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。

基于顶芽智能识别的棉花化学打顶系统研究

设计了基于顶芽智能识别的棉花化学打顶系统,为实现精准作业,合理高效使用棉花化学打顶药剂,以减少因化学打顶剂的过度使用造成的环境污染。该系统主要由棉花顶芽识别系统、控制系统和喷施系统组成。采用YOLO v5s算法构建棉花顶芽识别模型。控制系统采用STM32F407单片机,负责接收识别系统的信号,并对各个棉花打顶剂管道进行控制。同时,显示界面能够实时显示机具行驶速度、药液流量、打顶剂液位等参数。试验结果表明,在田间全天光照试验中,上午和下午时间段识别效果最优;在速度0.4 m/s下,平均识别率约为94%;信号发送区间为100 mm时,成功向下位机发送信号的成功率达到92%;田间对靶喷施试验表明,有效喷施率为94%,满足作业要求。

线上线下双模式教育的应用——以机械电子工程专业必修课《热力学与传热学基础》为例

后疫情时代,为适应教学要求,逐渐衍生出线上线下双模式的教学方式。本文以机械电子工程专业的必修课《热力学与传热学基础》为例介绍了线上线下双模式教育在教学中的应用。首先介绍了《热力学与传热学基础》这门专业必修课的主要授课内容、学习目标和考核标准,其次以理想气体基本热力学过程的p-v图和T-s图为例,说明了双模式教育的应用为教学带来的好处。

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。

基于改进YOLO v5的混凝土桥梁裂缝轮廓提取研究

裂缝是混凝土桥梁的常见病害之一,当前主要依靠人工实施检测,存在效率低和准确率低等问题,研究自动化、智能化的裂缝检测方法一直是行业的热点问题。文章提出了一种改进YOLO v5的深度学习方法可以解决当前桥梁裂缝检测误检率高实时性差的问题。首先,我们将YOLO v5中主干网络替换为残差网络,进而加深网络的深度,通过残差连接使网络学习更复杂的特征;然后,在颈部网络结构的最后一层使用GCNet网络结构,通过全局相关层,将全局信息编码到每个位置的特征中,可以更好地捕捉裂缝的轮廓和细节。实验表明,该方法能够快速准确地检测出裂缝,且误检率较低,精确率可达到67.1%,比原始网络提高了9.2%,在混凝土桥梁裂缝轮廓提取任务中展现了出色的性能。

光伏-直流智能充电桩有序充电策略与应用效果

在双碳目标的指引下,建筑屋顶可作为分布式光伏的重要场景,同时汽车电动化是交通领域减碳的关键举措。然而,大量光伏出力和电动汽车充电需求在时间上的不匹配,给电网稳定性带来较大压力。提出一种光伏-直流智能充电桩的有序充电策略,在满足充电需求的基础上,减少外网供电,可有效提高光伏自消纳能力和负荷满足率。以北京市某办公建筑为例,通过实验测试和模拟计算,分析了不同天气条件下系统运行效果。结果表明,该充电策略可以完全利用建筑光伏满足电动汽车充电需求,无须向外网取电,即负荷满足率可达100%。与传统恒功率充电方式相比,光伏消纳率提高了42%,光伏最大并网功率下降了54%,为建筑光伏高效利用和交通领域电气化提供借鉴和参考。

On V.S.Naipaul’s Spatial Writing

Specialty:Comparative Literature and World Literature This dissertation has made a penetrating study of V.S.Naipaul’s Spatial Writing from the New Cultural Geography perspective.As an Indian-English writer,V.S. Naipaul won Nobel Prize for literature in 2001.He is one of the most

基于YOLO v5s的茶叶病虫害检测方法

茶叶病虫害是影响茶叶产量和质量的主要因素之一,茶叶病虫害的准确检测是有效治疗的前提。针对茶叶病虫害检测,通过基于YOLO v5s的算法对已知病虫害叶片的学习,获得能识别茶叶病虫害类别的检测模型。通过实验表明,基于YOLO v5s的检测模型比常用的Faster-RCNN在部分茶叶病虫害上具有更好性能,在实验环境下,对greenleafcicada、teainchworm等病虫害检测准确率超过了70%,对开发茶叶病虫害检测应用具有重要意义,同时,对提升茶叶产量和质量具有重要价值。

基于改进YOLO v5s的奶山羊面部识别方法

为准确高效地实现无接触式奶山羊个体识别,以圈养环境下奶山羊面部图像为研究对象,提出一种基于改进YOLO v5s的奶山羊个体识别方法。首先,从网络上随机采集350幅羊脸图像构成羊脸面部检测数据集,使用迁移学习思想预训练YOLO v5s模型,使其能够检测羊脸位置。其次,构建包含31头奶山羊3844幅不同生长期的面部图像数据集,基于预训练的YOLO v5s,在特征提取层中引入SimAM注意力模块,增强模型的学习能力,并在特征融合层引入CARAFE上采样模块以更好地恢复面部细节,提升模型对奶山羊个体面部的识别精度。实验结果表明,改进YOLO v5s模型平均精度均值为97.41%,比Faster R CNN、SSD、YOLO v4模型分别提高6.33、8.22、15.95个百分点,比YOLO v5s模型高2.21个百分点,改进模型检测速度为56.00 f/s,模型内存占用量为14.45 MB。本文方法能够准确识别具有相似面部特征的奶山羊个体,为智慧养殖中的家畜个体识别提供了一种方法支持。

基于ECA-YOLO v5s网络的重度遮挡肉牛目标识别方法

肉牛目标检测和数量统计是精细化、自动化、智能化肉牛养殖要解决的关键问题,受肉牛个体颜色及纹理相近和遮挡等因素的影响,现有肉牛目标检测方法实用性较差。本研究基于YOLO v5s网络与通道信息注意力模块(ECABasicBlock),提出了一种融合通道信息的改进YOLO v5s网络(ECA-YOLO v5s),在YOLO v5s模型的骨干特征提取网络部分添加了3层通道信息注意力模块。ECA-YOLO v5s网络实现了重度遮挡环境下多目标肉牛的准确识别。对养殖场监控视频分帧得到的肉牛图像采用了一种基于结构相似性的冗余图像剔除方法以保证数据集质量。数据集制作完成后经过300次迭代训练,得到模型的精确率为89.8%,召回率为76.9%,全类平均精度均值为85.3%,检测速度为76.9 f/s,模型内存占用量为24 MB。与YOLO v5s模型相比,ECA-YOLO v5s的精确率、召回率和平均精度均值分别比YOLO v5s高1.0、0.8、2.2个百分点。为了验证不同注意力机制应用于YOLO v5s的性能差异,本研究对比了CBAM(Convolutional block attention module)、CA(Coordinate attention)、SE(Squeeze and excitation)和ECA(Efficient channel attention)4种注意力机制,试验结果表明,ECA注意力机制的平均精度均值分别比CBAM、CA、SE高0.5、0.6、0.2个百分点。并且分析讨论了不同遮挡情况以及光照情况的检测结果,结果表明,ECA-YOLO v5s网络可以准确、快速地检测不同遮挡以及光照情况的肉牛目标。模型具有较高的鲁棒性,且模型较小,便于模型的迁移应用,可为肉牛目标检测及质押监管等研究提供必要的技术支撑。

基于YOLO v5s和改进SORT算法的黑水虻幼虫计数方法

目前农业环境下的无序目标的精确计数有很高的应用需求,这种计数对其生物量、生物密度管理起到了重要的指导作用。如黑水虻幼虫目标追踪过程中,追踪对象具有高速和非线性的特征,常规算法存在追踪目标速度不足和丢失目标后的再识别困难等问题。针对以上问题,本文提出了一种改进SORT算法,通过改进卡尔曼滤波模型的方式提升目标追踪算法的快速性和准确性,提升了计数的精度。另外,针对黑水虻幼虫目标识别过程中幼虫性状的多样性和混料导致的复杂背景问题,本文通过实验对比多种深度学习网络性能选定YOLO v5s算法提取图像多维度特征,提升了目标识别精度。实验结果表明:在划线计数方面,本文提出的改进SORT算法与原模型相比,平均精度从91.36%提升到95.55%,提升4.19个百分点,通过仿真和实际应用,证明了本文模型的有效性;在目标识别方面,使用YOLO v5s模型在训练集上帧率为156 f/s,mAP@0.5为99.10%,精度为90.11%,召回率为99.22%,综合性能优于其他网络。

基于改进YOLO v5s的轻量化植物识别模型研究

为方便调查宁夏全区荒漠草原植物种类及其分布,需对植物识别方法进行研究。针对YOLO v5s模型参数量大,对复杂背景下的植物不易识别等问题,提出一种复杂背景下植物目标识别轻量化模型YOLO v5s-CBD。改进模型YOLO v5s-CBD在特征提取网络中引入带有Transformer模块的主干网络BoTNet(Bottleneck transformer network),使卷积和自注意力相结合,提高模型的感受野;同时在特征提取网络融入坐标注意力(Coordinate attention,CA),有效捕获通道和位置的关系,提高模型的特征提取能力;引入SIoU函数计算回归损失,解决预测框与真实框不匹配问题;使用深度可分离卷积(Depthwise separable convolution,DSC)减小模型内存占用量。实验结果表明,YOLO v5s-CBD模型在单块Nvidia GTX A5000 GPU单幅图像推理时间仅为8 ms,模型内存占用量为8.9 MB,精确率P为95.1%,召回率R为92.9%,综合评价指标F1值为94.0%,平均精度均值(mAP)为95.7%,在VOC数据集平均精度均值可达80.09%。相比YOLO v3-tiny、YOLO v4-tiny和YOLO v5s,改进模型内存占用量减小,平均精度均值提升。模型YOLO v5s-CBD在公开数据集和宁夏荒漠草原植物数据集都有良好的鲁棒性,推理速度更快,且易于部署,已应用在宁夏荒漠草原移动端植物图像识别APP和定点生态信息观测平台,可用来调查宁夏全区荒漠草原植物种类和分布,长期观测和跟踪宁夏盐池县大水坑、黄记场、麻黄山等地植物生态信息。

基于改进YOLO v5s的甘蔗切种茎节特征识别定位技术

为了实现甘蔗智能横向切种工作站的精准、高效的自动化切种,针对工厂化切种任务的特点,提出了一种基于改进YOLO v5s的甘蔗茎节特征边缘端识别与定位方法。首先,利用张正友相机标定法对摄像头进行畸变矫正;然后对甘蔗茎节数据集进行数据增强,利用原始的YOLO v5s模型进行训练和测试,结果显示数据增强能一定程度上提高检测精度。针对茎节特征目标小以及模型体积大导致检测精度低、部署难度高等问题,对YOLO v5s的骨干网络进行改进,在SPPF特征融合模块前引入坐标注意力(Coordinate attention,CA)模块和Ghost轻量化结构,在Head网络中剔除P5大目标检测头,得到了改进后甘蔗茎节检测模型YOLO v5s-CA-BackboneGhost-p34,测试结果表明该模型优于其他主流算法和原始模型,具有高精度、小体积等优势。其中,平均精度均值1和平均精度均值2分别提高5.2、16.5个百分点,模型浮点数计算量和内存占用量分别降低42%和51%。最后,为了提高检测速度和实时性,将模型部署于边缘端,利用TensorRT技术加快检测速度,并在传送速度为0.15 m/s的甘蔗智能横向切种工作站上完成实际切种实验。实验结果表明,加速后茎节检测速度达到95 f/s,实时检测定位平均误差约为2.4 mm,切种合格率为100%,漏检率0.4%,说明本文提出的模型具有高度可靠性和实用性,可以为甘蔗横向切种工作站的工厂化、智能化以及标准化应用提供有效的技术支持。

复杂环境下蛋鸡个体识别与自动计数系统研究

鸡群计数是鸡场资产评估中一项非常重要的工作。目前鸡场采用的人工计数方法,存在效率低下且计数准确度不稳定的问题。针对此问题,本文提出了一种基于改进YOLO v5s的蛋鸡个体识别与计数的方法。该方法为了消除真实复杂环境下产蛋箱、食槽等设施对蛋鸡个体识别带来的干扰,在YOLO v5s模型的Neck部分引入了SimAM注意力机制;为了扩大模型感受野,解决蛋鸡个体较小、识别困难的问题,将YOLO v5s模型的SPPF(空间金字塔池化模块)改为了SPPCSPC模块;为了尽可能多地提取蛋鸡有效特征,通过在YOLO v5s的Neck结构添加自适应特征融合模块ASFF,将不同尺度的蛋鸡成像特征信息进行融合的方法,进一步提升了模型的检测精度。在此基础上,通过调用模型检测接口,在接口内部添加计数函数、统计目标数量的方法,实现了蛋鸡个体的计数和鸡舍饲养密度的计算。将改进后的模型通过PyQt工具包进行封装、打包,开发了蛋鸡个体识别与自动计数系统。实验结果表明,改进的YOLO v5s模型的精准率、召回率、平均精度均值分别为89.91%、79.24%、87.53%,较YOLO v5s模型分别提高2.37、2.55、2.20个百分点。本模型在120~247只蛋鸡鸡舍的计数平均准确率为94.77%,较YOLO v5s模型提升2.49个百分点。研发的蛋鸡计数系统在河北省某养殖基地得到了实际应用,为养殖场的蛋鸡数量清点提供了一种可靠且有效的方法。

奈保尔笔下身份困境中失语他者的主动言说

受困于西方中心主义思想,奈保尔将作品中的有色人种和女性人物塑造为种族他者、阶级他者或性别他者,以模式化、机械化的二元对立价值体系作为刻画失语他者的刻板标准。尽管毕司沃斯先生终其一生的建房之旅依旧充满浓重的悲剧色彩,吉米的激进反抗总使他受困于野蛮与非理性的泥沼,而图尔西夫人与海瑞拉夫人也并不足以掩盖奈保尔一贯的厌女意识,但作家依然肯定了他们的能动性与创造力,并赋予他们主动言说的权力,使他们短暂地脱离被主体肆意操控的被动状态,在某种意义上成为具备自我意志的存在。

生存与抗争:《抵达之谜》中的女性角色解读

诺贝尔文学奖得主奈保尔以其复杂而矛盾的女性观、传统保守却又具有超时代的特质区别于其他作家。奈保尔在半自传体小说《抵达之谜》中塑造了“无声中抗争”的布伦达、“有声但无我”的菲利普斯太太以及“有声且自主”的安杰拉三种典型女性形象。奈保尔将自身的经历与价值观融入这些女性角色的建构中,描绘了她们迥然不同的性格与命运,展现了自身女性观的演变过程。

含有隐性形式的“把”字句“S+把+O+V+了”探究

文章从结构和语义角度,揭示了致使义和处置义的典型“把”字句“S+把+O+V+了”中存在不同类型的隐性形式,继而对非典型的“把”字句“S+把+O+V+了”的语义特点进行了考察与分析。

充满情感厚度的自我剖析——V.S.奈保尔《抵达之谜》中的空间叙事

在《抵达之谜》中,V.S.奈保尔将全书的主题隐藏于叙事中,创作出引发多种阐释的“抵达之谜”。通过对社会和世界变迁的质询和思考,借助非线性的空间书写,奈保尔揭示了作为“精神之地”“花园”的多重意义。通过对“栖居之地”“庄园”和“小屋”这些具有代表性的隐喻空间的描写,作者用细腻的笔触绘制了居住者的心理地图和意识空间。植根于各种细腻的外部景观描写中的,以及叙述者与新世界的情感和精神的碰撞、对旧世界的留念与反思中的,是作家对身份充满情感厚度的自我剖析和对生命和人的存在的“顿悟”。所谓“抵达”更是一种心理上的“抵达”和实现。

基于SEEC-YOLO v5s的散养蛋鸡日常行为识别与统计系统

针对鸡只个体较小、个体间存在遮挡,对蛋鸡日常行为识别造成干扰的问题,提出了一种基于SEEC-YOLO v5s的蛋鸡日常行为识别方法。通过在YOLO v5s模型输出部分添加SEAM注意力模块、在特征融合部分引入显式视觉中心模块(EVCBlock),扩大了模型的感受野,提高了模型对小个体遮挡情况下的目标识别能力,提升了模型对蛋鸡站立、采食、饮水、探索、啄羽和梳羽6种行为的识别精度。提出了一种基于视频帧数与视频帧率比值计算蛋鸡日常行为持续时间的统计方法,并对蛋鸡群体一天之中不同时间段及全天各行为变化规律进行了分析。将改进后的模型进行封装、打包,设计了蛋鸡日常行为智能识别与统计系统。试验结果表明,SEEC-YOLO v5s模型对6种行为识别的平均精度均值为84.65%,比YOLO v5s模型高2.34个百分点,对比Faster R-CNN、YOLO X-s、YOLO v4-tiny和YOLO v7-tiny模型,平均精度均值分别提高4.30、3.06、7.11、2.99个百分点。本文方法对蛋鸡的日常行为监测及健康状况分析提供了有效的支持,为智慧养殖提供了借鉴。