Zr^(4+)-V^(5+)联合取代对高介电常数石榴石铁氧体性能的影响

采用传统氧化物陶瓷工艺制备高介电常数、中等饱和磁化强度(4πM_(s))钇铁石榴石铁氧体Bi_(1.2)Y_(1.8-3x)Ca_(3x)Zr_(x)V_(x)Fe_(5-2x)O_(12)(x=0.410~0.455),研究不同烧结温度下Zr^(4+)-V^(5+)联合取代量对材料微观形貌、介电常数(ε′)和磁性能的影响。结果表明,965~985℃烧结样品均为纯石榴石相,随着取代量x的增加,965℃和975℃烧结样品的气孔率(P)先下降后上升,x=0.455时,气孔率最低;985℃烧结时,样品气孔率随x增大呈上升趋势;非磁性的Zr^(4+)-V^(5+)离子进入a、d亚晶格,使得4πM_(s)和磁晶各向异性常数(K_(1))逐渐下降,且Zr^(4+)-V^(5+)取代能促进晶粒生长,显著降低铁磁共振线宽(ΔH),但会引起介电常数下降。

基于改进YOLO v5的复杂环境下桑树枝干识别定位方法

为实现复杂自然环境下对桑树嫩叶处枝干的识别检测,改变当前桑叶采摘设备作业过程中依赖人工辅助定位的现状,解决识别目标姿态多样和环境复杂导致的低识别率问题,提出一种基于改进YOLO v5模型的桑树枝干识别模型(YOLO v5-mulberry),并结合深度相机构建定位系统。首先,在YOLO v5的骨干网络中加入CBAM(Convolutional block attention module)注意力机制,提高神经网络对桑树枝干的关注度;并增加小目标层使模型可检测4像素×4像素的目标,提高了模型检测小目标的性能;同时使用GIoU损失函数替换原始网络中的IoU损失函数,有效防止了预测框和真实框尺寸较小时无法正确反映预测框及真实框之间位置关系的情况;随后,完成深度图和彩色图的像素对齐,通过坐标系转换获取桑树枝干三维坐标。试验结果表明:YOLO v5-mulberry检测模型的平均精度均值为94.2%,较原模型提高16.9个百分点,置信度也提高12.1%;模型室外检测时应检测目标数53,实际检测目标数为48,检测率为90.57%;桑树嫩叶处枝干三维坐标识别定位系统的定位误差为(9.4985 mm,11.285 mm,19.11 mm),满足使用要求。该研究可实现桑树嫩叶处枝干的识别与定位,有助于推动桑叶智能化采摘机器人研究。

基于YOLO v5的农田杂草识别轻量化方法研究

针对已有杂草识别模型对复杂农田环境下多种目标杂草的识别率低、模型内存占用量大、参数多、识别速度慢等问题,提出了基于YOLO v5的轻量化杂草识别方法。利用带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration, MSRCR)增强算法对部分图像数据进行预处理,提高边缘细节模糊的图像清晰度,降低图像中的阴影干扰。使用轻量级网络PP-LCNet重置了识别模型中的特征提取网络,减少模型参数量。采用Ghost卷积模块轻量化特征融合网络,进一步降低计算量。为了弥补轻量化造成的模型性能损耗,在特征融合网络末端添加基于标准化的注意力模块(Normalization-based attention module, NAM),增强模型对杂草和玉米幼苗的特征提取能力。此外,通过优化主干网络注意力机制的激活函数来提高模型的非线性拟合能力。在自建数据集上进行实验,实验结果显示,与当前主流目标检测算法YOLO v5s以及成熟的轻量化目标检测算法MobileNet v3-YOLO v5s、ShuffleNet v2-YOLO v5s比较,轻量化后杂草识别模型内存占用量为6.23 MB,分别缩小54.5%、12%和18%;平均精度均值(Mean average precision, mAP)为97.8%,分别提高1.3、5.1、4.4个百分点。单幅图像检测时间为118.1 ms,达到了轻量化要求。在保持较高模型识别精度的同时大幅降低了模型复杂度,可为采用资源有限的移动端设备进行农田杂草识别提供技术支持。

基于YOLO v5的直播油菜激光间苗系统设计与试验

间苗是保证直播油菜增产的一项关键技术措施,为解决人工间苗劳动强度大、机械间苗不精确的问题,采用机器视觉的方式,基于深度学习算法YOLO v5平台,设计并搭建自动间苗装置。机器视觉系统评估幼苗种群的合理密植情况,间苗算法以间距和幼苗叶展为评估标准,实现控制幼苗间距和筛选优质苗的功能。选用遗传算法对间苗行进路径进行规划,相较于未规划路径可缩短最低为50%的行进距离,最终采用激光器高温烧除的方式完成间苗作业。选取油菜苗作为试验材料,间苗阈值α是划定幼苗最小间距的参数,设置不同的间苗阈值α进行试验。结果表明,间除苗的数量随着间苗阈值α的增加而增加,幼苗平均密度下降的同时种群分布趋于均匀,对间除苗的叶展长度分类统计,α为0~75 mm时,间除苗叶展长度全部在0~20 mm范围;α为75~200 mm时,间除苗叶展长度为0~40 mm,其中叶展长度为20~40 mm的最高占比约为76%;α为200~350 mm时,间除苗叶展长度在40 mm以上的幼苗开始增加,最高占比约为14%,间除苗叶展长度梯次分布证明了间苗算法具备筛选优质苗的性能。间苗执行阶段耗时占据间苗作业总耗时的90%以上,以激光走线参数L、激光器功率P、间苗距离阈值为试验因素,三因素三水平正交试验结果表明:选择合适的激光走线参数L能有效提高间苗死亡率、降低间苗误伤率和减少间苗耗时,在参数L为30 mm、P为7.5 W、α为250 mm下开展土槽台架性能验证试验,激光间苗平均死亡率为93.29%,平均误伤率为5.19%,平均总耗时为15.19 min,为开发基于机器视觉的激光自动间苗机提供了理论基础和技术支撑。

基于改进YOLO v5的复杂环境下花椒簇识别与定位方法

花椒树产果量大,枝干纵横交错,树叶茂密,给花椒的自动化采摘带来了困难。因此,本文设计一种基于改进YOLO v5的复杂环境下花椒簇的快速识别与定位方法。通过在主干提取网络CSPDarknet的CSPLayer层和Neck的上采样之后增加高效通道注意力ECA(Efficient channel attention)来简化CSPLayer层的计算量,提升了特征提取能力。同时在下采样层增加协同注意力机制CA(Coordinate attention),减少下采样过程中信息的损失,强化特征空间信息,配合热力图(Grad-CAM)和点云深度图,来完成花椒簇的空间定位。测试结果表明,与原YOLO v5相比较,改进的网络将残差计算减少至1次,保证了模型轻量化,提升了效率。同帧数区间下,改进后的网络精度为96.27%,对比3个同类特征提取网络YOLO v5、YOLO v5-tiny、Faster R-CNN,改进后网络精确度P分别提升5.37、3.35、15.37个百分点,连株花椒簇的分离识别能力也有较大提升。实验结果表明,自然环境下系统平均识别率为81.60%、漏检率为18.39%,能够满足花椒簇识别要求,为移动端部署创造了条件。

基于注意力机制的轻量化YOLO v5s蓝莓检测算法

为实现自然环境下蓝莓的精确快速检测,在YOLO v5s的基础上提出了一种结合轻量级网络和注意力机制的改进算法。首先,在主干网络和检测头的位置去除了最大目标检测层的结构,因而降低模型的参数量,增强模型对小目标的检测能力。其次,将MHSA(Multi‐head self‐attention,多头自注意力)替换了SPPF(Spatial pyramid pooling‐fast,快速空间金字塔池化)前面的C3模块,使模型学习到更全面的特征表示,增强模型对蓝莓图像中复杂空间关系和上下文信息的理解能力。最后,在C3模块中加入了S-PSA(Sequential polarized self‐attention,顺序极化自注意力),以便模型能够更好地捕捉特征图中相邻区域之间的上下文依赖关系。结果表明,改进后的YOLO v5s算法对成熟、半成熟和未成熟蓝莓的检测精度分别提升1.2、4.4、2.6百分点,平均精度提升2.7百分点,模型参数量减少76.0%。与当前主流轻量化目标检测模型相比,改进后的模型性能更加优越,能为自然环境下蓝莓采摘机器人视觉系统提供一种有效的方案。

基于改进YOLO v5的复杂环境下柑橘目标精准检测与定位方法

针对自然环境下柑橘果实机械化采收作业环境复杂和果实状态多样等情况,提出了一种多通道信息融合网络——YOLO v5-citrus,以解决柑橘果实识别精准度低、果实分类模糊和定位精准度低等难题。将不同的柑橘目标通过不同遮挡条件分为“可采摘”和“难采摘”两类,这种分类策略可指导机器人在真实果园中顺序摘取,提高采摘效率并减少机器人本体和末端执行器损坏率。YOLO v5-citrus中,在颈部网络插入多通道信息融合模块,对柑橘的深浅特征信息进行处理,提高柑橘采摘状态识别精度,同时修改颈部网络拼接方法,针对目标柑橘大小进行识别,训练后在识别部分嵌入聚类算法模块,将训练部分识别模糊的柑橘目标进行最后区分。识别后进行深度图像和彩色图像的像素对齐,并通过坐标系转换获取柑橘目标三维坐标。在使用多种增强技术处理的数据集中,YOLO v5-citrus比原始YOLO v5在平均精度均值和精确率上分别提高2.8个百分点与3.7个百分点,表现出更优异的泛化能力。与YOLO v7和YOLO v8等其他主流网络架构相比较,保持了更高的检测精度和更快的检测速度。通过真实果园的检测与定位试验,得到柑橘目标的三维坐标识别定位系统的定位误差为(1.97 mm,0.36 mm,9.63 mm),满足末端执行器的抓取条件。试验结果表明,该模型具有较强的鲁棒性,满足复杂环境下柑橘状态识别要求,可为柑橘园机械采收设备提供技术支持。

V^(5+)物种对钒磷氧化物催化性能的影响

采用有机相法制备钒磷氧化物催化剂,通过空气或氧气气氛中不同时间的原位预处理以系统调变样品中V5+物种的含量及其状态,并考察对催化正丁烷选择氧化制马来酐的反应性能的影响。理化表征手段的结果表明,空气或氧气预处理改变了V物种的价态及V5+/V4+的相对含量,但对催化剂的比表面积和表面P/V比没有显著影响。表面V5+/V4+的合适比例及相应的结构状态可能在V5+-V4+物种之间产生较好的协同作用,从而获得较为理想的催化反应性能。

V^(5+)掺杂含钛高炉渣光催化抗菌材料的制备及抗菌性能研究

采用高温固相法制备了V5+掺杂含钛高炉渣光催化抗菌材料。以大肠埃希氏菌、金黄色葡萄球菌、白色念珠菌、腊样杆菌为实验菌种,以普通日光灯为光源,考察了菌种、掺杂量等因素对材料抗菌性能的影响。并采用XRD、SEM等方法对材料进行表征。结果表明:V5+掺杂含钛高炉渣光催化抗菌材料对白色念珠菌抗菌性能较好,并随掺杂量增大抗菌性能增强;用琼脂稀释法测得M IC为wV2O5=2.5%;抗菌材料经生理盐水和无水乙醇洗涤后重复利用其抗菌性能略有下降。

基于改进YOLO v5算法的道路小目标检测

为解决交通道路小目标检测难度大、精度低,容易出现错检漏检的问题,提出一种基于YOLO v5(you only look once v5)算法的多尺度特征融合目标检测改进算法。首先,增加小目标检测头用于适应小目标尺寸,缓解漏检情况。然后,引入可变形卷积网络v2(deformable convolutional networks V2,DCN V2)提高模型对运动中小目标的学习能力;同时,增加上下文增强模块,提升对远距离小目标的识别能力。最后,在替换损失函数、提高边界框定位精度的同时,使用空间金字塔池化和上下文空间金字塔卷积分组模块,提高网络的感受野和特征表达能力。实验结果表明,所提算法在KITTI数据集小目标类别上平均识别精度达到了95.2%,相较于原始YOLO v5,算法总体平均识别精度提升了2.7%,对小目标的检测效果更佳,平均识别精度提升了3.1%,证明所提算法在道路小目标检测方面的有效性。

基于RT-YOLO-V5的芯片外观缺陷检测

针对传统的人工芯片检测方法效率低、过分依赖人为操作且误检率高等产生的问题,提出了一种基于ResCBS模块与增加微检测层(Tiny-scale detection layer)的RT-YOLO-V5检测方法用于检测芯片外观缺陷。首先搭建了图像采集系统,并制作了芯片外观缺陷检测数据集。为解决芯片外观缺陷形状不规则、大小不统一、位置不确定带来的检测精度低等问题,在CBS模块中增加短连接,融合输入输出的特征信息,减少信息损失,优化推理速度;其次,增加一个微小尺度的检测层,提高模型对微小目标的特征提取能力。实验结果表明:使用改进后的网络对芯片外观缺陷进行检测,平均精度(mAP)达到95.5%,相对于原始网络提升了5.7%;除此之外,改进后的RT-YOLO-V5在先验框损失(Box_loss)与小目标缺陷的检测精度上都得到了一定的提升。

V^(5+),Ag^+共掺杂纳米TiO_2降解甲基橙

利用溶胶-凝胶法制备V5,+Ag+共掺杂的纳米TiO2,讨论其对甲基橙的降解作用。研究表明:催化剂的最佳煅烧温度为550℃;掺杂摩尔分数x(V5+)=0.03%、x(Ag+)=0.06%的纳米TiO2对甲基橙降解效果最佳;该催化剂对甲基橙的降解率随时间的延长和投入量的增加呈线性增长,后逐渐达到最大值;pH值的减小对光催化降解甲基橙有明显的促进作用。

V^(5+)掺杂TiO_2纳米粉体制备及光催化性能

以钛酸四丁酯为原料,利用溶胶凝胶法制备V5+掺杂TiO2纳米粉体,采用正交实验考察掺杂量、浓硝酸量、冰醋酸量、煅烧温度等因素对其制备的影响,确定制备工艺最佳条件。通过XRD、TEM对掺杂纳米TiO2粉体进行表征。最佳工艺条件为:掺V5+量1%,冰醋酸0.8mL,浓硝酸0.1mL,煅烧温度400℃。此工艺条件下制备的颗粒粒径为12.75nm。V5+掺杂制备的TiO2纳米粉体具有较高的光催化活性,以甲基橙为降解物,最高降解率为73.43%。

水热法制备V^(5+)掺杂钼酸铋光催化剂及其性能研究

以硝酸铋和钼酸铵为反应原料,V2O5为掺杂源,采用水热法制备V5+掺杂钼酸铋光催化剂,并通过在可见光下光催化剂降解罗丹明B溶液,评价V5+掺杂对钼酸铋性能的影响。采用X射线衍射(XRD)、扫描电镜(SEM)、X射线光电子能谱仪(XPS)及光致发光(PL)表征手段来考察掺杂量对钼酸铋物相、晶貌尺寸、结晶度、光吸收性能、光生电子-空穴复合等的影响。结果表明,掺杂V5+未改变钼酸铋的片状形貌,但其片状尺寸明显变小且厚度变薄,光吸收性能增强,光生电子-空穴复合率下降;与纯钼酸铋相比,V5+掺杂能显著提高钼酸铋的光催化活性,在可见光光照50min后,1. 0%V5+掺杂的效果最好,对罗丹明B的脱色率可达73%,较之纯钼酸铋提高了21%。

基于改进YOLOv5的机床刀具识别方法

针对目前机床刀具分类应用较少、预处理复杂、目标检测适用范围小且识别精度不高的问题,提出基于改进的YOLO v5机床刀具图像识别算法,利用卷积神经网络在特征提取层加入CBAM注意力模块,可以更清晰地提取图像特征,在特征融合层加入CARAFE上采样模块,使刀具的表面特征恢复更好,可以减少特征融合时部分特征的丢失。实验结果表明,改进后的算法使机床刀具等小目标检测精度和检测速度明显提升,且改进后的模型平均精度为96.8%,比YOLO v4模型提高了14.96%,比YOLO v5模型提高了2%。本方法能对不同刀具进行识别,为工业制造中机械零件的识别提供了新的算法支持。

基于改进YOLO v5s和图像融合的笼养鸡死鸡检测方法研究

[目的]针对规模化养殖环境下死鸡巡检自动化程度低、人工巡检费时费力等问题,提出一种基于图像配准融合算法和改进YOLO v5s的死鸡检测方法。[方法]为提高死鸡目标特征的显著性,利用SURF算法结合RANSAC算法实现热红外与可见光图像的特征点匹配,采用仿射变换模型得到配准图像,使用小波变换实现图像的分解重构,从而得到最终的配准融合图像;为降低背景信息对死鸡目标检测的干扰,提升模型对鸡只遮挡情况的检测效果,以YOLO v5s目标检测算法为基础,通过加入SE注意力模块,将CIoU_Loss和DIoU_NMS运用于原模型,构成改进后的YOLO v5s-SE模型。[结果]配准融合后的图像与源图像的相关系数平均值达到0.86,体现了良好的配准融合效果;模型在融合图像上的检测准确率以及平均精度均值均高于可见光图像和红外图像,改进后的YOLO v5s-SE相较于原始YOLO v5s在融合数据集上的检测准确率提升了3.3%,达到97.7%。[结论]改进后的YOLO v5s-SE在保证应有检测速度的同时提升了目标检测的精度,可满足实际生产中死鸡实时检测的需求。

基于改进YOLO v5的皮蛋裂纹在线检测方法

为了解决裂纹皮蛋分选中存在的效率低、人力成本高等问题,提出了一种基于改进YOLO v5的皮蛋裂纹在线检测方法。使用EfficientViT网络替换主干特征提取网络,并采用迁移学习对网络进行训练,分别得到YOLO v5n_EfficientViTb0和YOLO v5s_EfficientViTb1两个模型。YOLO v5n_EfficientViTb0为轻量化模型,相较于改进前参数量减少14.8%,浮点数计算量减少26.8%;YOLO v5s_EfficientViTb1为高精度检测模型,平均精度均值为87.8%。采用GradCAM++对模型可视化分析,得出改进模型减少了对背景区域的关注度,证明了改进模型的有效性。设计了视频帧的目标框匹配算法,实现了视频中皮蛋的目标追踪,依据皮蛋的检测序列实现了对皮蛋的定位和裂纹与否的判别。轻量化模型的判别准确率为92.0%,高精度模型的判别准确率为94.3%。研究结果表明,改进得到的轻量化模型为运算能力较差的皮蛋裂纹在线检测装备提供了解决方案,改进得到的高精度模型为生产要求更高的皮蛋裂纹在线检测装备提供了技术支持。

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。

基于YOLO v5+DeepSORT算法的羊群游走同步群体决策行为研究

随着畜牧养殖智能化监控技术的产业化应用,进一步提升畜禽养殖的分类施策精细化管理,成为现代畜牧业精细高效养殖管理的新需求。采用固定机位、多角度视频采集技术,实时记录羊群牧食过程中的游走行为;针对羊群游走视频中易出现遮挡的复杂情况,设计了基于YOLO v5模型的羊群多目标检测模型,羊群游走过程中的多目标实时跟踪识别率可达90.63%;采用羊群游走多目标轨迹跟踪DeepSORT算法,通过提取羊目标的深度表观特征,计算出羊群游走轨迹和变化节拍规律。结果表明,羊的游走过程通常为慢走、快走和疾走3种方式,单只羊的游走过程通常是不固定的随机组合。在中大规模羊群中,由于亲缘关系结构的复杂性,羊群往往分化为多个小群体,这使得从整体上观察和分析羊群行为变得异常困难。为此,聚焦于小规模羊群进行研究,通过羊群散列、聚集和同步3个游走过程分析,初步验证了羊群游走节拍周期上的同步现象。

基于YOLO V5的海榄雌瘤斑螟智能识别与预警

海榄雌瘤斑螟Ptyomaxia syntaractis,红树植物白骨壤Avicennia marina最重要害虫,严重影响白骨壤生长和生态功能的发挥。为高效监测海榄雌瘤斑螟的种群发生动态,实时获得预警信息,本研究通过引入目标检测算法YOLO V5进行深度学习,对监测设备上的海榄雌瘤斑螟进行识别与计数,实时发布种群数量。采用黑光灯诱捕装置获取海榄雌瘤斑螟成虫图像,构建两种不同图像大小的数据集,采用旋转、增噪等方式增强图像数据集;对比了不同训练模型对采集图像的检测性能和不同图像大小对数据集识别结果的影响,用精确率、召回率、F1值、平均精度评估各模型的差异。测试结果表明,模型YOLO V5s对海榄雌瘤斑螟识别的精确率、召回率和F1值分别为96.13%、92.06%和0.93,并且能够很好的识别原始尺寸的图像。基于YOLO V5网络模型设计的海榄雌瘤斑螟识别计数模型识别准确率高,可满足海榄雌瘤斑螟种群监测与预警。