基于LMIENet图像增强的矿井下低光环境目标检测方法

煤矿井下工作环境复杂,存在人造光源亮度低、粉尘多和水气密度大等不利因素,导致现有的目标检测算法在应用到煤矿井下时,存在提取特征困难、目标识别和定位精度低等问题。提出一种煤矿井下低照度环境目标检测算法,由矿井低光图像增强模块LMIENet和目标检测模块组成,使用图像增强模块对原始图像进行画质提升,恢复各类图像信息,再使用目标检测网络对增强图像进行特定目标检测,有效提高检测的精确度。在图像增强模块中,改进Zero-DCE算法设计轻量级增强参数预测网络,计算像素级增强参数矩阵,用于低光照图像的亮度调整和画质增强,该网络通过设计的非参考损失函数隐性衡量图像的增强效果,引导网络进行无监督学习,使网络能够不依赖配对数据集对原始图像进行自适应的画质增强。目标检测模块中,采用YOLO v8n目标检测模型,其轻量化的模型尺寸和高灵活性可避免模型整体复杂度过高;采用Focal-EIoU Loss改进回归损失函数,有效加速模型收敛并提升模型检测精度。实验结果显示:与经典目标检测算法Faster R–CNN,SSD,RetinaNet,FCOS等相比,提出算法在自建矿井人员数据集上表现出色,低光照环境下目标检测的mAP@0.5达到98.0%,mAP@0.5∶0.95达64.8%,在实验环境中单帧图像推理时间仅11 ms,优于其他对比方法,证明提出算法能够有效实现在煤矿井下低照度复杂环境下的目标检测,且耗时短、计算效率高。

边缘信息增强的显著性目标检测网络

针对显著性目标检测任务中识别结果边缘模糊的问题,提出了一种能够充分利用边缘信息增强边缘像素置信度的新模型。该网络主要有两个创新点:设计三重注意力模块,利用预测图的特点直接生成前景、背景和边缘注意力,并且生成注意力权重的过程不增加任何参数;设计边缘预测模块,在分辨率较高的网络浅层进行有监督的边缘预测,并与网络深层的显著图预测融合,细化了边缘。在6种常用公开数据集上用定性和定量的方法评估了该模型,并且与其他模型进行充分对比,证明设计的新模型能够取得最优的效果。此外,该模型参数量为30.28 M,可以在GTX 1080 Ti显卡上达到31帧·s^(-1)的预测速度。

一种基于多尺度的目标检测锚点构造方法

目标检测是计算机视觉领域的研究热点和基础任务,其中基于锚点(Anchor)的目标检测已在众多领域得到广泛应用。当前锚点选取方法主要面临两个问题:基于特定数据集的先验取值尺寸固定、面对不同场景泛化能力弱。计算锚框的无监督K-means算法,受初始值影响较大,对目标尺寸较单一的数据集聚类产生的锚点差异较小,无法充分体现网络多尺度输出的特点。针对上述问题,本文提出一种基于多尺度的目标检测锚点构造方法(multi-scale-anchor,MSA),将聚类产生的锚点根据数据集本身的特性进行尺度的缩放和拉伸,优化的锚点即保留原数据集的特点也体现了模型多尺度的优势。另外,本方法应用在训练的预处理阶段,不增加模型推理时间。最后,选取单阶段主流算法YOLO(You Only Look Once),在多个不同场景的红外或工业场景数据集上进行丰富的实验。结果表明,多尺度锚点优化方法MSA能显著提高小样本场景的检测精度。

基于卷积神经网络的预制叠合板多目标智能化检测方法

在生产过程中,预制构件尺寸不合格问题将导致其在施工现场无法顺利安装,从而影响工期。为推进预制构件智能化生产的进程,以预制叠合板为例,基于卷积神经网络研究生产过程中的智能检测方法,在生产流水线上设计并安装图像采集系统,建立预制叠合板尺寸检测数据集。通过YOLOv5算法实现对混凝土底板、预埋PVC线盒及外伸钢筋的识别,并以固定磁盒作为基准参照物进行尺寸检测误差分析,实现混凝土底板尺寸、预埋PVC线盒坐标的检测,在降低训练数据集参数规模的工况下保持较高的识别精度。结果表明:该方法可以有效检测预制叠合板的底板数量和尺寸、预埋PVC线盒数量和坐标,并实现弯折方向不合格的外伸钢筋检测,并能降低人工成本,提高检测精度,加快检测速度,提高预制叠合板的出厂质量。

基于改进YOLOX与多级数据关联的行人多目标跟踪算法研究

目标跟踪是计算机视觉领域的基本问题,行人多目标跟踪在智能监控、智慧交通等多个领域有着广泛的应用前景。然而实际跟踪场景中存在频繁遮挡、尺度变化等情况,给多目标跟踪算法带来了极大的挑战。为了进一步提升跟踪精度,在DeepSORT的基础上,提出一种基于改进YOLOX与多级数据关联的行人多目标跟踪算法。对于检测器,为了增强网络的特征表达能力,提高检测精度,在YOLOX骨架网络与颈部网络分别引入ECA通道注意力模块与ASFF自适应特征融合模块。对于身份识别特征,为了减少数据关联步骤的错误匹配数量,提高跟踪效率,使用轻量的OSNet重识别网络与NSA卡尔曼滤波获取目标特征。对于数据关联,为了减少身份切换次数,避免目标丢失,将检测与跟踪都进行分类处理,使用不同的相似性计算方法,实现基于检测置信度与轨迹状态的多级数据关联。实验结果表明:与改进前YOLOX与DeepSORT简单结合的算法相比,在YOLOX中引入ECA模块与ASFF模块使误检数量大幅降低,使用YOLOX-s模型时降幅可达17%;结合OSNet模型与NSA卡尔曼滤波的特征提取方法能提高跟踪稳定性,IDF1指标提高0.77%,IDSW减少947;基于检测置信度与轨迹状态的多级数据关联算法可以明显改善跟踪性能,MOTA指标提升3.36%。算法最终在MOT17与MOT20测试集上的MOTA达80.4%与77.7%,IDF1达78.4%与76.7%。提出的行人多目标跟踪方法相较于其他先进算法在跟踪精度与跟踪速度上达到更好的平衡,可为工业上在线行人多目标跟踪应用提供参考。

改进YOLOv7的复杂道路场景目标检测算法

虽然基于深度学习的目标检测算法在道路场景中的目标检测方面已经取得了很好的效果,但是对于复杂道路场景中的密集目标,远处的小尺度目标检测精度低,容易出现漏检误检的问题,提出一种改进YOLOv7的复杂道路场景目标检测算法。增加小目标检测层,增加对小目标的特征学习能力;采用K-means++重聚类先验框,使得先验框更贴合目标,增加网络对目标的定位精度;采用WIoU(Wise-IoU)损失函数,增加网络对普通质量锚框的关注度,提高网络对目标的定位能力;在颈部和检测头引入协调坐标卷积(CoordConv),使网络能够更好地感受特征图中的位置信息;提出P-ELAN结构对骨干网络进行轻量化处理,降低算法参数量和运算量。实验结果表明,该改进算法在华为SODA10M数据集下的mAP达到64.8%,比原算法提高2.6个百分点,模型参数量和运算量分别降低12%和7%,达到检测精度和检测速度的平衡。

“双碳”目标驱动的能源化工类跨专业创新人才培养模式探索与实践

在“双碳”目标驱动下,大连理工大学针对能源化工类本科创新人才培养,确定了责任、知识和思政等“双碳”要素,重构了具有“双碳”要素的人才培养方案、课程体系和教学内容,围绕核心课程进行了教学方法改革,并初步建成了以产业链关联为特色的跨专业实验平台。以上改革不仅促进了能源化工类专业间的交叉融合和方向拓展,而且提高了学生解决复杂工程问题的能力,为高等工程教育适应“双碳”技术进步和能源化工行业发展提供了先进理念和有效路径。

基于改进YOLOv5的遥感图像目标检测

目前目标检测技术虽然已经趋于成熟,但是对遥感图像的检测仍存在不少挑战。针对遥感图像的背景复杂、目标尺度差异大、目标方向任意等特点造成目标检测精度低下的问题,提出一种基于改进YOLOv5的遥感图像目标检测算法。首先,构建一种联合注意力的多尺度特征增强网络,充分融合高低层特征,使特征层具有语义信息的同时包含丰富的细节信息,并在融合过程中利用设计的特征聚焦模块帮助模型选择关键特征,抑制无关信息。其次,使用感受野模块(RFB)对融合后的特征图进行更新,扩大特征图的感受野,减少特征信息损失。最后,对目标增加旋转角度,并采用圆形平滑标签将回归问题转化成分类问题,提高遥感目标定位的准确性。在用于航拍图像目标检测的大规模数据集(DOTA)上的实验结果表明,与YOLOv5算法相比,所提算法的交并比(Io U)为0.5和0.5~0.95时的平均精度均值(m AP@0.5和m AP@0.5∶0.95)分别提高了7.3和3.3个百分点,能够明显提高复杂背景下遥感图像目标的检测精度,并改善对遥感目标的漏检和误检情况。

雷达信号与遥感地图融合的深度学习低慢小目标检测算法

雷达复杂环境低慢小目标检测是一项具有挑战性的任务,而利用深度学习以及数据特征融合等方法是解决这一难题的有效手段。本文在雷达地图融合检测网络(Radar Map fusion Detection Network,RMDN)的基础上进行了优化,主要优化方向为将雷达与地图信息在检测过程中进行重要性程度区分,具体优化内容为减少地图特征提取模块的网络深度,加入通道注意力机制,让神经网络自主学习雷达信息与地图信息特征的权重,使神经网能够更好地利用地图信息对雷达目标进行辅助检测。在此优化基础上,本文重新设计出了雷达地图融合检测网络RMDN-V2。算法的主要思想为利用卫星遥感地图来提供背景环境信息,作为雷达信号检测的辅助,通过将目标背景中的特征信息融入检测决策中,提高目标检测的准确性和鲁棒性,减少对强杂波和移动物体的干扰敏感性,改善目标检测算法在复杂环境下的表现。最后的无人机雷达实测数据实验结果表明,本文所做的针对性优化是有效的,RMDN-V2的检测性能优于原始的RMDN,同时本文算法检测性能远超传统的雷达检测算法,同时也优于目前主流的一些深度学习雷达目标检测算法。本文为解决当下低慢小目标检测的难题提出了新的算法。

双碳目标下绿色金融碳减排效应的实证研究

绿色金融是实现绿色低碳发展战略的重要手段,研究绿色金融碳减排效应及其作用机制对实现“双碳”目标具有重要现实意义。利用2008—2020年省际面板数据,实证检验了绿色金融碳减排效应、作用机制和异质性。研究结果表明:无论是总维度还是分维度,绿色金融均具有显著的碳减排效应,其中绿色投资的碳减排效应最大,绿色证券次之,绿色信贷最小;绿色技术创新对绿色金融碳减排效应具有中介作用,环境规制与金融市场化均增强了绿色金融碳减排效果;东部组、科技发达组和高耗能组相对中西部组、科技欠发达组和低耗能组绿色金融碳减排效应更为明显。因此,进一步加大绿色金融产品创新,实现绿色金融资源高效配置,制定差异化绿色金融政策尤为重要。

体育课根本目标与根本内容的偏离与匡正

长久以来针对体育课根本目标、根本内容的讨论未能切实推进主要源于偏离传承知识与发展认知能力的轨道,执着于身体运动的手段论效用,遮蔽体育课根本内容。紧扣课程教育的属性,分析“内容”与“目标”的内涵认为:体育课的根本内容应立足于“游戏”,由身体运动文化要素构成;根本目标在于教师适时设定恰当的教学情境(方法、手段),干预学生的身体运动行为,帮助他们转变认知状态,将相关身体运动信息转化、融入身体,形成、发展运动认知能力。构建体育课根本目标与根本内容的意义体现为:明确体育课在“育人”方面无可替代,契合基础教育的基础性、一般性要求,兼顾国家(或社会)的需要、个人发展的需要、课程载体的属性,突出体育课的具身性特征。

基于深度学习的无锚框目标检测算法综述

近年来,基于深度学习的无锚框目标检测算法备受关注。为了深入理解无锚框检测算法,对比分析了基于深度学习的无锚框检测算法的原理机制、网络结构、核心特性以及优缺点,归纳总结了无锚框检测算法的核心技术,并在同一数据集上通过性能实验研究上述算法的性能,总结提出基于深度学习的目标检测算法未来的研究方向。

生态修复目标司法确认的类型化构造

生态环境修复目标决定了生态环境修复责任的配置程度。司法确认生态环境修复目标的实践中存在损害前状态和功能的适用不合理、可接受风险水平被基本弃用和具体指向笼统模糊等问题,其原因在于司法中恢复原状思维的影响难以消弭以及现实危害的规制被过度关注。司法应当将生态环境修复目标划分为基线水平、人体健康可接受风险水平和生态环境可接受风险水平,然后根据生态环境的特质确认适宜的修复目标。对于价值较高的生态环境应当将其修复到基线水平,对于价值特殊的生态环境,即便在经济不合理的情况下,也应当将其修复到基线水平。对于人类密切相关的受污染生态环境应当将其修复到人体健康可接受风险水平。当生态环境可接受风险水平较为宽松之时可以考虑将其作为修复目标进行适用。

基于改进YOLOv8的无人机航拍图像目标检测算法

针对现存无人机航拍图像目标检测算法检测精度较低、模型较为复杂的问题,提出一种改进YOLOv8的目标检测算法。在骨干网络引入多尺度注意力EMA,捕捉细节信息,以提高模型的特征提取能力;改进C2f模块,减小模型的计算量。提出了轻量级的Bi-YOLOv8特征金字塔网络结构改进YOLOv8的颈部,增强了模型多尺度特征融合能力,改善网络对小目标的检测精度。使用WIoU Loss优化原网络损失函数,引入一种动态非单调聚焦机制,提高模型的泛化能力。在无人机航拍数据集VisDrone2019上的实验表明,提出算法的mAP50为40.7%,较YOLOv8s提升了1.5%,参数量降低了42%,同时相比于其他先进的目标检测算法在精度和速度上均有提升,证明了改进算法的有效性和先进性。

基于集合经验模态分解和多目标遗传算法的火-多储系统调频功率双层优化

针对分布于区域电网不同网络节点的多座储能电站参与电网调频功率调度问题,该文提出一种基于集合经验模态分解(EEMD)和多目标遗传算法(MOGA)的火-多储系统调频功率双层优化策略。该策略包含火-储调频功率优化层和多储能电站调频功率优化层:上层计及火-储调配资源各自优势及剩余调频能力,构建火-储调频功率优化分配模型,完成火-储调频功率的分配;下层引入关于调频成本和荷电状态(SOC)的自适应权重系数,以调频成本最低和SOC均衡为优化目标,完成调频功率在多储能电站之间的分配。仿真结果表明,所提策略可以提升区域电网调频效果并降低调频成本,均衡控制多个储能电站的调频成本和SOC,可以防止经济性较好的储能电站长期处于SOC越限边缘状态,提升储能电站参与调频的积极性和可持续性。

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。

目标体温管理对体外心肺复苏患者神经功能结局和出院生存率影响的系统评价

目的系统评价目标体温管理对体外心肺复苏(extracorporeal cardiopulmonary resuscitation,ECPR)患者神经功能结局和出院生存率的影响。方法计算机检索PubMed、Cochrane Library、Elsevier、Web of Science、Ovid、中国知网、万方、SinoMed、中华医学期刊全文数据库中关于目标体温管理对ECPR患者结局指标影响的文献,检索时限均从建库至2023年6月1日。严格按照纳入排除标准进行筛选,提取资料,评价文献质量,采用RevMan 5.3软件对纳入研究进行Meta分析。结果共纳入8篇研究,包括3687例ECPR患者。与非目标体温管理组比较,目标体温管理未能显著改善患者神经功能结局(OR=1.37,95%CI 0.89~2.13,P=0.16)和出院生存率(OR=0.98,95%CI 0.82~1.15,P=0.77),且两组出血、下肢缺血、肾损伤和感染等ECMO相关并发症发生率差异无统计学意义(OR=1.24,95%CI 0.91~1.68,P=0.17)。结论目标体温管理对ECPR患者的神经结局和出院生存率无显著改善作用,但不会加重ECMO相关并发症的发生。

“双碳”目标下农业绿色发展的内涵、挑战及路径选择

“双碳”目标的提出赋予了农业绿色发展新内容、新要求,也带来了新挑战。分析不同发展阶段农业绿色发展的特征可以揭示农业绿色发展的现实基础。农业绿色发展与减排固碳存在理论和改革实践两方面的逻辑关联。“双碳”目标指明了农业绿色发展的重点领域;减排固碳和低碳转型是当前引领农业绿色发展的抓手;在相关重点领域更需注重低碳与绿色协同发展。“双碳”目标下的农业绿色发展面临多目标协同性不足、多主体治理格局未形成、低碳科技水平较低以及配套制度不完善等挑战,需将“双碳”目标下的农业绿色发展嵌入社会—生态系统,遵循问题导向原则,探索相应的转型路径。

高中化学实验教学的目标任务和方法路径

基于“科学探究与创新意识”核心素养及其学业质量要求,系统整体规划高中化学实验教学主要任务目标。一是实验基本知识技能掌握目标,可通过建构基础实验认知模型和强化模型应用教学予以达成;二是有关思想观念思维方法形成目标,可通过加强实验探究促进学科理解融合教学予以实现;三是关键能力素养发展目标,可通过变革实验活动形式、设计实验组织逻辑和开展主题综合实验予以发展。

“双碳”目标下数字化转型与企业ESG责任表现:影响效应与作用机制

数字化转型赋予企业经济绩效与非经济绩效增长新的驱动力,但其能否进一步改善企业在环境、社会与治理方面的表现,助推“双碳”目标实现?以2012—2021年华证ESG评分披露的2 909家A股上市公司为样本,实证检验数字化转型对企业ESG责任表现的影响及作用机制,结果发现:第一,数字化转型可以改善企业ESG责任表现,尤其可以提升其在环境与社会责任两方面表现,且云计算技术对企业ESG责任表现的贡献最为突出。经过一系列稳健性检验后,上述结论仍然成立。第二,机制检验表明,数字化转型能够促进企业财务绩效提升并降低企业风险水平,进而促进企业绿色技术创新,故有助于提升企业ESG责任表现。第三,数字化转型对企业ESG责任表现的影响存在异质性,国有企业、成熟期企业与重污染企业ESG责任表现对数字化转型更为敏感。结论基于数字化视角可为企业绿色高质量发展提供新思路、新方法,从而为实现“双碳”目标与经济目标提供启示。