N-叔丁基(4aS,8aS)-十氢异喹啉-3(S)-甲酰胺的合成及结构表征

以L-苯丙氨酸为原料制备N-叔丁基-1,2,3,4四-氢异喹啉-3(S)甲-酰胺(T ICC),后者经铑/氧化铝催化加氢制备N-叔丁基(4aS,8aS)十-氢异喹啉-3(S)甲-酰胺(DH IQ)。1H-NMR、M S确定产物的化学结构;GC-M S分析产物中的异构体;单晶X射线衍射确定DH IQ的绝对构型;旋光度的测定表明DH IQ产物的光学纯度达到了98%。

基于重庆地铁8As列车的车站折返能力影响因素研究

针对重庆地铁二轮建设规划线路远期扩大列车编组采用的8辆编组As车是否会影响双折返线车站折返能力的问题,从改变折返线与站端的距离、折返线长度和道岔类型3个方面进行了论证分析。

8AS-17 型制冷压缩机排汽阀组窜汽诸原因分析

８ＡＳ－１７型制冷压缩机排汽阀组窜汽诸原因分析聂仕华（山东省食品进出口公司滨州冷藏加工厂２５６６２３）８ＡＳ－１７型氨压缩机排汽阀组是由内阀座、外阀座、假盖、活门片等零件组成的，各零件的配合面要求有一定的间隙。经过长期使用，这些配合面会出现磨损，从而...

基于YOLOv8改进的跌倒检测算法:CASL-YOLO

跌倒对老年人危害极大,是我国65岁以上老年人致残和伤害死亡的首要原因.然而,目前主流的跌倒检测技术受环境的干扰较大,在物体遮挡、光照变化等复杂场景下的检测准确率较低,且模型的参数量和计算量较高,导致成本居高不下,不能很好地部署应用于实际生活场景.针对上述问题,提出了一种在复杂环境下轻量级的基于YOLOv8模型改进的跌倒检测算法:CASL-YOLO.首先,该模型引入空间深度卷积(SPD-Conv)模块替代传统卷积模块,通过对每个特征映射进行卷积操作,保留通道维度中的全部信息,从而提高模型在低分辨率图像和小物体检测方面的性能;其次,引入基于位置信息的注意力机制,以捕获跨通道、方向和位置感知的信息,从而更准确地定位和识别人体目标;最后,在特征提取模块中引入选择性大卷积核(LSKNet)动态调整感受野,以有效处理跌倒检测场景中的复杂环境信息,提高网络的感知能力和检测精度.实验结果表明,在公开的Human Fall数据集上,CASL-YOLO的mAP@0.5达到96.8%,优于基线YOLOv8n,同时模型仅有3.4×MiB的参数量和11.7×10^(9)的计算量.相比其他检测算法,CASL-YOLO在参数量和计算量小幅增加的情况下,实现了更高的精度和性能,同时满足实际场景的部署要求.

改进YOLOv8的无人机航拍图像目标检测算法

针对无人机航拍图像存在多个小目标聚集、目标尺度变化大的问题,提出一种改进YOLOv8的目标检测算法TS-YOLO(tiny and scale-YOLO)。在主干部分去除冗余的特征提取层,设计了一种高效特征提取模块(efficient feature extraction module,EFEM),避免小目标特征消失在冗余信息中。在颈部设计了一种双重跨尺度加权特征融合方法(dual cross-scale weighted feature-fusion,DCWF),融合多尺度信息的同时抑制噪声干扰,提升特征表达能力。通过构建一种参数共享检测头(parameter-shared detection header,PSDH),使回归和分类任务实现参数共享,保证检测精度的同时有效降低了模型的参数量。所提模型在VisDrone-2019数据集上的精度(P)和召回率(R)分别达到54.0%、42.5%;相比于原始YOLOv8s模型,mAP50提高了5.0个百分点,达到44.5%,且参数量减少了55.8%,仅有4.94×106;在DOTAv1.0遥感数据集上,mAP50达到71.9%,仍具有较好的泛化能力。

改进YOLOv8n的选通图像目标检测算法

激光选通成像技术在复杂环境下表现出色,但选通图像为灰度图像无法提供颜色信息,并且对比度较低,所以在进行小目标和遮挡目标检测时更加困难。为解决以上问题提出了一种改进YOLOv8n的选通图像目标检测算法。在特征提取的主干网络部分,使用大核卷积C2f-DSF更有效地捕获输入数据的全局信息。添加了多头注意力检测头Detect-SEAM模块,增强了特征提取和目标识别的能力。为了获取不同感受野的上下文信息,增强特征提取能力,使用了SPPF-M模块。采用上采样算子Dysample,减少特征信息的损失,从而提高小目标的检测精度。改进的YOLOv8n算法在选通图像数据集上mAP@0.5提高了2.4个百分点,mAP@0.5:0.95提高了1.8个百分点。为了验证改进的YOLOv8n算法的泛化性,选取KITTI数据集实验,相比于YOLOv8n算法改进YOLOv8n的mAP@0.5提高了4.3个百分点,mAP@0.5:0.95提高了3.5个百分点。

LMUAV-YOLOv8:低空无人机视觉目标检测轻量化网络

针对低空无人机目标检测面临目标尺度变化大、小目标容易漏检和误检的挑战,发展了一种融合多尺度特征的目标检测轻量化网络(LMUAV-YOLOv8),通过开展消融和对比实验,验证了算法的有效性和先进性,并借助类激活图,对模型的决策过程进行了解释。设计了一种轻量化的特征融合网络(UAV_RepGFPN),提出新的特征融合路径以及特征融合模块DBB_GELAN,降低参数量和计算量的同时,提高特征融合网络的性能。使用部分卷积(PConv)和三重注意力机制(Triplet Attention)构建特征提取模块(FTA_C2f),并引入ADown下采样模块,通过对输入特征图维度的重新排列和细粒度调整,以提升模型中深层网络对空间特征的捕捉能力,并进一步降低参数量和计算量。优化YOLOv9的可编程梯度信息(programmable gradient information,PGI)策略,设计基于上下文引导(Context_guided)的可逆架构,并额外生成三个辅助检测头,提出UAV_PGI可编程梯度方法,避免传统深度监督中多路径特征集成可能导致的语义信息损失。为了验证模型的有效性及泛化能力,在VisDrone 2019测试集上开展了对比实验,结果显示,与YOLOv8s相比,LMUAV-YOLOv8s的准确度、召回率、mAP@0.5和mAP@0.5:0.95等指标分别提升了4.2、3.9、5.1和3.0个百分点,同时参数量减少了63.9%,计算量仅增加0.4 GFLOPs,实现了检测性能与资源消耗的良好平衡。基于NVIDIA Jetson Xavier NX嵌入式平台的推理实验结果显示:与基线模型相比,该算法能够在满足实时检测要求的条件下,获得更高的检测精度,对于无人机实时目标检测场景具有较好的适用性。借助类激活图,对算法的决策过程进行了可视化分析,结果表明,该模型具备更优异的小尺度特征提取和高分辨率处理能力。

基于YOLOv8算法改进模型检测梢斑螟虫蛀树木

梢斑螟是一种严重危害针叶树种的害虫,严重影响针叶树的健康和生长。梢斑螟虫的幼虫以针叶树的叶片为食物,在针叶树木中建立巢穴,逐渐摧毁叶片组织,导致叶片变黄、褪绿,最终树木枯萎。此外,幼虫也可能侵蚀树木的树皮,导致树皮剥落和树干暴露,使树木易受其他害虫、病菌和自然元素的侵害,增加树木的脆弱性,降低其生存能力。为辅助地面治疗被梢斑螟虫蛀树木,采用YOLOv8s目标检测算法,实现对梢斑螟虫蛀树木的检测与识别。通过采用C2f-GAM和动态检测头建立模型(YOLOv8-DM),来提高YOLOv8s对于梢斑螟虫蛀树木的检测能力。试验结果表明,YOLOv8-DM能够有效地识别梢斑螟虫蛀树木,其平均精准度达到84.8%。与其他目标检测算法相比,YOLOv8-DM有更高的平均精准度。

改进的YOLOv8n轻量化景区行人检测方法研究

针对景区人流量大、人员密集,而现有目标检测算法对于遮挡目标和小目标检测效率低且模型参数量大等问题,提出基于YOLOv8n的轻量化景区行人检测算法SSC-YOLOv8n。提出空间和通道重建注意力卷积SCC2fEMA模块,以显著减少模型参数量,从而提升模型的检测速度。采用精细的slim-neck范式,通过GSConv和V0V-GSCSP模块,在有效降低模型参数量的同时,提升模型的学习能力。提出坐标注意力动态解耦头,以显著增强模型对位置信息的感知度和敏感度。为了对样本进行更为精确的平衡处理,引入Focal Loss损失函数,进一步提高模型的检测精度与鲁棒性。实验结果表明,在景区行人数据集上,改进后的模型相较于原始模型,模型参数量减小了52%,mAP@0.5提升了2.1个百分点,mAP@0.5:0.95提升了1.4个百分点。在VisDrone2019数据集上,mAP@0.5提高了3.9个百分点。改进后的算法具有更强的泛化性能,能够更好地适用于景区行人检测任务。

基于RFCARep-YOLOv8n的光伏电池缺陷检测算法

针对光伏电池缺陷图像存在目标遮掩、复杂背景以及人眼难以分辨的小目标缺陷等问题,提出一种基于感受野坐标注意力和重参数的YOLOv8n光伏电池缺陷检测算法,简记为RFCARep-YOLOv8n。提出一种基于感受野坐标注意力的重参数模块代替瓶颈模块进行特征提取,扩大对全局信息的关注度提高语义表达能力,抑制遮掩物和复杂背景的干扰;在快速空间金字塔池化后添加可分离大核聚集模块,通过提高长距离特征依赖增强全局特征信息融合;在特征融合部分使用多尺度序列特征融合颈部网络,结合多尺度辅助检测头,减少细节特征丢失,提高小目标缺陷检测能力。实验结果表明,该模型在PASCAL VOC数据集中较基准模型mAP@0.5和mAP@0.5:0.95分别提升2.3和2.1个百分点,同时在光伏缺陷数据集中mAP@0.5达到87.6%,较基准模型提升3.5个百分点,参数量为3.23×10^(6),保持了基准模型的轻量参数同时提高检测性能。

基于改进YOLOv8的道路交通小目标车辆检测算法

针对交通道路中小目标车辆存在的识别困难、检测精度低以及误检和漏检等问题,提出一种基于YOLOv8算法的大内核、多尺度梯度组合的道路交通小目标车辆检测模型RGGE-YOLOv8。首先,使用RepLayer模型替换YOLOv8网络的主干部分,引入大内核深度可分离卷积结构,拓展上下文信息,以增强模型对小目标的信息捕获能力;其次,使用GIoU代替原损失函数,解决IoU在预测框与真实框没有重叠时存在的无法优化问题;然后,引入全局注意力机制(GAM),通过减少信息丢失并增强全局交互信息来提高网络的特征表达能力;最后,引入CSPNet并重参化梯度组合特征金字塔,使得模型具有较大感受野和高形状偏差。实验结果表明,RGGE-YOLOv8在Visdrone数据集和自有数据集上mAP@0.5指标分别达到34.8%和94.7%,相较于原始YOLOv8n算法精度分别提高了2.2和5.51百分点,证明了RGGE-YOLOv8模型对道路小目标车辆检测的有效性。

面向复杂背景下烟雾火焰检测的改进YOLOv8s算法

针对复杂背景下烟雾火焰目标与背景混淆,导致烟雾火焰检测精度低等问题,提出一种面向复杂背景下烟雾火焰检测的YOLOv8s改进模型。特征通道之间具有高度相似性,为了有效利用跨不同通道间的冗余,提高模型对烟雾火焰目标和背景的区分,设计了C2fFR(C2f with partial rep conv)轻量级特征提取模块。设计了MCFM(multi-scale context fusion module)多尺度上下文融合模块,来捕捉并利用上下文信息,增强特征的表示。使用Inner-SIoU损失函数,解决边界框不匹配的问题,提高模型对高IoU样本的回归能力。实验结果表明,改进后的YOLOv8s烟雾火焰检测模型相比于基线模型YOLOv8s,mAP@50提升了4.6个百分点,mAP@50:95提升了2.3个百分点,模型参数量降低了18.9%,计算量降低了8.1%,FPS为93帧/s,与其他主流检测算法相比也具有较好的检测性能。

基于改进YOLOv8的交通场景实例分割算法

提出一种基于改进型YOLOv8的实例分割算法(DE-YOLO)。为减少图像中复杂背景的干扰,引入高效多尺度注意力机制,跨维交互使各特征组内空间语义特征平均分布。在主干网络部分,使用可变形卷积DCNv2结合C2f卷积层,突破原始卷积限制,提升可变性。为减小有害梯度并提升检测器精度,采用动态非单调聚焦机制Wise-交并比(WIoU)替代联合完全交并(CIoU)损失函数进行质量评估,优化检测框定位,提升分割精度。同时,通过开启Mixup数据增强处理,充实数据集,丰富训练特征,提升模型学习能力。实验结果表明,DE-YOLO在城市景观数据集Cityscapes中的掩模平均精度均值(mAPmask)较基准模型YOLOv8n-seg提高了2.0百分点,IoU阈值为0.5时的平均精度提升了3.2百分点,所提算法在提升精度的同时,保持了优良的检测速度和较少的参数量,模型参数量较同类模型低2.2~31.3百分点。

基于深度学习的钻孔冲煤量智能识别方法

【目的】为解决人工统计钻孔冲煤量不准确以及效率低等问题,提出一种YOLOv8n、Res-Net34和PP-OCRv4算法相结合的智能识别方法。【方法】该方法首先使用YOLOv8n算法完成一级检测,同时并行级联ResNet34算法与PP-OCRv4算法进行二级处理,并结合基于追踪帧数的分类状态判别方法,建立了冲煤量自动计算的算法框架。其次,在YOLOv8n的C2f模块中引入可变形卷积DCNv2模块,以削弱点状强光照对特征采集的影响,并将其默认的检测头替换为Dynamic Head检测头模块,以强化算法在尺度,空间和通道维度的特征提取能力,以及将CIoU损失函数替换为SIoU损失函数,以加速预测框与真实框的匹配,并利用自建的数据集对改进后的YOLOv8n算法进行验证。【结果和结论】结果表明:(1)与原算法相比,平均类别检测精度提高了7.6%,召回率提高了3.5%,精确率提高了6.4%,验证了改进策略对提升模型性能的有效性和稳定性。(2)对4个不同的瓦斯抽采水力冲孔钻场的实时视频进行测试,识别准确率分别为100.0%、93.3%、95.7%和93.1%,平均达到95.5%,满足了水力冲孔钻孔冲煤量自动识别的精度要求。(3)采用追踪帧数确定ResNet34分类状态的方法,解决了分类状态单次识别结果不可靠的问题。研究成果为YOLO系列算法与其他深度学习技术的融合和广泛应用提供了技术与实践基础,对促进瓦斯抽采钻场等煤矿井下复杂场景的智能化进步具有参考价值。

依托咪酯调控miR-204-5p/HOXC8轴对胃癌细胞增殖、凋亡及侵袭的影响

目的探讨依托咪酯(Eto)调节微小RNA(miR)-204-5p/同源盒基因C8(HOXC8)轴对人胃癌细胞增殖、凋亡及侵袭的影响。方法2023年4月—2024年4月于武汉科技大学实验室进行实验,将胃癌细胞MKN45分为对照(Ctrl)组、低剂量Eto组(Eto-L,5μmol/L)、中剂量Eto组(Eto-M,10μmol/L)、高剂量Eto组(Eto-H,20μmol/L)、Eto-H+miR-inhibitor-NC、Eto-H+miR-204-5p inhibitor组。CCK-8法、集落形成实验检测细胞增殖情况,流式细胞术检测MKN45细胞凋亡情况,Transwell实验检测细胞侵袭能力;qRT-PCR检测细胞中miR-204-5p和HOXC8 mRNA表达水平;双荧光素酶实验检测miR-204-5p和HOXC8之间的靶向关系。结果与Ctrl组比较,Eto-L组、Eto-M组、Eto-H组、Eto-H+miR-inhibitor-NC组、Eto-H+miR-204-5p inhibitor组MKN45细胞存活率、集落形成率、细胞侵入率、HOXC8 mRNA水平均显著降低(F/P=33.391/<0.001、29.646/<0.001、44.814/<0.001、45.485/<0.001),细胞凋亡率和miR-204-5p水平显著升高(F/P=78.091/<0.001、22.665/<0.001);与Eto-H+miR-inhibitor-NC组比较,Eto-H+miR-204-5p inhibitor组MKN45细胞存活率、集落形成率、细胞侵入率、HOXC8 mRNA水平均显著升高(q/P=8.099/<0.001、7.587/<0.001、7.768/<0.001、11.162/<0.001),细胞凋亡率和miR-204-5p水平显著降低(q/P=10.254/<0.001、8.596/<0.001);与HOXC8-WT和miR-NC共转染细胞比较,HOXC8-WT和miR-204-5p mimic共转染的MKN45细胞中相对荧光酶活性显著降低(t/P=5.770/<0.001)。结论Eto可能通过上调miR-204-5p、下调HOXC8,减弱胃癌细胞MKN45增殖和侵袭能力,促进细胞凋亡。

分泌性中耳炎耳鸣症状发生情况及与炎症反应的关联性

目的探讨分泌性中耳炎(OME)耳鸣症状发生情况及与炎症反应的关联性。方法选取2021年1月至2022年8月安徽医科大学附属巢湖医院收治的104例OME病人为研究对象,另取同期104例体检健康者为对照组,比较两组炎症反应指标及耳鸣发生情况,并根据耳鸣发生情况将OME病人分为耳鸣组(n=19)和无耳鸣组(n=85),比较两组OME病人炎症反应指标,分析炎症反应指标对OME病人耳鸣的诊断价值。结果OME组白细胞介素(IL)-6、IL-8及肿瘤坏死因子-α(TNF-α)水平高于对照组(P<0.05);OME组耳鸣发生率为18.27%,高于对照组的4.81%(P<0.05);耳鸣组IL-6、IL-8及TNF-α水平高于无耳鸣组(P<0.05);ROC曲线显示,IL-6诊断OME病人耳鸣的AUC和截断值分别为0.77、4.04 ng/L,IL-8诊断OME病人耳鸣的AUC和截断值分别为0.81、12.41 ng/L,TNF-α诊断OME病人耳鸣的AUC和截断值分别为0.69、3.96 ng/L,三者联合诊断OME病人耳鸣的AUC为0.89,高于单项预测(P<0.05)。结论OME病人耳鸣发生情况较为严重,IL-6、IL-8及TNF-α均可以用来诊断OME病人耳鸣症状,且联合诊断价值更高。

HD-YOLO:复杂场景下安全帽佩戴检测算法

针对目标密集、有遮挡的复杂施工场景下安全帽佩戴检测存在漏检、误检的问题,提出了一种基于YOLOv8的HD-YOLO安全帽佩戴检测算法。首先,设计了GRC-C2f结构,使用多分支结构捕获多尺度特征,兼顾训练阶段的特征提取能力和推理阶段的计算效率。其次,设计了DSASF颈部结构,结合动态上采样和多尺度特征融合,精准识别和定位图像中的小目标,以提高检测性能。然后,引入Focal Modulation模块替换原有的快速空间金字塔池化(Spatial Pyramid Pooling-Fast,SPPF)结构模块,捕捉图像中的长距离依赖和上下文信息,聚焦于复杂背景中的目标。最后,采用空间增强注意力模块(Spatially Enhanced Attention Module,SEAM)解决小目标遮挡问题。试验结果表明,HD-YOLO算法在同一数据集上平均精度均值为81.8%,相比原始YOLOv8算法提高了5.0百分点。设计的HD-YOLO算法有效提高了复杂场景中佩戴安全帽的检测精度。

基于明度动态感知裁剪和YOLOv8的铁路沿线异常感知检测方法

铁路轨道沿线场景具有空旷开阔、占地面积大的特点。由于高清摄像头的普及,导致大部分入侵物体目标在图像中具有占比面积小,像素点数量少,进而降低算法对目标尤其是小目标的检测性能。针对该问题,提出基于明度动态感知裁剪和YOLOv8的铁路沿线异常感知检测方法。首先通过明度动态感知方法感知运动目标区域,再以动态目标为中心裁剪图片输入YOLOv8网络进行检测,防止目标区域图像输入网络时特征信息被压缩,最后在RailD49数据集上验证了该算法的召回率为80.33%,准确率为81.67%,相较于原始YOLOv8m对铁路运动目标的检测能力有所提升。