基于改进YOLO v8模型的烟草食叶性害虫识别

烟青虫、斜纹夜蛾、斑须蝽和甜菜夜蛾是烟草上重要的食叶性害虫,它们的准确识别是虫情预报和防治的基础。提出了基于改进的YOLO v8模型的烟青虫、斜纹夜蛾、斑须蝽和甜菜夜蛾的识别方法,首先在YOLO v8的C2f模块中加入了EMA注意力机制,提高了YOLO v8模型对于烟草害虫的关注度;其次使用SIoU Loss改进YOLO v8的边界框损失函数,提高模型定位的准确性并加速模型收敛;最后利用AFPN渐近特征金字塔网络改进了YOLO v8对非相邻特征的融合效果,提高了模型对烟草害虫特征提取的效率和准确率。与Faster R-CNN、SSD、Retinanet、YOLO v3-tiny、YOLO v4-tiny、YOLO v5s和YOLO v8等目标检测模型在本研究所构建的4种常见烟草害虫的数据集上进行对比,试验结果表明,本研究所提出的方法在精确率、召回率和平均精度均值(mAP)上比原有的YOLO v8模型及上述其他目标检测模型平均提高了6.24、6.53、7.22百分点,为烟草害虫的精准识别提供了技术支持。

基于YOLO v5s改进模型的玉米作物病虫害检测方法

针对玉米作物病虫害目标检测中由于图像背景复杂、无关因素干扰较多而导致的对病虫害目标检测效果不理想等问题,采用深度学习技术,提出一种基于YOLO v5s改进模型的玉米作物病虫害检测方法。该方法通过引入无参SimAM注意力机制对YOLO v5s模型进行改进,利用该机制能更全面地评估模型特征权重,以增强玉米病虫害的特征,削弱复杂背景和无关信息的干扰,从而提高模型的检测性能。同时,将模型的损失函数由CIOU替换为EIOU,可使病虫害预测框更加接近真实框,以提升模型检测的准确率。通过自建的玉米病虫害数据集对模型进行试验对比,结果表明,YOLO v5s(EIOU+SimAM)改进模型的精确率为94.6%,召回率为83.4%,平均精度均值为90.1%。经比较发现,改进模型比原始模型在上述3个指标方面分别提升了5.4、0.5、1.9百分点,说明YOLO v5s(EIOU+SimAM)模型对玉米病虫害检测具有较强的鲁棒性和泛化性。

民机航电系统的改进型V字开发模型及效能分析

从民机航电系统的基本特点出发,分析了瀑布式开发模型、螺旋式开发模型和V字开发模型的基本思想、主要形式和优缺点,提出了改进的V字开发模型,并进行工作量仿真分析,说明其有效性。

基于TEmb的嵌入式软件测试V模型研究

在分析传统软件测试方法的基础上,针对传统的V模型在测试过程中各阶段相对独立的缺陷,提出改进回归测试和增强各测试阶段间并行性的方案;利用TEmb(Testing Embedded software)这种特定的嵌入式系统的结构化测试方法,将TEmb通用元素与改进V模型各阶段相结合,提出了一种较通用的嵌入式软件测试方法。

嵌入式软件测试V模型的研究

软件测试是软件质量保证的一个重要环节,对于更为复杂的嵌入式软件测试而言,更需要一个阶段清晰控制好的开发测试模型。文章在分析讨论了已有的模型的基础上,进一步挖掘测试活动之间的并行性,尝试提出一种改进的V模型,该模型将软件测试贯穿软件开发周期的各个阶段,可以尽可能早的发现软件中的错误,同时结合实际的小型软件开发项目——GPRS扩展板通信实验,证明了该模型的正确性和有效性。

基于TEmb和V模型的嵌入式软件测试方案

本文主要针对嵌入式软件测试的特点,通过对传统模型V模型的分析,找出V模型的不足,并对其改进。利用TEmb(Testing Embedded software)方法的思想与改进的V模型相结合提出了一种通用的嵌入式软件测试方法。

基于机器视觉的带式输送机落料口堆煤检测

针对带式输送机落料口堆煤检测存在准确性、实时性和可靠性差的问题,提出一种基于机器视觉的带式输送机落料口堆煤检测方法,利用工业相机采集落料口图像,通过以太网传输给堆煤检测器,堆煤检测器利用堆煤检测算法对图像进行处理与分析,实现堆煤检测,并通过以太网将检测结果传输给上位机。改进了ShuffleNetV2网络模型,用空洞卷积替代模型中的标准卷积,在不增加计算量的前提下增大感受野,在基本单元中增加了高效通道注意力模块ECA,提高特征提取能力。提出了改进ShuffleNetV2网络模型的堆煤检测算法,利用暗通道的图像去雾增强算法对采集的图像进行去雾和增强处理,构建了落料口图像数据集,利用该数据集训练改进ShuffleNetV2网络模型,再利用训练好的网络模型进行堆煤检测。采用Cortex-A57架构4核JetsonNano开发板设计了堆煤检测器的硬件和软件。研究结果表明:该方法能够实现带式输送机落料口堆煤的实时检测,准确率达到98.34%,图像处理速度为23帧/s。

基于机器视觉的啤酒金属盖表面缺陷检测方法

目的为了提高啤酒金属盖表面缺陷检测的精度和准确率,提出一种基于机器视觉的金属盖表面缺陷检测方法。方法以不同类型的啤酒金属盖表面缺陷为研究对象,利用滤波抑噪和高反差保留算法对图像进行处理,运用YOLO–v5网络完成瓶盖的缺陷检测。通过添加注意力机制SE模块、改进模型损失函数和预测框筛选方式等技术手段对原YOLO–v5模型作出优化,抑制图像中的不重要特征,提升小目标检测的准确率和模型的特征提取能力。结果改进后的YOLO–v5模型与常用的检测模型的对比结果表明,改进YOLO–v5模型在测试集上的mPA指标为93.10%,检测速度达到了294张/min,优势较为明显。结论针对不同类型的金属盖表面缺陷,基于机器视觉的检测模型均有较高的检测精度和识别准确率,小目标缺陷的漏检率和误检率情况较少,满足生产线实时、高精度的检测要求。