浅析“…adj.(…)+to V.”结构中to V.和adj的作用

分析类似"It’s essental to book in advance"和"She is not easy for us to dealwith"这种常有"…adj.(…)+to V."形式结构的句子,to

英语强调构式“do/does/did+v.”搭配特征研究

为了探究强调构式"do/does/did+v."的构式义和该构式在不同语域中的搭配使用特征,基于COCA在线语料库,使用构式搭配分析法考察与"do/does/did+v."构式呈现显著搭配关系的词素,并对获得准允进入该构式的V槽位词素进行语义聚类。同时关注该强调构式在不同语域中呈现的搭配特征。研究发现:"do/does/did+v."构式的构式义主要分为四大类,其中第一大类为核心构式义,即表达人的意识,包括情感、感知、认知和观点,带有强烈的主观色彩;第二类是表达所属关系,侧重蕴含转折关系的所属;第三类是表达变化和移动,强调力作用的效果;最后一类归属于其它类,主要包括竞技、接触、状态、消耗、创造等动词,目的在于将注意力转移到动词上来,从而进一步引起对整体事件的注意。该构式具有实用性和能产性,主要用于口语体,在较为正式的语域中出现频次较低。

“too…to v.”句型的译法

本文搜集了多种例句,重点总结了“too…to v.”句型不含否定意义的应用,以区别于该句型含否定意义的应用。

"v.+and+v.”习语种种

英语里有不少习语是由“v.+and+v.”这种结构构成的。笔者将具有“v.+and+v.”这一结构特点的习语归纳为如下几种:一、and 连接两个同义或近义动词。如:1.chop and change 变化无常;善变I wish you wouldn’t chop and change your mind like this.我希望你不要这样不断地改变自己的想法。2.hem(also hum)and haw 嗯嗯呃呃(表示支吾或踌躇等)

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。

基于YOLO v5的直播油菜激光间苗系统设计与试验

间苗是保证直播油菜增产的一项关键技术措施,为解决人工间苗劳动强度大、机械间苗不精确的问题,采用机器视觉的方式,基于深度学习算法YOLO v5平台,设计并搭建自动间苗装置。机器视觉系统评估幼苗种群的合理密植情况,间苗算法以间距和幼苗叶展为评估标准,实现控制幼苗间距和筛选优质苗的功能。选用遗传算法对间苗行进路径进行规划,相较于未规划路径可缩短最低为50%的行进距离,最终采用激光器高温烧除的方式完成间苗作业。选取油菜苗作为试验材料,间苗阈值α是划定幼苗最小间距的参数,设置不同的间苗阈值α进行试验。结果表明,间除苗的数量随着间苗阈值α的增加而增加,幼苗平均密度下降的同时种群分布趋于均匀,对间除苗的叶展长度分类统计,α为0~75 mm时,间除苗叶展长度全部在0~20 mm范围;α为75~200 mm时,间除苗叶展长度为0~40 mm,其中叶展长度为20~40 mm的最高占比约为76%;α为200~350 mm时,间除苗叶展长度在40 mm以上的幼苗开始增加,最高占比约为14%,间除苗叶展长度梯次分布证明了间苗算法具备筛选优质苗的性能。间苗执行阶段耗时占据间苗作业总耗时的90%以上,以激光走线参数L、激光器功率P、间苗距离阈值为试验因素,三因素三水平正交试验结果表明:选择合适的激光走线参数L能有效提高间苗死亡率、降低间苗误伤率和减少间苗耗时,在参数L为30 mm、P为7.5 W、α为250 mm下开展土槽台架性能验证试验,激光间苗平均死亡率为93.29%,平均误伤率为5.19%,平均总耗时为15.19 min,为开发基于机器视觉的激光自动间苗机提供了理论基础和技术支撑。

基于YOLO v5的农田杂草识别轻量化方法研究

针对已有杂草识别模型对复杂农田环境下多种目标杂草的识别率低、模型内存占用量大、参数多、识别速度慢等问题,提出了基于YOLO v5的轻量化杂草识别方法。利用带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration, MSRCR)增强算法对部分图像数据进行预处理,提高边缘细节模糊的图像清晰度,降低图像中的阴影干扰。使用轻量级网络PP-LCNet重置了识别模型中的特征提取网络,减少模型参数量。采用Ghost卷积模块轻量化特征融合网络,进一步降低计算量。为了弥补轻量化造成的模型性能损耗,在特征融合网络末端添加基于标准化的注意力模块(Normalization-based attention module, NAM),增强模型对杂草和玉米幼苗的特征提取能力。此外,通过优化主干网络注意力机制的激活函数来提高模型的非线性拟合能力。在自建数据集上进行实验,实验结果显示,与当前主流目标检测算法YOLO v5s以及成熟的轻量化目标检测算法MobileNet v3-YOLO v5s、ShuffleNet v2-YOLO v5s比较,轻量化后杂草识别模型内存占用量为6.23 MB,分别缩小54.5%、12%和18%;平均精度均值(Mean average precision, mAP)为97.8%,分别提高1.3、5.1、4.4个百分点。单幅图像检测时间为118.1 ms,达到了轻量化要求。在保持较高模型识别精度的同时大幅降低了模型复杂度,可为采用资源有限的移动端设备进行农田杂草识别提供技术支持。

基于改进DeepLabv3+的轻量化作物杂草识别方法

为在存储资源与计算能力有限的设备上实现田间作物和杂草的识别,本文提出一种基于改进DeepLabv3+的轻量化语义分割网络。首先,以MobileNet v2作为DeepLabv3+的特征提取骨干网络,提出双分支残差模块替换倒残差模块,并删除后两层卷积以降低模型参数量。其次,在空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)模块中引入分组逐点卷积,使用深度扩张卷积替换标准卷积,并将卷积后的特征图进行多尺度特征融合增强对作物和杂草深层特征的提取能力。最后,将原有的非线性激活函数替换为Leaky ReLU激活函数来提升分割精度。实验结果表明:改进后网络的mIOU达到86.75%,参数量仅为0.69M,FPS达到了98,与原始DeepLabv3+以及3个典型轻量化语义分割网络的相比,参数量最小,在对比的轻量化网络中具有最高的分割精度。

融合Inception V1-CBAM-CNN的轴承剩余寿命预测模型

针对现有的滚动轴承剩余寿命(RUL)预测方法精度低、轴承健康指标(HI)构建困难等问题,提出了一种基于卷积神经网络(CNN)并融合Inception V1模块和卷积注意力机制模块(CBAM)的滚动轴承RUL预测模型。首先,在CNN中添加了CBAM机制,并进行了加权处理,在通道和空间维度对重要特征进行了强化,对次要特征进行了抑制,通过添加改进的InceptionV1模块,提高了CNN通道间信息交互水平,全面提取了退化特征;然后,进行了网络优化,采用全局最大池化(GMP)方法对模型进行了简化,采用Dropout和批量归一化(BN)方法,避免了过拟合,提高了精度,且克服了训练时出现的梯度消失问题;最后,对数据进行了处理,将降噪后的信号重组为三维张量,将其作为HI,构建了退化标签,引入了评价指标,采用PHM2012轴承数据集进行了实验验证,在3种工况下将其与深度神经网络(DNN)、CNN方法、结合注意力机制的残差网络方法(ResNet)进行了对比。研究结果表明:该方法在变负载条件下的平均RMSE为0.033,较其他方法的RMSE值分别降低了86%、78%和69%,在预测精度和泛化能力方面具有明显优势。

基于改进YOLO v5的复杂环境下花椒簇识别与定位方法

花椒树产果量大,枝干纵横交错,树叶茂密,给花椒的自动化采摘带来了困难。因此,本文设计一种基于改进YOLO v5的复杂环境下花椒簇的快速识别与定位方法。通过在主干提取网络CSPDarknet的CSPLayer层和Neck的上采样之后增加高效通道注意力ECA(Efficient channel attention)来简化CSPLayer层的计算量,提升了特征提取能力。同时在下采样层增加协同注意力机制CA(Coordinate attention),减少下采样过程中信息的损失,强化特征空间信息,配合热力图(Grad-CAM)和点云深度图,来完成花椒簇的空间定位。测试结果表明,与原YOLO v5相比较,改进的网络将残差计算减少至1次,保证了模型轻量化,提升了效率。同帧数区间下,改进后的网络精度为96.27%,对比3个同类特征提取网络YOLO v5、YOLO v5-tiny、Faster R-CNN,改进后网络精确度P分别提升5.37、3.35、15.37个百分点,连株花椒簇的分离识别能力也有较大提升。实验结果表明,自然环境下系统平均识别率为81.60%、漏检率为18.39%,能够满足花椒簇识别要求,为移动端部署创造了条件。

甲状腺乳头状癌及其临床病理特征与Braf蛋白表达、BRAF V600E基因突变之间的关系

目的:观察甲状腺乳头状癌临床病理特征和BRAF V600E基因突变、BRAF蛋白表达的相关性。方法:临床选择2019年7月~2020年2月在深圳市龙岗中心医院就诊的原发性甲状腺乳头状癌患者100例,对其临床病理信息进行收集,PCR扩增后测序,分析甲状腺乳头状癌临床病理特征和BRAF V600E基因、Braf蛋白表达之间的关系。结果:BRAF V600E基因突变、Braf蛋白表达情况与肿瘤复发/远处转移、肿瘤分期、肿瘤大小、年龄等因素密切相关,差异有统计学意义(P<0.05);100例甲状腺乳头状癌出现钙化者为47例(47.0%),通常具有粗大片状钙化、砂砾样钙化,研究发现BRAF基因突变状态与钙化类型、是否出现钙化无明显相关性。结论:甲状腺乳头状癌的临床病理指标与BRAF V600E基因突变、Braf蛋白表达密切相关,是评估甲状腺乳头状癌的相关预后因子之一。

基于注意力机制的轻量化YOLO v5s蓝莓检测算法

为实现自然环境下蓝莓的精确快速检测,在YOLO v5s的基础上提出了一种结合轻量级网络和注意力机制的改进算法。首先,在主干网络和检测头的位置去除了最大目标检测层的结构,因而降低模型的参数量,增强模型对小目标的检测能力。其次,将MHSA(Multi‐head self‐attention,多头自注意力)替换了SPPF(Spatial pyramid pooling‐fast,快速空间金字塔池化)前面的C3模块,使模型学习到更全面的特征表示,增强模型对蓝莓图像中复杂空间关系和上下文信息的理解能力。最后,在C3模块中加入了S-PSA(Sequential polarized self‐attention,顺序极化自注意力),以便模型能够更好地捕捉特征图中相邻区域之间的上下文依赖关系。结果表明,改进后的YOLO v5s算法对成熟、半成熟和未成熟蓝莓的检测精度分别提升1.2、4.4、2.6百分点,平均精度提升2.7百分点,模型参数量减少76.0%。与当前主流轻量化目标检测模型相比,改进后的模型性能更加优越,能为自然环境下蓝莓采摘机器人视觉系统提供一种有效的方案。

鼠疫耶尔森菌低钙应答V抗原人源单克隆抗体筛选与鉴定

目的筛选抗低钙应答V抗原(LcrV)的人源单克隆抗体,分析抗体基因特点,检测抗体与抗原结合的特异性、亲和力及功能。方法使用PCR方法从鼠疫疫苗临床试验志愿者外周血细胞cDNA扩增抗体轻、重链可变区基因片段,构建ScFv噬菌体抗体文库。用LcrV对文库进行富集筛选,将获得的抗体基因表达成人IgG1后,测定抗体与LcrV抗原结合的特异性、亲和力、免疫调节功能以及保护能力。结果成功构建了鼠疫耶尔森菌人源ScFv抗体文库,库容量为7.54×10^(8)。抗体文库经LcrV筛选后获得了3株抗LcrV抗体,命名为RV-B4、RV-D1和RV-E8。3株抗体重链为VH1-46和VH3-30,轻链分别为VL1-51、VK3-20和VK1-39。3株抗体经ELISA及Western blot验证均与LcrV特异性结合,其与V抗原结合的解离常数(KD)分别为2.1 nmol/L、1.24 nmol/L和42 nmol/L。RV-D1体外降低人THP-1分泌TNF-α,动物攻毒试验中未发现抗LcrV抗体的保护效果。结论从鼠疫疫苗免疫人群获得了靶向低钙应答V抗原的人源抗体,以结合抗体为主,不能有效阻断病菌感染。所获得的单抗为鼠疫免疫基础研究、鼠疫诊断应用提供了候选材料。

基于改进YOLO v5的复杂环境下柑橘目标精准检测与定位方法

针对自然环境下柑橘果实机械化采收作业环境复杂和果实状态多样等情况,提出了一种多通道信息融合网络——YOLO v5-citrus,以解决柑橘果实识别精准度低、果实分类模糊和定位精准度低等难题。将不同的柑橘目标通过不同遮挡条件分为“可采摘”和“难采摘”两类,这种分类策略可指导机器人在真实果园中顺序摘取,提高采摘效率并减少机器人本体和末端执行器损坏率。YOLO v5-citrus中,在颈部网络插入多通道信息融合模块,对柑橘的深浅特征信息进行处理,提高柑橘采摘状态识别精度,同时修改颈部网络拼接方法,针对目标柑橘大小进行识别,训练后在识别部分嵌入聚类算法模块,将训练部分识别模糊的柑橘目标进行最后区分。识别后进行深度图像和彩色图像的像素对齐,并通过坐标系转换获取柑橘目标三维坐标。在使用多种增强技术处理的数据集中,YOLO v5-citrus比原始YOLO v5在平均精度均值和精确率上分别提高2.8个百分点与3.7个百分点,表现出更优异的泛化能力。与YOLO v7和YOLO v8等其他主流网络架构相比较,保持了更高的检测精度和更快的检测速度。通过真实果园的检测与定位试验,得到柑橘目标的三维坐标识别定位系统的定位误差为(1.97 mm,0.36 mm,9.63 mm),满足末端执行器的抓取条件。试验结果表明,该模型具有较强的鲁棒性,满足复杂环境下柑橘状态识别要求,可为柑橘园机械采收设备提供技术支持。

低肋与V形肋复合结构在双通道中的强化换热数值研究

随着燃气轮机内涡轮入口温度的升高,燃气轮机会出现热障问题,为保证燃气轮机安全运行,复合结构能够有效提高通道的冷却性能来解决此问题。采用SST k-ω湍流模型对带有低肋与V肋复合结构双通道的流动与传热特性进行了数值模拟,将圆形肋复合结构、扇叶形肋复合结构和葫芦形肋复合结构与纯V形肋在雷诺数为10 000~60 000时的传热性能进行比较,探索出综合换热效果最佳的复合结构。发现相比于纯V形肋通道,复合结构双通道的综合传热性能均得到提升,其中葫芦形肋与V形肋组成的复合结构的综合换热效果最好。葫芦肋复合结构的Nu相比于纯V形肋提高了4.33%~6.6%,f提高了0.04%~4.48%,η最佳值达到了2.13。葫芦形肋复合结构的η比45°斜方形肋和45°斜花形肋分别增大了25.51%~32.98%和4.73%~10.51%,同时,低肋与V形肋组成的复合结构综合换热性能要优于凹坑与V形肋组成的复合结构。葫芦肋复合结构有效增强通道的换热效果且压力损失增长较小,可显著提升涡轮内部冷却通道的综合换热性能。