构式“V也V不C”的语义及其形成机制

构式“V也V不C”以强调义为上位语义,包含假设义和无条件义两种下位语义,其中强调义的量级有基量、常量和高量之分。该构式语义的形成来源有三方面:一是表强调基量义的“V也V不C”,形成于“连V也V不C”,是其脱落了“连”的结果;二是表无条件义(强调高量义)和假设义的“V也V不C”通过紧缩无条件复句和假设复句而来;三是表强调常量义的“V也V不C”形成于拷贝式话题结构,是动词话题化的结果,通过拷贝话题的核心动词而形成。

试论“V也/都VP”的构造特征及其“也”、“都”的表达功用

本文在篇章语境下考察"V也/都VP",发现在构造特征上,存在肯定与否定、有标与无标、连用与单用、中置与后置四个方面的不对称;另外"V也/都VP"内部差异也是多层次的:既有复句又有单句,作为复句又存在多种语义关系,作为单句又有焦点式和话题式之分。由于"也"和"都"的语义基础、虚化程度不同,"V也VP"和"V都VP"在搭配方式、表达侧重、篇章连贯等三个方面存在不同程度的差异。

动词重现话题化紧缩句“V也VP”

"V也VP"以动词重现的方式使句法形式和语义特征得到高度统一。在句法上,能进入"V也VP"的词以口语性较强的单音节动作动词为主;在语义上,前现动词的动词性较弱,前现动词与后现动词短语之间具有让步关系;在语用上,"V也VP"具有"话题-述题"的信息结构特征,包含了基础信息、预设信息、附带信息、推理信息等多重语言信息。"V也VP"属于动词重现话题化紧缩句。

“V也VP”的语用特征、认知解释及句式归属

"V副VP"是现代汉语中具有独特价值的句法结构,以动词重现的方式使语义特征和句法形式得到高度统一,它包含了多种下位类型。为方便深入研究选取使用频率较高的"V也VP"作为研究对象。"V也VP"具有"话题—述题"的信息结构特征,包含了基础信息、预设信息、附带信息、推理信息等多重语言信息,具有"背景—焦点"的认知特点。笔者客观探讨了"V也VP"的句式归属,提出了"动词重现话题化紧缩句"的概念。

双否定让步构式及其习得探析——以“不V不V也/又要V+M”为例

本文在语法习得构式观视角下对汉语特殊结构"不V不V也/又要V+M"进行分类研究,通过构式和语义分析,将其分为意愿逆向式和承诺悖反式。研究发现这种结构的两种类型在M的选择上分别为极小量真值及意识范畴内的极大量。在语义上,分别存在时间差异与凸显差异。其构式义分别是"意愿义"的否定与肯定。

动词重现话题化紧缩句“V也VP”的发展概况

“V也LVP”产生于五代，在五代、宋代时与“V亦VP”并用，在元代基本完成对“V亦VP”的替换。随着“连”字句和“V也VP”的发展成熟，从明代开始出现“连V也VP”。从五代到北宋，“V也VP”的肯定形式比否定形式多一些；从南宋一直到现代，否定形式基本上占优势。

基于语料库的“V也V不C”构式分析

文章利用BCC语料库对“V也V不C”进行检索,基于对检索结果的分析,认为构式“V也V不C”是让步从句的紧缩形式,其构式义为“主观评价无可能”,即使达到一个主观高量也实现不了C。通过对语料的分析,试图发现能入式的动词类型以及构式对词汇的压制。最后从语义和形式两方面对“V也V不C”和“连V也V不C”进行了比较,发现“V也V不C”不是“连”字句的省略,该构式前V表示高量级,且语义重心就是构式中的“V不C”,这两点是其区别于“连”字句的关键特点。

“不V也得V”的构式分析

"不V也得V"构式表达"毫无选择,非这样做不可"的语义,是一种反预期信息的构式,并且派生出"勉强""强迫""让步"等语用功能,受语言经济原则的驱动,"不V也得V"构式由"(虽然/尽管)不(想)V,(但)也得V"经过紧缩和省略而成。

动词重现话题化紧缩句“V也VP”的形成

"也"字句强调同一动作行为、状态或不同动作行为、状态在某方面具有类同性用法的出现、动补结构的发展、新的句子格局的建立、话语结构的抽象凝固等因素共同产生作用,导致动词重现话题化紧缩句"V也VP"结构的产生。类推机制在其产生中起了重要作用。

“V也／都V（P）”的构式化及其语用差异

“V也V（P）”是一个正在虚化的构式，它具有双重语义关系：一是表“动作结果的类同”，二是表“强调”。只有表强调义时才能与“V都V（P）”互换使用。“V都V（P）”中，“都”完全虚化为一个评注性副词，构武义已十分单纯、统一，只表达主观极量的强调义。两构式主要存在：状态性与动态性、生命度与情态化、已然体与未然体、主观极量和主观基量、背景信息与前景信息等方面的差异。

由条件小句到形态化:拷贝式话题结构“V也/都VP”

根据结构形成溯源,我们把拷贝式话题结构“V也/都VP”分成三种类型:小句紧缩型、连字结构型和专用形态型。“V也/都VP”结构具有强调、反预期、表主观极量和突显主观情绪的表达功能。“V也VP”与“V都VP”在结构连用、时体表现和语气轻重等方面存在着差异。

“V也V不C”结构的句法功能及语义特征

"V也V不C"属于口语化的一种常用小格式,使用频率相对较高,考察能进入该格式的动词以及补语"C"的类型,来探析该格式的句法功能和语义特征,加深对该格式的了解和认识。

“V也V不C”的语义表征及语篇分析

动词重复是汉语中一种独特而又常见的语言形式。在“V也V不C”中,第一个动词作为话题成分具有去范畴化的特点。整个构式表达行为主体实施的动作或者具有的动作意图并未实现预期的结果。具体表现为“任意为之而未果”“假定为之而未果”“意欲为之而未果”。“V也V不C”在话题链中处于居中或者末尾的位置,用来对话题进行补充说明或者进一步解释。

现代汉语构式“V也V不C”的句法语义研究

“V也V不C”是现代汉语口语中使用频率较高的一个构式,其构式义为“主观强调动作行为V的结果、趋向不可能实现”。现有文献大多从三个平面的角度对其进行研究,但在语义上,其构式义的确定还存在争议;在语用上,对其构件“V”和“C”的进入成分还有需要补充的地方,如V还可包括形容词,当C为结果补语时,C可由助词“得”充当。本文将在前人研究的基础上,重新分析该构式的语义,并对该构式中“V”和“C”的进入成分进行补充。

基于改进COF-YOLO v8n的油茶果静态与动态检测计数方法

针对自然环境下油茶果存在严重遮挡、近景色、小目标等现象,使用YOLO网络存在检测精度低、漏检现象严重等问题,提出对YOLO v8n网络进行改进。首先使用MPDIOU作为YOLO v8n的损失函数,有效解决因为果实重叠导致的漏检问题;其次调整网络,向其中加入小目标检测层,使网络能够关注小目标油茶以及被树叶遮挡的油茶;最后使用SCConv作为特征提取网络,既能兼顾检测精度又能兼顾检测速度。改进COF-YOLO v8n网络精确率、召回率、平均精度均值分别达到97.7%、97%、99%,比未改进的YOLO v8n分别提高3.2、4.8、2.4个百分点,其中严重遮挡情况下油茶检测精确率、召回率、平均精度均值分别达到95.9%、95%、98.5%,分别比YOLO v8n提高4.0、9.1、4.6个百分点。因此改进后COF-YOLO v8n网络能够明显提高油茶在严重遮挡、近景色、小目标均存在情况下的识别精度,减小油茶的漏检。此外,模型能够实现动、静态输入条件下油茶果计数。动态计数借鉴DeepSORT算法的多目标跟踪思想,将改进后COF-YOLO v8n的识别输出作为DeepSORT的输入,实现油茶果实的追踪计数。所得改进模型具有很好的鲁棒性,且模型简单可以嵌入到边缘设备中,不仅可用于指导自动化采收,还可用于果园产量估计,为果园物流分配提供可靠借鉴。

基于CRV-YOLO的苹果中心花和边花识别方法

苹果树疏花是果园生产管理中的重要环节。准确高效地识别苹果中心花和边花,是研发智能疏花机器人的前提。针对苹果疏花作业中的实际需求,提出了一种基于CRV-YOLO的苹果中心花和边花识别方法。本文基于YOLO v5s模型进行了如下改进:将C-CoTCSP结构融入Backbone,更好地学习上下文信息并提高了模型特征提取能力,提高了模型对外形相似和位置关系不明显的中心花和边花的检测性能。在Backbone中添加改进RFB结构,扩大特征提取感受野并对分支贡献度进行加权,更好地利用了不同尺度特征。采用VariFocal Loss损失函数,提高了模型对遮挡等场景下难识别样本检测能力。在3个品种1837幅图像数据集上进行了实验,结果表明,CRV-YOLO的精确率、召回率和平均精度均值分别为95.6%、92.9%和96.9%,与原模型相比,分别提高3.7、4.3、3.9个百分点,模型受光照变化和苹果品种影响较小。与Faster R-CNN、SSD、YOLOX、YOLO v7模型相比,CRV-YOLO的精确率、平均精度均值、模型内存占用量和复杂度性能最优,召回率接近最优。研究成果可为苹果智能疏花提供技术支持。

基于改进YOLO v5的复杂环境下桑树枝干识别定位方法

为实现复杂自然环境下对桑树嫩叶处枝干的识别检测,改变当前桑叶采摘设备作业过程中依赖人工辅助定位的现状,解决识别目标姿态多样和环境复杂导致的低识别率问题,提出一种基于改进YOLO v5模型的桑树枝干识别模型(YOLO v5-mulberry),并结合深度相机构建定位系统。首先,在YOLO v5的骨干网络中加入CBAM(Convolutional block attention module)注意力机制,提高神经网络对桑树枝干的关注度;并增加小目标层使模型可检测4像素×4像素的目标,提高了模型检测小目标的性能;同时使用GIoU损失函数替换原始网络中的IoU损失函数,有效防止了预测框和真实框尺寸较小时无法正确反映预测框及真实框之间位置关系的情况;随后,完成深度图和彩色图的像素对齐,通过坐标系转换获取桑树枝干三维坐标。试验结果表明:YOLO v5-mulberry检测模型的平均精度均值为94.2%,较原模型提高16.9个百分点,置信度也提高12.1%;模型室外检测时应检测目标数53,实际检测目标数为48,检测率为90.57%;桑树嫩叶处枝干三维坐标识别定位系统的定位误差为(9.4985 mm,11.285 mm,19.11 mm),满足使用要求。该研究可实现桑树嫩叶处枝干的识别与定位,有助于推动桑叶智能化采摘机器人研究。

基于YOLO v8n-seg和改进Strongsort的多目标小鼠跟踪方法

多目标小鼠跟踪是小鼠行为分析的基本任务,是研究社交行为的重要方法。针对传统小鼠跟踪方法存在只能跟踪单只小鼠以及对多目标小鼠跟踪需要对小鼠进行标记从而影响小鼠行为等问题,提出了一种基于实例分割网络YOLO v8n-seg和改进Strongsort相结合的多目标小鼠无标记跟踪方法。使用RGB摄像头采集多目标小鼠的日常行为视频,标注小鼠身体部位分割数据集,对数据集进行增强后训练YOLO v8n-seg实例分割网络,经过测试,模型精确率为97.7%,召回率为98.2%,mAP50为99.2%,单幅图像检测时间为3.5 ms,实现了对小鼠身体部位准确且快速地分割,可以满足Strongsort多目标跟踪算法的检测要求。针对Strongsort算法在多目标小鼠跟踪中存在的跟踪错误问题,对Strongsort做了两点改进:对匹配流程进行改进,将未匹配上目标的轨迹和未匹配上轨迹的目标按欧氏距离进行再次匹配;对卡尔曼滤波进行改进,将卡尔曼滤波中表示小鼠位置和运动状态的小鼠身体轮廓外接矩形框替换为以小鼠身体轮廓质心为中心、对角线为小鼠体宽的正方形框。经测试,改进后Strongsort算法的ID跳变数为14,MOTA为97.698%,IDF1为85.435%,MOTP为75.858%,与原Strongsort相比,ID跳变数减少88%,MOTA提升3.266个百分点,IDF1提升27.778个百分点,与Deepsort、ByteTrack和Ocsort相比,在MOTA和IDF1上均有显著提升,且ID跳变数大幅降低,结果表明改进Strongsort算法可以提高多目标无标记小鼠跟踪的稳定性和准确性,为小鼠社交行为分析提供了一种新的技术途径。

基于改进YOLO v7轻量化模型的自然果园环境下苹果识别方法

针对自然果园环境下苹果果实识别中,传统的目标检测算法往往很难在检测模型的检测精度、速度和轻量化方面实现平衡,提出了一种基于改进YOLO v7的轻量化苹果检测模型。首先,引入部分卷积(Partial convolution, PConv)替换多分支堆叠模块中的部分常规卷积进行轻量化改进,以降低模型的参数量和计算量;其次,添加轻量化的高效通道注意力(Efficient channel attention, ECA)模块以提高网络的特征提取能力,改善复杂环境下遮挡目标的错检漏检问题;在模型训练过程中采用基于麻雀搜索算法(Sparrow search algorithm, SSA)的学习率优化策略来进一步提高模型的检测精度。试验结果显示:相比于YOLO v7原始模型,改进后模型的精确率、召回率和平均精度分别提高4.15、0.38、1.39个百分点,其参数量和计算量分别降低22.93%和27.41%,在GPU和CPU上检测单幅图像的平均用时分别减少0.003 s和0.014 s。结果表明,改进后的模型可以实时准确地识别复杂果园环境中的苹果,模型参数量和计算量较小,适合部署于苹果采摘机器人的嵌入式设备上,为实现苹果的无人化智能采摘奠定了基础。

柑橘木虱YOLO v8-MC识别算法与虫情远程监测系统研究

柑橘木虱是黄龙病的主要传播媒介,其发生与活动可对柑橘果园造成毁灭性后果。为实现木虱虫情的高效监测,设计了一种集诱捕拍照、耗材更新、害虫识别与结果展示于一体的智能监测系统。设计了具备诱虫胶带自动更新、虫情图像实时获取功能的诱捕监测装置;应用选点裁剪、Mosaic数据增强(Mosaic data augmentation,MDA)和CA(Coordinate attention)注意力机制,改进了YOLO v8木虱识别模型;开发了Web和手机APP客户端,可实现虫情数据的可视化展示与远程控制。模型测试阶段,改进后的YOLO v8-MC召回率、F1值及精确率分别达到91.20%、91%、90.60%,较基准模型分别提升5.47、5、4.64个百分点;迁移试验中,模型召回率、F1值及精确率分别达到88.64%、87%、84.78%,且系统工作状态良好,满足野外使用需求。开发的智能监测系统能有效实现果园木虱虫情的远程监测,可为此类虫害防治管理提供有效手段。