面向中药饮片识别的MSDA-YOLOv8检测算法

针对当前传统网络模型对中药饮片检测精度低,检测不准确的问题,提出一种基于YOLOv8n优化改进的MSDA-YOLOv8中药饮片检测模型。首先,在Backbone上使用SCConv代替部分C2f模块,使用DyCAConv代替部分Conv。其次,添加DilateBlock模块,强化特征信息,提高了检测模型的特征融合能力。在Neck上,设计全新的C2fMSDA模块代替C2f,并引入Inception板块,扩大特征感受视野。使用BiFPN思想,高效双向跨尺度连接和加权特征融合,提高网络性能;最后将原有的损失函数替换为MPDIoU边界损失函数,模型的边界框回归性能有了提高。实验结果表明,改进后的YOLOv8模型在原模型的基础上提高识别精确度0.7%、平均精度2.9%,参数量降低1.9%。综合说明,该模型提高模型识别精度同时降低参数量,优于原算法以及对比算法,满足边缘计算要求,具有实际应用价值。

改良沙堡弱琼脂培养基(MSDA)方法在一次性使用卫生用品真菌定量检测中的应用研究

目的研究改良沙堡弱琼脂培养基(MSDA)方法在一次性使用卫生用品真菌定量检测中的应用价值。方法参照2015年版《中国药典》非无菌产品微生物限度检查(通则1105)的适用性试验方法,验证MSDA方法对一次性使用卫生用品真菌菌落总数检测适用性。结果 MSDA方法检测接种白色念珠菌和黑曲霉的19种供试品适用性试验回收率范围在82. 76%~105. 74%。市场购买的某品牌成人纸尿裤和某品牌婴儿柔肤湿巾两种产品真菌菌落总数> 100 cfu/g。市场购买的4大类产品中均有真菌检出,共有9个产品真菌菌落总数≥5 cfu/g。结论 MSDA方法适用于一次性使用卫生用品真菌菌落总数的检测。

基于改进YOLOv8的苹果叶病害轻量化检测算法

[目的/意义]苹果是中国重要的农产品,为了保障苹果的健康生长,降低其患病率,研发苹果叶病害检测技术具有重要意义。本研究旨在应对苹果生长过程中出现的病害快速检测问题,提出一种基于改进YOLOv8的苹果叶病害检测算法。[方法]选用YOLOv8n模型对苹果在生长期间的多种病害(褐腐病、褐纹病、黑星病和锈病)进行识别。引入SPD-Conv替代传统卷积层,降低模型参数量和运算量的同时提高检测精度。在Neck层中添加多尺度空洞注意力机制(Multi-Scale Dilated Attention,MSDA),使模型通过动态感受野自适应地聚焦于图像中的关键区域,增强病害特征提取能力。此外,参考重参数化卷积神经网络(Reparameterized Convolutional Neural Network,RepVGG)架构,优化了原有检测头,实现检测和推理过程的架构分离,加快了模型的推理速度,提升了其特征学习能力。最后,构建了一个包含上述病害的苹果叶片数据集,并在此数据集上进行试验。[结果和讨论]改进后的模型在运算量降低0.1 G的同时,mAP50和mAP50∶95分别达到了88.2%和37.0%,较原模型分别提高了2.7%和1.3%,模型大小仅为7.8 MB。准确率和召回率分别为83.1%和80.2%,较原模型分别提升了0.9%和1.1%。分别与YOLOv7-tiny、YOLOv9-c、RetinaNet、Faster-RCNN等多个模型进行对比试验,结果表明,提出的YOLOv8n-SMR模型表现出优异性能,有效控制了计算复杂度和参数量。优化后的网络结构在模型大小,浮点运算次数和参数量上均保持较低水平,适合在无人机系统等硬件资源受限设备上高效部署。[结论]改进后的模型能够实现对苹果叶病害的准确检测,该方法不仅提高了检测精度,还通过轻量化设计有效减少了模型的运算量,为后续的苹果生长和果实收集提供可靠的数据支持,并为进一步苹果叶病害研究和探索提供了有利的参考。

用于域适应的多边缘降噪自动编码器

神经网络模型被广泛用于跨领域分类学习。边缘堆叠降噪自动编码器(marginalized stacked denoising autoencoders,mSDA)作为一种神经网络模型,通过对源领域和目标领域数据进行边缘化加噪损坏,学习一个公共的、健壮的特征表示空间,从而解决领域适应问题。然而,mSDA对所有的特征都采取相同的边缘化加噪处理方式,没有考虑到不同特征对分类结果的影响不同。为此,对特征进行区分性的噪音系数干扰,提出多边缘降噪自动编码器(multi-marginalized denoising autoencoders,M-MDA)。首先,利用改进的权重似然率(weighted log-likelihood ratio update,WLLRU)区分出领域间的共享和特有特征;然后,通过计算特征在两个领域的距离,对共享特征和特有特征进行不同方式的边缘化降噪处理,并基于单层边缘降噪自动编码器(marginalized denoising autoencoders,MDA)学习获取更健壮的特征;最后,对新的特征空间进行二次损坏以强化共享特征的比例。实验结果表明,该方法在跨领域情感分类方面优于基线算法。

玉米苗期抗旱促生微生物拌种剂应用效果初报

采用微生物拌种剂进行拌种处理和田间小区对比试验,研究微生物拌种剂在田间的应用效果。结果表明,使用微生物拌种剂可促进玉米根系发育,增加玉米株高、植株干物质积累和百粒重,出苗率提高4.6%,增产4.2%。试验结果为微生物拌种剂的推广应用提供了科学依据。