP@0.5分别提升了1.07%和2.11%,提出的Face5系列算法能够有效提升算法对小尺度和部分遮挡人脸的检测性能,同时具有实时性。

面向无人机图像场景的小目标检测模型

无人机因其飞行高度和拍摄角度的独特性,采集的遥感图像中存在大量小目标。小目标物体像素小、语义信息少,容易受背景信息干扰和出现聚集遮挡,是当前检测模型性能不佳的主要原因之一。提出一种面向小目标的无人机图像目标检测模型UAIDet(unmanned aerial vehicles images detector),从解决信息冲突和检测框回归难入手,提升模型的检测性能。其一,构建自适应的通道融合模块,在特征融合阶段动态学习通道权重以过滤不同尺度特征之间的信息冲突,抑制特征融合时的尺度不一致性,提高小目标物体的检测能力;其二,设计误差敏感定位损失函数,在小目标物体检测框的收敛阶段提出偏移敏感损失项以解决小目标对几何误差的敏感性,提高定位损失函数的鲁棒性,优化小目标物体的检测精度。在数据集Visdrone2022上对文章方法进行实验,mAP(means average precision)和AP50(average precision at IOU threshold 50%)分别达到了22.0%和37.1%,相较于基准模型分别提高3和4.7个百分点。TinyPerson数据集上的mAP和AP50为9.9%和29.1%,分别提高了4.29和4.2个百分点,证明UAIDet模型的有效性和鲁棒性。