基于MobileNetV3Small-ECA的水稻病害轻量级识别研究

为实现水稻病害的轻量化识别与检测,使用ECA注意力机制改进MobileNetV3Small模型,并使用共享参数迁移学习对水稻病害进行智能化轻量级识别和检测。在PlantVillage数据集上进行预训练,将预训练得到的共享参数迁移到对水稻病害识别模型上微调优化。在开源水稻病害数据集上进行试验测试,试验结果表明,在非迁移学习下,识别准确率达到97.47%,在迁移学习下识别准确率达到99.92%,同时参数量减少26.69%。其次,通过Grad-CAM进行可视化,本文方法与其他注意力机制CBAM和SENET相比,ECA模块生成的结果与图像中病斑的位置和颜色更加一致,表明网络可以更好地聚焦水稻病害的特征,并且通过可视化和各水稻病害分析了误分类原因。本文方法实现了水稻病害识别模型的轻量化,使其能够在移动设备等资源受限的场景中部署,达到快速、高效、便携的目的。同时开发了基于Android的水稻病害识别系统,方便于在边缘端进行水稻病害识别分析。

α-细辛醚上调细胞色素C及Caspase-3表达影响食管癌Eca-109细胞的生物学行为

目的:分析α-细辛醚上调细胞色素C(cytochrome C,cytC)及Caspase-3表达对食管癌Eca-109细胞生物学行为的影响。方法:将食管癌Eca-109细胞随机等量分为4组,即低、中及高剂量(分别给予25、50及100 mg/L的α-细辛醚),另随机取等量细胞加入等体积培养液作为空白组,培养48 h后通过平板克隆实验检测4组细胞增殖情况,Annexin V/PI法检测细胞凋亡情况,RT-qPCR及Western Blot法检测细胞中cytC及Caspase-3 mRNA及蛋白表达。结果:(1)细胞克隆数在空白组最高,低剂量组显著高于高剂量组;凋亡率在空白组最低,低剂量组显著低于高剂量组。(2)4组细胞迁移至小室下的细胞数空白组>低剂量组>中剂量组>高剂量组。(3)CytC及Caspase-3蛋白在高剂量组表达显著高于空白组及低剂量组,且中剂量组表达高于空白组。(4)CytC及Caspase-3 mRNA的表达:高剂量组>中剂量组>低剂量组>空白组,差异均有统计学意义(均P<0.05)。结论:α-细辛醚抑制Eca-109细胞增殖及侵袭,并且可能通过上调cytC及Caspase-3表达促进调亡。

融合ECA注意力层和轻量正则化的多视图三维重建

为了有效解决多视图三维重建中的边缘缺失、网络内存消耗严重、重建精度低的问题,对基于深度学习的多视图三维重建网络的特征提取、正则化网络、损失函数、优化器等进行研究。首先,使用融合ECA注意力层的特征提取网络,提高网络对通道特征信息的关注;然后,在门控循环单元模块中加入卷积层,改进的门控循环单元组合成GC正则化网络,采用此网络对代价体进行正则化,降低网络的计算量;最后,使用SmoothL1损失函数和Adam优化器,提高模型训练后期的收敛精度,优化模型的损失和参数。在DTU公开数据集上训练和测试,提出的融合注意力机制和轻量正则化的多视图三维重建网络(EGF-MVSNet)相比于经典的MVSNet网络完整性上提高了22.1,模型总体评分提高了11.5%。能够实现物体的重建,显著提高重建结果的质量,降低网络对内存的消耗。

基于ECA和BiFPN改进YOLOv5s的PCB缺陷检测

针对常规的PCB缺陷检测算法存在精度不高、缺陷定位不准确等问题,提出一种基于ECA和BiFPN改进YOLOv5s的PCB缺陷检测方法。首先,在主干网络的C3中引入ECA注意力机制,使模型更加关注小目标的特征信息,保证模型检测效果;其次,引入加权双向特征金字塔网络(bidirectional feature pyramid network, BiFPN),让模型能够更快速地开展多尺度特征融合;最后,使用SIoU Loss替换CIoU Loss,进一步提升模型的稳定性。以同一PCB数据集为实验对象,实验结果表明,改进后的模型mAP达到了98.1%,相较于原模型,FPS提高了4.68,在检测的精度和速度上均有提升,满足PCB缺陷的实际检测要求。

融合ECA的多分支多损失行人重识别

针对现有行人特征提取方法的不足,提出了一种融合ECA的多分支多损失行人重识别方法.首先,将轻量级ECA注意力模块嵌入到骨干网络ResNet50中,以增强显著特征,抑制无关特征.其次,设计了一个多分支网络结构分别提取行人的全局特征和局部特征,针对不同的特征采取不同的多池化特征提取方式,增强网络的特征提取能力.最后,联合三种损失函数对模型进行训练,并采用BNNeck进行优化,从而提高模型的鲁棒性.在Market1501和DukeMTMC-reID数据集上的实验表明,所提方法具有较好的效果,在识别精度上也优于较多的经典算法.

噪声背景下的MSECAE轴承故障诊断方法研究

针对传统基于深度学习的故障诊断方法存在特征提取尺度单一、抗噪声能力差的问题,提出一种多尺度卷积自编码器融合高效通道注意力机制的方法(MSECAE)用于轴承故障诊断。首先,使用傅里叶变换对原始数据进行归一化处理,将原始的一维振动信号转换到频域进行表示,有利于模型进行提取特征。其次,构造MSECAE结构,利用多尺度卷积(MSCNN)提取原始信息中的多尺度特征,使用高效通道注意力机制(ECA)动态选择卷积核大小,根据各个通道中特征的重要程度赋予不同的权重。最后通过卷积解码器对融合后的信息进行特征重构,利用Softmax分类器进行故障类别分类。为了验证所提模型的性能,使用2种不同采样频率下的数据集在4种不同噪声条件下进行多次实验,并和其他模型进行对比。实验结果表明,所提模型与其他模型相比,分类精度达到99%以上,具有更好的泛化能力和更强的鲁棒性。

对映-贝壳杉烷型二萜化合物Pseurata H对人食道癌ECA-109细胞生长的影响

为了研究对映-贝壳杉烷型二萜化合物Pseurata H对人食道癌ECA-109细胞的增殖抑制和诱导凋亡的作用,利用倒置显微镜观察法和CCK-8检测Pseurata H对ECA-109细胞生长的影响;利用考马斯亮蓝染色法和吖啶橙/溴化乙啶(AO/EB)双染法检测药物对细胞的张力纤维损伤和细胞核形态的影响.结果显示,用浓度分别为3.125μmol/L、6.25μmol/L、12.5μmol/L、25μmol/L的Pseurata H作用ECA-109细胞24 h后,ECA-109细胞生长均受到抑制,Pseurata H对ECA-109细胞的半抑制浓度值(IC 50)为3.22μmol/L,当浓度6.25μmol/L的药物作用细胞24 h后,细胞数量减少、形态开始变圆脱落、微丝减少且核仁凝结,随着浓度增加,现象越明显.由此可见,二萜化合物Pseurata H在体外能抑制食道癌ECA-109细胞生长,具有时间-剂量依赖效应.

基于高效通道注意力模块(ECA)和YOLOv5的图像检测方法研究

佩戴安全帽是人们在施工建设中的一项重要保护措施,它可以有效保障人们的生命财产安全。安全帽检测系统也已经成为了很多施工场所的必备的基础设施,为了改善YOLOv5不能通过权重进行聚焦,从而生成有明显辨识度的特征,进而影响安全帽检测准确度的问题,我们在YOLOv5中引入了注意力模块,保证了卷积过程中的特征提取,并且使得图像得到优化,提升了安全帽检测结果的准确性和模型性能。并且我们对比了原YOLOv5、添加了ECA(Efficient Channel Attention)高效通道注意力模块、添加了SEA(Squeeze-andExcitation attention)注意力模块和添加了压缩激励SEL(Squeeze and Excitation Layer)注意力模块的精确率P/%、召回率R/%、mAP@0.5和mAP@0.5:0.95,实验结果表明添加了ECA(Efficient Channel Attention)通道注意力模块的ECA-Yolov5算法相较于原YOLOv5算法P/%、R/%、mAP@0.5、mAP@0.5:0.95分别提升了0.5、0.6、0.5、0.2。由此结果表明引入高效通道注意力模块(ECA)的YOLOv5安全帽识别算法更有能力进行安全施工的检测,提升了施工的安全性。

结合微博内外多粒度语义的 BiLSTM-CNN-ECA谣言检测模型

[目的/意义]为了解决因微博文本多义性和复杂性导致的谣言检测中语义特征提取不全面的问题,提出了一种结合微博内外多粒度语义的BiLSTM-CNN-ECA模型。[方法/过程]首先,对微博文本从字词句三个粒度级别建模,运用双向长短期记忆网络提取微博内部语义特征,生成事件字向量矩阵和事件词向量矩阵;然后,拼接事件句向量矩阵形成三维文本特征矩阵,输入多尺度卷积神经网络,并行提取微博之间的依赖关系特征;最后,引入高效通道注意力模块赋予通道权重,进行微博谣言检测。[结果/结论]构建的三维文本特征矩阵有机结合了各粒度文本的语义特征贡献,包含更多、更全面的微博语义信息;ECA可有效捕获通道间重要信息,进一步提高了多尺度CNN模型对谣言检测的准确率。

基于ECA-FV-CNN的水稻单籽粒质量分级方法

为解决传统水稻质量分级依靠人工分拣,工作量大、错误率高、分级标准不严格等问题,本文提出一种基于ECA改进的双流卷积神经网络模型对水稻单粒质量分级进行研究。首先,获取每组水稻单籽粒(本文以7颗水稻单籽粒为1组)正视和俯视图像,对于5种简单的监督模型(朴素贝叶斯、决策树、随机森林、最邻近结点算法、支持向量机)、基于遗传算法和投票机制优化的模型(GA-SVM)、集成模型(RF+GA-SVM),通过图像预处理轮廓检测分离出单籽粒图像,利用颜色矩、LBP(Local binary pattern)和Canny算子提取籽粒颜色、纹理和边缘特征,并采用PCA(Principal component analysis)降维后进行训练;而对于单流卷积神经网络模型、双流卷积神经网络模型(FV-CNN)以及本文提出并构建的基于ECA改进的双流卷积神经网络模型(EA-FV-CNN),则使用预处理后的图像进行训练。将上述多种模型进行对比分析,发现基于ECA改进的双流卷积神经网络模型性能最好,其在单粒质量三分级、四分级和五分级准确率分别达94.0%、92.3%和71.0%。实验结果表明,使用基于ECA改进的双流卷积神经网络模型能够提高水稻单粒质量的分级精度,弥补传统方法的不足,规范籽粒筛选分级标准。

右美托咪定对食管癌Eca-109细胞LINC00982表达及生物学行为的影响

目的:探讨右美托咪定对食管癌Eca-109细胞LINC00982表达及生物学行为的影响及其可能作用机制。方法:以0、25、50、100μg/L右美托咪定处理的Eca-109细胞分别为对照组和右美托咪定低、中、高浓度组。pcDNA、pcDNA-LINC00982分别转染至Eca-109细胞,作为pcDNA和pcDNA-LINC00982组;si-NC、si-LINC00982分别转染至Eca-109细胞后加入100μg/L右美托咪定处理24 h,作为右美托咪定+si-NC组和右美托咪定+si-LINC00982组。分别应用CCK-8法、流式细胞术、平板克隆形成实验、划痕和Transwell实验检测各组细胞增殖、凋亡、克隆形成、迁移及侵袭情况;采用Western blot检测各组细胞Bax、E-cadherin、Bcl-2和N-cadherin蛋白的表达。采用qRT-PCR检测各组细胞LINC00982的表达。结果:与对照组比较,右美托咪定低、中、高浓度组Eca-109细胞增殖抑制率、细胞凋亡率、Bax和E-cadherin蛋白以及LINC00982表达水平升高,细胞克隆形成数、迁移及侵袭细胞数减少,划痕愈合率和Bcl-2、N-cadherin蛋白表达水平降低(P均<0.05);与pcDNA组比较,pcDNA-LINC00982组Eca-109细胞增殖抑制率、细胞凋亡率、Bax和E-cadherin蛋白表达水平升高,细胞克隆形成数、迁移及侵袭细胞数减少,划痕愈合率和Bcl-2、N-cadherin蛋白表达水平降低(P均<0.05);与右美托咪定+si-NC组比较,右美托咪定+si-LINC00982组Eca-109细胞增殖抑制率、细胞凋亡率和Bax、E-cadherin蛋白表达水平降低,细胞克隆形成数、迁移及侵袭细胞数增多,划痕愈合率和Bcl-2、N-cadherin蛋白表达水平升高(P均<0.05)。结论:右美托咪定可能通过上调LINC00982的表达而抑制食管癌细胞增殖、迁移及侵袭,并促进细胞凋亡。

基于ECA和YOLOv4的轻量级目标检测网络设计

针对传统的目标检测网络存在参数量大、检测速度慢等不足,在计算资源受限的设备上难以满足实时性需求的问题,提出一种改进的YOLOv4-tiny目标检测算法,使用Bneck_E替换主特征提取网络的CSP结构,在深层特征提取网络中,增加轻量级注意力机制——高效通道注意力(ECA)机制,采用双向特征融合,用深度可分离卷积对浅层特征下采样,提高对小目标的检测精度。在PASCAL VOC数据集上实验表明,该算法平均精度均值(mAP)提高了4.4%,帧率(FPS)提升了8.9%,模型大小仅为YOLOv4-tiny的36%,有利于在嵌入式设备上部署运行。

基于ECA规则和动态污点分析的SQL注入攻击在线检测

SQL注入攻击是一种常见的针对Web应用程序漏洞的攻击形式。任何形式的SQL注入攻击最终都会改变原有SQL语句的逻辑结构,违背设计者的初衷。现有的SQL注入攻击检测方法存在检测代码不易被重用、不能被在线注入Web应用程序等不足。因此,提出一种基于ECA(Event Condition Action)规则和动态污点分析的在线检测SQL注入攻击的模型。首先,定义污点标记规则监视污点源函数以标记系统外部引入数据;然后,定义污点传播规则实时跟踪污点数据在应用内部的流向;接着,定义污点检查规则以拦截污点汇聚点函数的参数,并解析它可能携带的污点状态;最后,在原始的Web应用运行时加载ECA规则脚本达到在线检测SQL注入攻击的目的,Web应用无须重新编译、打包和部署。使用Byteman实现了所提模型。在两个不同的Web应用测试实验中,该模型可以识别绝大多数的SQL注入攻击样本,对于正常请求样本没有误报,检测准确率可达99.42%,优于基于支持向量机(SVM)和基于词频逆向文件频率(TF-IDF)的方法;与基于面向方面编程(AOP)的方法相比,该模型易于在Web应用启动后在线加载检测模块。实验结果表明所提模型能够在不修改应用程序执行引擎及源码的情况下,检测6种常见的SQL注入攻击类型,且具有在线检测的优点。

基于ECA改进1D-CNN的柱塞泵故障诊断

往复式柱塞泵是油田作业的关键设备,其健康状况直接影响作业区的生产运行效率。针对变工况柱塞泵的复杂振动特性,提出基于高效通道注意力(Efficient Channel Attention,ECA)的一维卷积神经网络(One-dimensional Convolutional Neural Network,1D-CNN)油田柱塞泵故障诊断方法。在油田柱塞泵体关键部位安装加速度传感器,并使用测振系统采集泵前轴承等关键部位振动信号;利用一维卷积神经网络对油田柱塞泵振动监测信号进行学习,以识别柱塞泵故障特征,通过高效通道注意力(ECA)机制实现减少特征维度损失同时捕获特征通道信息交互,以提高柱塞泵故障诊断精度;借助SoftMax分类器实现振动加速度信号分析的多故障诊断。现场数据采集及试验分析证明,提出的故障诊断模型具有较强的数据特征提取能力,并在油田实际运行数据分析中取得了高性能的诊断效果。验证结果表明,该技术在柱塞泵监测应用中具有较强的鲁棒性和准确性,与其他单一深度学习相比有显著的故障特征提取和诊断优势,能够为柱塞泵及类似设备的故障诊断提供理论依据和技术指导。

基于YoloX-ECA模型的非法野泳野钓现场监测技术

我国每年有大量人员因为非法在水库及河湖水域游泳、钓鱼溺水而丧生,这些水域往往地处偏僻,无法安排监管人员24小时值守。同时,由于速度和准确度难以兼具,或体积较大难于部署等原因,现有基于视觉的目标检测方法也无法实现对非法野泳、野钓行为的实时检测。基于此,提出了融合注意力机制的YoloX-ECA模型,通过在YoloX骨干网络中的残差块和特征金字塔网络中添加ECA模块,以求在保持原YoloX模型较快检测速度的同时提升对野泳、野钓行为的检测效果。基于自制野泳、野钓数据集的实验证明,改进的YoloX-ECA模型对河湖水域的野泳、野钓行为的检测性能(AP)在90%以上,检测速度为62.29fps。模型整体性能(mAP)较原YoloX模型提高1.21%,同其他目标检测算法如Faster-RCNN相比性能同样占优。改进的YoloX-ECA模型的实时性和准确性均达到预期设计目标,在河湖流域智能监管等领域有较大的应用前景。

ECA_SB:一种轻量级人体骨架点提取网络

SB(Simple Baseline)网络提取人体骨架点具有较高精度,但SB网络存在参数量和计算量大、学习效率低的问题,限制了其部署和应用。通过设置SB网络中Bottleneck组件的expansion参数为1,在Bottleneck组件的最后一个卷积层后引入一个高效通道注意力(efficient channel attention, ECA)模块,并设置ResNet骨干网络的最后三个Bottleneck的卷积步长为1,采用反卷积组代替ResNet之后的转置卷积,从而提出一种轻量级的人体骨架点提取网络:ECA_SB。在COCO2017数据集上的对比实验结果表明,ECA_SB网络在保留较高人体骨架点提取精度的同时,参数量和计算量均有明显降低。

β-榄香铜酸对人食管癌细胞Eca-109的抑制作用

目的探究β-榄香铜酸对人食管癌细胞Eca-109增殖、迁移、侵袭的影响及作用机制。方法使用不同浓度的β-榄香铜酸(0、20、40、60μmol/L)处理Eca-109细胞,首先进行MTT、平板克隆、细胞划痕、transwell迁移、transwell侵袭实验检测β-榄香铜酸对Eca-109的细胞增殖、迁移、侵袭的影响;之后在60μmol/L浓度组使用铁死亡抑制剂Ferrostatin-1(Fer-1)干预探索其作用机制。使用试剂盒检测Eca-109细胞中Fe^(2+)、ROS、lipid ROS、GSH、MDA含量,使用Western blot实验检测Eca-109细胞中GPX4、PTGS2和4-HNE的蛋白表达。结果β-榄香铜酸可呈剂量依赖性抑制Eca-109的细胞增殖、克隆形成、迁移、侵袭,激活Eca-109中铁死亡通路蛋白PTGS2和4-HNE,导致GPX4失活,出现铁依赖性的脂质过氧化。Ferrostatin-1可抑制整个进程,从而减少Eca-109细胞的铁死亡。结论β-榄香铜酸可通过铁死亡通路抑制人食管癌细胞Eca-109,有望成为潜在抗食管癌的药物。

基于YOLOv7的木材缺陷检测模型Wood-Net的研究

为改善利用人工方式识别木材缺陷存在的效率低、人工成本高的问题,同时实现在木材加工过程中使用新兴方式对不同的缺陷进行快速准确检测以提高木材利用率,针对现有的目标检测网络在木材缺陷检测方面存在诸如检测精度低、报错率高以及识别种类少等局限,设计了用于木材缺陷检测的深度学习网络Wood-Net。Wood-Net将注意力机制ECA(efficient channel attention module)引入YOLOv7的主干网络,以便更好地区分木材缺陷之间的细微差别;将ECA与Res2Net结合后形成ECA-Res2Net模块,ECA-Res2Net模块克服了单纯的Res2Net跨通道交流能力不足的问题,增强了网络对更细粒度特征的提取能力;将ECA-Res2Net模块与SPPCSPC(spatial pyramid pooling and channel spatial pyramid convolution)并联形成ResSPPCSPC模块,增加了描述图像本身特征数量的能力,由此构成新方法Wood-Net。本研究将准确度、召回值、mAP@0.5以及mAP@0.5∶mAP@0.95 4个数值作为系统性能的评价指标。利用自建数据集训练Wood-Net,得到试验数据。试验结果表明:Wood-Net模型比基准模型YOLOv7在木材优选上精确率提高了4.52%,mAP@0.5∶mAP@0.95提高了6.62%;比基准模型YOLOv5s在木材优选上精确率提高了6.79%,mAP@0.5∶mAP@0.95提高了5.67%。ECA注意力机制能够有效提升E-ELAN的通道间信息交互能力;Res2Net模块具有很强的细粒度特征提取能力,在网络中引入Res2Net模块后,网络各项性能指标收敛速度快,在Res2Net中加入ECA后能够使单纯的Res2Net考虑多通道特征之间的关系,完成信息融合,提高检测性能。

高性能环氧树脂基ECA的制备及机理分析

电子设备对小型化、高功率密度等要求越来越高,无铅化的提出使人们摒弃了传统的锡铅合金焊料,逐渐将目光转向新型的封装结构和材料,聚合物导电粘合剂又称导电胶(Electrically Conductive Adhesive,ECA),便是其中之一。本文系统地讨论对比了两大类环氧树脂作为基体的ECA性能,制备了一种高强度高导电的环氧树脂基导电银胶作为一种新的封装连接材料并解释了其性能优异的原因,传统聚合物在固化过程中形成的大量孔洞得到有效降低,ECA的电导率和强度从而得到大幅度提高。所制备出的高性能环氧树脂基ECA能够更好的适应封装材料的强度和导电导热需求。

巴西橡胶树ACA/ECA基因家族鉴定及分析

Ca^(2+)是植物细胞的第二信使,Ca^(2+)-ATPase(ACA/ECA)作为Ca^(2+)运输的重要蛋白,在保证细胞内钙离子的平衡和植物非生物胁迫方面发挥着至关重要的作用。为了研究巴西橡胶树中Ca^(2+)-ATPase(ACA/ECA)的生物学功能,以模式植物拟南芥的ACA/ECA蛋白序列为探针,从橡胶树基因组中鉴定得到45个ACA/ECA基因家族成员,其中ACA成员38个,ECA成员7个。利用Expasy、Plant-mPLoc等工具对45个成员的理化性质、基因结构、染色体定位、系统进化和表达进行全面分析。理化性质分析表明:各成员编码蛋白的氨基酸数目为86~1142个,氨基酸分子量在10048.04~125412.75 Da之间,蛋白产物多定位于细胞质膜,有少量成员定位于内质网、叶绿体、液泡和细胞核。在进化方面,ACA/ECA家族成员明显聚于ACA和ECA两个分枝,2个分支中橡胶树始终与木薯紧靠,表明在系统进化过程中橡胶树与木薯存在较近的亲缘关系。染色体定位结果显示:ACA/ECA家族的45个成员不均匀地分布在橡胶树的14条染色体和1个contig上,其中2号和9号染色体上成员分布最多,为11个。表达分析显示:部分成员在不同组织中的表达存在显著差异,HbACA31在叶片中表达丰度最高,HbACA36在胶乳中表达丰度最高,并且HbACA36经乙烯利刺激处理后在胶乳中的表达明显上调。另外,本研究还分析了割胶对ACA/ECA家族成员基因表达的影响,发现HbACA36在PR107和热研8-79两个橡胶树品种割胶过程中均处于较高的表达水平,并且在高产品种热研8-79开割过程中明显上调表达,推测HbACA36参与橡胶树产胶排胶调控,并在其中起重要作用。本研究结果首次揭示了橡胶树ACA/ECA家族成员的理化性质和表达模式,为进一步研究ACA/ECA基因在巴西橡胶树中的生物学功能,特别是橡胶树产胶调控方面的功能奠定基础。