Cr含量对Ti5Mo5V3Al-xCr系合金组织及性能的影响

对Ti5Mo5V3Al-x Cr(x=1.0,3.0,5.0,7.0,9.0)系五种合金分别在β单相区和(α+β)两相区固溶水淬处理后,并在同一温度时效后的力学性能进行了研究。结果显示,合金的时效强度随着Cr含量的增加而逐渐降低。通过扫描电镜SEM及XRD等分析测试手段,详细分析了五种合金在各种热处理状态下的相构成、相含量、尺寸形貌等微观因素与宏观力学性能之间的相关性。结果显示Ti5Mo5V3Al-x Cr系合金的强化机制主要是由于时效过程中析出的αs相造成的。合金强化效应的大小则与αs相析出的数量、尺寸密切相关,而αs相的析出机制主要由Cr元素在合金系中的含量所决定。

Cr含量对Ti5Mo5V3Al-Cr系合金等温相变动力学和TTT图的影响

采用原位热膨胀法,结合XRD分析研究不同Cr元素含量(1.0%,3.0%,5.0%,7.0%和9.0%,质量分数)的Ti5Mo5V3Al-Cr系合金在420,520,620℃时效过程中的相变化量与时间的关系。根据Johnson-Mehl-Avrami方程,拟合得到Ti5Mo5V3Al-Cr系合金的相关动力学参数,建立该系合金的动力学方程。通过实验结果和理论计算结果,绘制Ti5Mo5V3Al-Cr系合金的时间-温度-转变(TTT)对比曲线。结果表明:动力学方程计算结果与实验结果具有良好的一致性;1Cr和3Cr合金在实验温度范围内均具有较快的相变速率;5Cr和7Cr合金的等温相变对温度敏感,"鼻温区"在550℃左右;9Cr合金则在实验温度范围内均具有较慢的相变速率,无明显"鼻温区"。

Ti5Mo5V3Al-xCr系合金等温时效相变动力学

利用同步X射线衍射技术研究了Ti5Mo5V3Al-xCr(x=1.0,3.0,5.0,7.0和9.0)系列合金在550℃的α+β→β等温相变动力学。结果显示,Ti5Mo5V3Al-xCr系列合金等温相变为长程扩散控制型相变,相变过程可以用JMA方程进行宏观描述。等温时效过程中,1Cr合金的相变速率最快,且随Cr含量的增加,相变速率变慢。Cr含量随平衡态α相含量增加呈线性递减规律。Cr元素含量对合金相变点及平衡态相含量的影响是造成合金系等温相变动力学行为差异的主要原因。

数字化DC800V3A开关电源的设计

随着我国工业的不断发展,对工业生产用的电源在功能、效率、EMI/EMC和纹波等方面都提出了更高的要求,高频开关电源在工业生产中得到了广泛的使用。由于在一些特殊领域使用的电源输出电压比较高,输出功率较大,功能也相对复杂。因此,对设计、生产工艺及器件的选择都比较苛刻。

铬含量对Ti5Mo5V3Al-XCr系合金α+β/β转变温度的影响

通过计算法、连续升温金相法及差示扫描量热法对Ti5Mo5V3Al-XCr(X=1.0,3.0,5.0,7.0,9.0,质量分数,%)系列合金的α+β/β相转变温度进行了测定。金相法测定结果显示,随着Cr含量的增加,相转变温度呈线性下降趋势,每提高1%的Cr含量,相变点降低17.5℃左右。通过观察各合金不同温度下的显微组织,发现随着Cr含量的增加,合金稳定β相能力逐渐提高,合金逐渐由近β钛合金向稳定型β钛合金过渡。结合差示扫描量热法测量结果显示,随着Cr含量的增加,合金相转变过程中的热效应逐渐减弱,相转变效应减弱。对比3种测定方法,尽管各有优缺点,但就β钛合金而言,金相法仍是最为直观、精确及可靠的方法。

改进DeepLab v3+模型下的梯田遥感提取研究

[目的与意义]梯田作为农业生产的关键要素之一,其面积估算对于农业政策制定、土地规划和资源管理至关重要。为解决复杂的地形条件、种植环境导致传统遥感数据和监测方法难以开展梯田自动化提取问题,探索一种利用深度学习技术在高分辨率遥感影像中精准提取梯田面积的方法。[方法]以休耕期梯田高分六号影像构建语义分割数据集,同时提出一种改进的DeepLab v3+模型。该模型使用轻量级网络MobileNet v2作为骨干网络,为了同时兼顾局部细节和全局语境,使用多尺度特征融合(Multi-scale Feature Fusion module,MSFF)模块代替空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)模块,利用扩张率依次增大的空洞卷积级联模式改善信息丢失的问题。此外,对浅层特征和深层特征使用坐标注意力机制以加强网络对于目标的学习。[结果与讨论]利用红、绿和近红外波段组合方式在梯田提取的精度和效果上表现最佳。相比于原始DeepLab v3+网络,精确率、召回率、F_(1)评分和交并比指标分别提升4.62%、2.61%、3.81%和2.81%。此外,与UNet和原始DeepLab v3+相比,改进的DeepLab v3+在参数量上和浮点运算数有着更为优越的性能,其参数量仅为UNet的28.6%和原始DeepLab v3+的19.5%,同时浮点运算数仅为UNet和DeepLab v3+的1/5。这不仅提高了计算效率,也使得改进后的模型更适用于资源有限或计算能力较低的环境中。[结论]深度学习在高分辨率遥感影像梯田识别中具有较高的精度,有利于为梯田精细化监测和管理提供参考依据。

基于多器官特征融合的枣品种识别方法

针对自然场景下的枣品种识别问题,以枣果为研究对象的机器视觉技术已成为枣品种精准识别的主流方法之一。针对枣品种存在类间差异小、类内差异大的问题,提出了一种基于多器官特征融合的枣品种识别方法。首先利用YOLO v3检测算法将采集的自然场景图像中的枣果和叶片器官分割提取,提出了基于笛卡尔乘积构建两器官组合对的枣品种多样本数据集,然后基于EfficientNetV2网络模型,设计了能够充分学习两器官特征相关性的融合策略来提升模型性能,引入了逐步迁移训练方式以提升枣品种识别效率。最后,在构建的包含20个枣品种数据集上进行了大量实验,得到97.04%的识别准确率,明显优于现有研究结果,并且在训练时间和收敛速度上,本方法也有一定提升。结果表明该方法能够有效融合枣品种枣果和叶片器官的特征信息,可为其他品种识别研究提供参考。

基于改进RegNet网络的玉米叶片病害识别研究

针对目前玉米叶片病害识别模型参数量大、移动端部署难、识别准确率不够高等问题,提出一种基于轻量化网络RegNet和迁移学习的识别方法,首先收集4类常见玉米叶片病害图像样本,通过平移、镜像、旋转等方式对图像进行处理,以增加图片数量,提升模型识别和泛化能力。接着以轻量化网络RegNet为主体,采用Inception A结构对stem中的3×3卷积进行替换,增加模型宽度,以分解卷积的形式对玉米叶片病害进行多尺度特征提取。最后在head中引入金字塔池化模块(pyramid pooling module,PPM),用于减少空间信息丢失,保留病害重要特征和细节。试验结果表明,改进后的模型相比RegNet,Top-1准确率提升1.26百分点,平均精确率提升1.34百分点,平均F1分数提升1.33百分点,平均召回率提升1.34百分点,参数量只增加了0.89×10^(6),改进后的模型具有更好的特征提取能力,该模型为玉米叶片病害类型的识别提供了一种有效的方法。

改进Deeplabv3+的双注意力融合作物分类方法

近年来,卷积神经网络(convolutional neural networks,CNN)在农作物分类研究中不断取得新进展,但在建模长期依赖关系方面表现出一定的局限性,对农作物全局特征的捕获存在不足。针对以上问题,将Transformer引入Deeplab v3+模型,提出了一种用于无人机影像农作物分类的并行分支结构--DeepTrans(Deeplab v3+with Trans-former)模型。DeepTrans以一种并行的方式将Transformer和CNN结合在一起,利于全局特征与局部特征的有效捕获。通过引入Transformer来增强图像中信息的远距离依赖关系,提高了作物全局信息的提取能力;加入通道注意力机制和空间注意力机制加强Transformer对通道信息的敏感度及ASPP(atrous spatial pyramid pooling)对作物空间信息捕获能力。实验结果表明,DeepTrans模型在MIoU指标上可达0.812,相较于Deeplab v3+模型提高了3.9%,该模型在五类作物的分类中精度均有提升,对于容易错分的甘蔗、玉米和香蕉三种作物,其IoU分别提高了2.9%、4.7%、13%。由此可见,DeepTrans模型在农作物分类图像的内部填充和全局预测方面有着更好的分割效果,有助于更准确地监测农田作物的种植结构及规模。

基于v3洋葱域名的比特币地址威胁程度分析

比特币可以在不透露使用者身份的情况下进行交换,导致其成为不法分子在暗网上进行违法活动的主要方式。为了追踪比特币非法交易,传统方法根据比特币的伪匿名性,在整个区块链上进行启发式地址聚类,没有充分利用比特币地址在暗网上的信息。2021年Tor官方全面启用v3洋葱域名,使得以往的v2洋葱域名数据无法再作为分析的依据。设计并实现基于v3洋葱域名的比特币地址威胁程度的一体化分析框架TLAFDB。信息收集模块使用境外服务器解决地域限制并设置socks5h代理以支持暗网爬虫运行,使用洋葱种子地址在暗网中爬行收集最新的v3洋葱域名数据,信息清洗模块采用可同时覆盖Base58和Bech32编码的正则表达式以提取v3洋葱域名网页中的比特币地址,通过区块链搜索引擎Blockchain.com筛选存在真实交易的比特币地址,并建立其和所在v3洋葱域名的关联关系,信息分析模块采用人工分析和关键词匹配相结合的方法分类v3洋葱域名,赋予其关联的比特币地址类别和流行度并判定威胁程度。实验结果表明,TLAFDB收集了23627个v3洋葱域名网页,提取并分析1141个存在真实交易的比特币地址的类别、流行度和威胁程度,发现在暗网中同一个比特币地址常出现在大量的镜像洋葱域名网页上,超过95%的比特币地址被恶意使用,并且庞氏骗局交易量占高危比特币地址总交易量的99%。

基于改进MobileNet v3的苹果叶片病害识别研究

为解决移动端和嵌入式设备中苹果叶片病害识别准确率不高、效率低下的问题,提出了一种新的基于MobileNet v3网络的分类模型,以实现更加高效和准确的苹果叶片病害识别。首先通过数据增广方法增强数据集,按照9∶1的比例划分训练集和验证集;然后在MobileNet v3网络核心倒残差结构的升维部分引入全维动态卷积,以加强对不同维度注意力权重的学习,从而增强网络的拟合能力;最后在降维部分引入修改后的ConvNext Block模块,减少信息损失并增加全局感受野。采用PyTorch作为分类网络的深度学习框架,使用交叉熵损失函数作为分类任务的损失函数,Adam作为优化器,通过多组对比试验可知,MobileNet v1、MobileNet v2、ResNet34、MobileNet v3以及改进后的MobileNet v3 ODConvNext网络的准确率分别为94.5%、95.7%、97.2%、96.9%及97.5%。可见,MobileNet v3 ODConvNet网络拥有最高的Top-1准确率,相较于MobileNet v3网络和结构更为复杂的ResNet34网络分别提升了0.6、0.3百分点;在运算频率方面,相对于MobileNet v3网络仅增加了1.00×10^(6)次/s,并且仅为ResNet34网络参数量的11.84%。因此,该试验结果证明了改进后的MobileNet v3 ODConvNext模型具有更加轻量级和更高准确率的优点,满足在移动端真实场景下进行苹果叶片病害识别的要求,有助于苹果叶片病害的防治工作。

基于YOLO模型的堤坝管涌监测智能识别方法

针对堤坝管涌现象的监测识别问题,提出一种基于YOLO模型的堤坝管涌识别方法。该方法通过引入改进的残差块及替换模型的激活函数来提升YOLO v3模型的网络性能,构建了基于堤坝管涌感兴趣区域提取的Piping YOLO模型来提取管涌感兴趣区域,并采用二维主成分分析方法提取管涌现象的特征,将其作为多权值神经网络的输入,经训练后实现管涌状态的分类识别。基于自主搭建的管涌渗漏试验平台建立了数据集并进行了试验验证,结果表明,提出的方法能有效识别堤坝管涌现象,在堤坝管涌无人巡检领域具有一定的应用前景。

结合深度学习的糖尿病视网膜病变血管分割和重建

为了助于早期诊断糖尿病性视网膜病变,提出结合视网膜血管分割与三维重建的方法。三维重建可以避免分割后血管长度、曲度和分支角度等信息误判影响早期诊断。提出IAAnet算法进行视网膜图像分割,将传统Unet网络与Inception V3、ASPP、AttentionGates相结合,较好地减少信息损失并避免过拟合的现象,提高网络对特征的提取能力。运用投影重建法来还原血管三维信息,并支持调节亮度、对比度,使医生更好地观察血管的真实状态。本文算法在准确率、召回率、F1分数、交并比、ROC曲线下面积上的结果分别是97.68%、96.07%、97.26%、92.79%、94.00%,通过与其他网络对比,IAAnet算法具有良好的分割准确性,三维投影重建后能在三维图像上获取更丰富的血管信息为早期诊断提供帮助。

香烟烟雾提取物对破骨细胞体积及整合素αvβ3基因表达的影响

目的探讨香烟烟雾提取物(cigarette smoke extract,CSE)对破骨细胞体积及整合素αvβ3基因表达的影响。方法首先制作CSE溶液,实验采用7周龄C57BL/6J小鼠骨髓单个核细胞加入M-CSF和RANKL诱导生成破骨细胞,将浓度为5%的CSE加入实验组破骨细胞作用3 d,对照组不加入CSE。通过Trap染色识别对照组和实验组破骨细胞并于光镜下采图;通过甲苯胺蓝染色识别两组破骨细胞在骨片上形成的骨陷窝并于光镜下采图,均用NIH imageJ计算数量及面积。用实时荧光定量聚合酶链反应,以GAPDH作为内参,最后通过2-ΔΔCT计算,以检测Trap、CTR以及整合素αvβ3 mRNA表达水平。通过Western blot检测整合素αvβ3蛋白表达。结果破骨细胞表面积及细胞核数量的计量表明,实验组诱导形成的破骨细胞显著大于对照组(P<0.01)。实验组骨片上吸收陷窝数量及面积明显多于对照组(P<0.05),CSE处理组的TRAP mRNA水平为1.16±0.13,明显高于对照组(P<0.05),CTRmRNA水平为0.38±0.04,明显低于对照组(P<0.01)。CSE处理组的整合素αvβ3mRNA水平为1.75±0.05,显著高于对照组(P<0.01),蛋白质印迹分析结果也明显高于对照组(P<0.05)。结论CSE能显著增加破骨细胞的体积并上调整合素αvβ3的基因表达,并可能对骨吸收有促进作用。

基于改进YOLOv7的输电铁塔塔基检测算法

输电塔作为整个电力传输系统最重要的组成部分之一,需要及时对输电塔进行检测保证塔基的稳固以保障后期的使用。针对无人机采集到的输电塔图像存在背景复杂、背景与目标塔基对比度低、小目标及塔基不完整等问题,提出了基于改进YOLOv7的输电塔塔基检测算法。首先,通过无人机采集不同地形地貌的输电塔图像,构建高质量数据集。然后,在原始YOLOv7的Backbone层中加入卷积注意力模块CBAM注意力机制,以提高输电塔塔基特征的提取能力。最后,引入WIoU v3代替原坐标损失函数CIoU,以提高目标检测任务的准确性和稳定性。在该数据集上,使用改进后的YOLOv7算法与目前主流的目标检测算法进行对比实验,实验结果中所提算法的mAP值高达99.93%,比原始YOLOv7提高2.19%,FPS值为37.125,满足实时检测需求,算法的整体性能较好。实验验证了所提算法在塔基检测上的可行性和有效性,为后续塔基区周围水土情况的研究奠定了基础。

基于改进MobileNet v3的苹果叶片病害识别方法及移动端应用

准确识别苹果叶片病害种类以进行及时防治对于苹果增量增产具有重要的意义,为实现在移动设备实时对苹果叶片进行病害识别,提高苹果的产量,减少种植者的损失。首先收集了黑星病、斑点落叶病、锈病、白粉病、混合病、褐斑病等6种苹果叶部病害和健康叶片的图像,并使用Retinex算法对图像进行数据增强,以提高数据集质量,然后将数据集按照8∶1∶1的比例划分为训练集、验证集和测试集;其次对MobileNet v3网络模型进行改进优化调整,在精简网络结构的同时减少冗余参数,并在非线性激活层后加入批归一化层,以提高网络的特征提取能力;同时,为了提升在低精度移动设备上的准确性和模型运行效率,将全连接层中的激活函数替换为ReLU6函数;最后,在模型训练时使用动量随机梯度下降优化器来进行模型权重系数的寻优,以减少训练时间和达到更高的分类准确率。试验结果表明,改进后的MobileNet v3-A3网络对苹果叶片病害图像的识别准确率为96.48%,模型权重为2.98 MB,识别速率为8.82 ms/幅图片,与其他同量级卷积神经网络相比识别精度更高、模型更小、识别速度更快。本研究使用Android Studio将权重模型封装到安卓软件中,实现了移动设备对苹果叶片病害的准确快速识别。

基于改进MobileNet v3-Small模型的草莓病害识别方法

为了对草莓病害进行及时的诊断与治疗而提升草莓产量,将深度学习与农业生产结合以快速高效地进行病害检测。传统神经网络进行病害识别时间较长,参数量较大,难以迁移到移动端设备上,基于此提出一种改进MobileNet v3-Small模型的识别方法。首先收集了7类常见草莓病害图像样本(如角斑病、叶斑病等),通过旋转、镜像等多种数据增强方式对图像进行处理以增加图片数量,提高模型泛化能力。接着以MobileNet v3-Small模型为基础,基于原始Inception_A提出部分卷积权值共享的多尺度卷积结构,以更高效地提取草莓病害不同尺度特征。随后,在网络深层引入了ULSAM轻量级子注意力机制,形成草莓病害更高层次的抽象表示。同时,将深度可分离卷积中的第2个PW卷积替换为CondConv卷积形成PDC结构,克服了PW卷积只拥有局部感受野的缺陷,同时也降低了模型参数量。试验结果表明,改进后的MobileNet v3-Small模型准确率达到98.62%,较原模型94.91%的准确率提高了3.71百分点,并且参数量减少了0.04 M,远优于同级轻量化模型,且以远低于ResNet18的参数量取得更好的特征提取效果。综上所述,本研究所提出的改进后的MobileNet v3_Small模型能更好地在真实场景下进行草莓病害识别,为草莓生产贡献了一份力量,助力智慧农业发展。

基于轻量化卷积神经网络的番茄叶片病害识别

传统的卷积神经网络在番茄叶部病害识别中存在结构复杂、参数庞大等问题,导致难以在移动设备上实现良好的应用效果。因此,提出一种基于轻量化卷积神经网络的番茄叶片病害识别方法。首先,将番茄叶片病害图片进行数据增强扩充,保证数据分布均匀;其次,绘制MobileNet v3模型基于扩充数据集tomato2的敏感度分析曲线图,根据敏感度分析曲线图对模型的输出通道数进行裁剪,构建轻量化卷积神经网络模型MobileNet v3-Prune;最后,运用4种卷积神经网络及其对应的轻量化模型对番茄叶片病害图片训练进行试验对比。结果表明,MobileNet v3-Prune对番茄叶片病害识别性能最佳,在测试集上的平均识别准确率达到了99.60%,模型权重仅为3.69 MB,单张图片识别时间为12.13 ms。本研究结果可以为移动设备上的番茄叶片病害识别应用的实现提供理论支持。

活化富集对土壤样品微生物菌群组成的影响

地球上的微生物绝大多数仍处于未培养状态。微生物的分离培养有助于新物种资源、新天然产物的发现和应用,也有助于对微生物开展生理生化、代谢潜能、演化和生态功能等方面的基础研究。活化富集对于自然生境中微生物的分离培养至关重要。本研究通过16S rRNA基因V3~V4区扩增子测序和宏基因组测序分析了土壤样品不同培养基(WB、PJ、WB/10和PJ-M)、不同活化时长(1~29 d)和不同活化条件(有氧和厌氧)对微生物活化富集的影响。发现活化培养基、培养条件和活化时间的不同会显著影响活化富集后样品的菌群组成。其中,采用营养成分浓度相对较低的培养基(WB/10)、延长活化时长(活化5~29 d)有利于提高活化富集后样品微生物群落的多样性,以及CPR等微生物暗物质的活化及检出。对后续微生物,特别是微生物暗物质的分离培养具有一定的指导作用。

^(99)mTc-c(RGD)_(2) SPECT/CT与^(18)F-FDG PET/CT 显像对肝泡型包虫病浸润带新生血管表达的相关性

目的探讨^(99)mTc肼基烟酰胺聚乙二醇双环RGD肽[^(99)mTc-c(RGD)2]SPECT/CT与^(18)氟-氟代脱氧葡萄糖(^(18)F-FDG)PET/CT显像对肝泡型包虫病(HAE)增殖浸润带新生血管表达的相关性。方法采用前瞻性研究方法,收集2023年1月~2024年1月在新疆医科大学第一附属医院收治的34例HAE患者资料,所有患者均行全身18F-FDGPET/CT、腹部^(99)mTc-c(RGD)2 SPECT/CT显像及手术治疗,对34例患者的41个HAE病灶组织行常规HE染色及CD34免疫组织化学染色,检测边缘带微血管密度(MVD)计数。分析HAE浸润带18F-FDGPET/CT显像的最大标准摄取值(SUVmax)及摄取比值(TBR)、^(99)mTc-c(RGD)2 SPECT/CT显像靶非靶比值(T/NT)分别与MVD计数的相关性;比较HAE浸润带^(99)mTc-c(RGD)2 SPECT/CT显像阳性(T/NT>1)及阴性(T/NT<1)两组间MVD计数的差异。结果41个HAE病灶浸润带^(99)mTc-c(RGD)2 SPECT/CT显像T/NT值与MVD计数两组间呈高度正相关性(r=0.823,P<0.01);^(18)F-FDGPET/CT显像SUVmax值、TBR与MVD计数均无相关性(P>0.05)。HAE浸润带^(99)mTc-c(RGD)2 SPECT/CT显像阳性组17个与阴性组24个病灶MVD计数分别为89.00±9.87、43.08±18.36个/高倍视野,组间差异有统计学意义(P<0.05)。结论HAE^(99)mTc-c(RGD)2 SPECT/CT显像RGD的摄取程度与HAE浸润带新生血管表达呈高度正相关,^(99)mTc-c(RGD)2 SPECT/CT显像可间接反应HAE的侵袭性,可作为评价病灶侵袭性经济、无创的检查手段之一,并且可与18F-FDGPET/CT联合从HAE浸润带的新生血管表达及炎性活性两方面共同评价其生物学活性。