基于改进Detection Transformer的棉花幼苗与杂草检测模型研究

基于深度学习的目标检测技术在棉花幼苗与杂草检测领域已取得一定进展。论文提出了基于改进Detection Transformer的棉花幼苗与杂草检测模型,以提高杂草目标检测的准确率和效率。首先,引入了可变形注意力模块替代原始模型中的Transformer注意力模块,提高模型对特征图目标形变的处理能力。提出新的降噪训练机制,解决了二分图匹配不稳定问题。提出混合查询选择策略,提高解码器对目标类别和位置信息的利用效率。使用Swin Transformer作为网络主干,提高模型特征提取能力。通过对比原网络,论文提出的模型方法在训练过程中表现出更快的收敛速度,并且在准确率方面提高了6.7%。

羊捻转血矛线虫病检测方法研究进展

羊捻转血矛线虫病是由捻转血矛线虫寄生于羊等小反刍动物皱胃内引起的一种危害严重的嗜血性寄生虫病。病羊临床表现为消瘦、贫血和衰弱等慢性消耗性症状,严重感染者可致死。该病在我国牧区普遍流行,目前暂无安全长效疫苗可用,加之耐药性严重,放牧羊群感染率和发病率居高不下,极大地降低了羊养殖业的经济效益。准确可靠的检测手段是诊断寄生虫感染、制定驱虫治疗方案、耐药监测及流行病学调查的关键环节。本文详细介绍了羊捻转血矛线虫病的检测技术研究现状,分析了病原学、免疫学及分子检测等方法的优缺点,并对未来检测技术发展趋势进行了展望,以期为该病新型检测方法的研发及综合防控策略提供参考。

基于轻量化网络与增强多尺度特征融合的绝缘子缺陷检测

随着无人机搭载目标检测算法在输电杆塔绝缘子巡检领域的发展,针对绝缘子缺陷检测速度较低,网络复杂度高且缺陷小目标难以准确检测的问题,提出一种基于轻量化网络与增强多尺度特征融合的YOLOv5-3S-4PH模型进行绝缘子缺陷实时检测。首先将重构的ShuffleNetV2-Stem-SPP(3S)网络作为YOLOv5的主干网络,显著减小了网络的参数量和计算量;其次引入针对小目标的增强多尺度特征融合网络以及4个预测头,来增强网络对绝缘子缺陷的感知能力,并结合Mosaic-9数据增强、CIoU损失函数进一步补偿轻量化导致的检测精度损失;最后将其应用到自制绝缘子数据集进行验证。实验结果表明,该文所提出的模型相对于未改进的YOLOv5,全类平均精度提高了3%,检测速度提高了81.8%,参数量、计算量分别压缩了82.4%、67%。因此,所提出的模型更适合部署在无人机平台上进行绝缘子缺陷的实时监测。

基于改进YOLOv3的水稻叶部病害检测

为了解决水稻小病斑检测不准确的问题,提出一种基于改进YOLOv3的水稻叶部病害检测方法Rice-YOLOv3。首先,采用K-means++聚类算法,计算新的锚框尺寸,使锚框尺寸与数据集相匹配;其次,采用激活函数Mish替换YOLOv3主干网络中的Leaky Relu激活函数,利用该激活函数的平滑特性,提升网络的检测准确率,同时将CSPNet与DarkNet53中的残差模块相结合,在避免出现梯度信息重复的同时,增加神经网络的学习能力,提升检测精度和速率;最后,在FPN层分别引入注意力机制ECA和CBAM模块,解决特征层堆叠处的特征提取问题,提高对小病斑的检测能力。在训练过程中,采用COCO数据集预训练网络模型,得到预训练权重,改善训练效果。结果表明:在测试集下,Rice-YOLOv3检测水稻叶部3种病害的平均精度均值(mAP)达92.94%,其中,稻瘟病、褐斑病、白叶枯病的m AP值分别达93.34%、89.68%、95.80%,相较于YOLOv3,Rice-YOLOv3检测的m AP提高了6.05个百分点,速率提升了2.8帧/s,对稻瘟病和褐斑病的小病斑的检测能力明显增强,可以检测出原始网络模型漏检的小病斑;与Faster-RCNN、YOLOv5等模型对比,Rice-YOLOv3提高了对相似病害和微小病害的识别能力,并在原始的基础上提高了检测速率。

视觉SLAM方法综述

实时定位与建图(SLAM)技术搭载特定传感器,使移动机器人在无任何环境先验条件下,在运动过程中自主建立环境模型来计算自身位姿,大幅提高其自主导航能力,以及对不同应用环境的适应性。视觉SLAM方法以相机作为外部传感器,通过采集周围环境信息来创建地图并实时估计机器人自身位姿。为此,介绍了具有代表性的经典视觉SLAM方法及与深度学习相结合的视觉SLAM方法,分析了视觉SLAM方法中采用的不同特征检测方法、后端优化、闭环检测,以及动态环境下视觉SLAM方法的应用,总结了视觉SLAM方法的问题,并探讨了视觉SLAM方法在未来的热点研究方向和发展前景。

边缘信息增强的显著性目标检测网络

针对显著性目标检测任务中识别结果边缘模糊的问题,提出了一种能够充分利用边缘信息增强边缘像素置信度的新模型。该网络主要有两个创新点:设计三重注意力模块,利用预测图的特点直接生成前景、背景和边缘注意力,并且生成注意力权重的过程不增加任何参数;设计边缘预测模块,在分辨率较高的网络浅层进行有监督的边缘预测,并与网络深层的显著图预测融合,细化了边缘。在6种常用公开数据集上用定性和定量的方法评估了该模型,并且与其他模型进行充分对比,证明设计的新模型能够取得最优的效果。此外,该模型参数量为30.28 M,可以在GTX 1080 Ti显卡上达到31帧·s^(-1)的预测速度。

基于自适应融合的实时车辆检测

针对传统的车辆检测技术检测速度慢和精度低的问题,提出了一种融合注意力的自适应金字塔网络的交通目标检测算法(fusion attentiont adaptive pyramid network,FAAP-Net),可以显著降低交通事故的发生率。为了降低计算复杂度,设计了一种轻量级的互补池化结构(CPS),该结构在宽度和高度上采用了两组不同的池化组合,在保持高精度的同时,显著降低了网络的浮点运算数(GFLOPs)和参数量。为了解决智能交通系统特征图生成过程中的信息损失问题,通过将自适应注意力模块(AAM)和特征增强模块(FEM)引入自适应融合特征金字塔网络(AF-FPN),以融入车辆检测的形状特征。针对车辆细节特征表征弱的问题,引入了一种按通道维度分组的注意力(SA)机制,以增强主干网络对不同车辆检测细节特征的关注,有效提取车辆细节的显著特征。在BDD100K数据集上的实验结果表明,FAAP-Net算法相比于传统算法,平均精度从30.3%提升到43.7%。

一种改进的概率霍夫直线检测算法

针对概率霍夫直线检测算法检测速率不高、检测精度易受其他特征和连续间断线干扰的缺点,提出了一种改进的概率霍夫直线检测算法。改进后的算法将注意力集中在直线可能存在的若干个区间,提升了检测速率与精度,在直线检测全过程监控并剔除连续间断线,提升了算法的抗干扰能力。经过100组铝锭边缘线检测的实验验证,改进后算法相较原算法平均检测速率提升至1.77倍,查准率提升至1.45倍,且改进后算法在其他图片上的检测速率和检测效果相较原算法也有明显提升。

复杂背景下基于YOLOv7-tiny的图像目标检测算法

“黑飞”无人机一旦带有炸弹等物品,会对人们带来威胁。对在公园、游乐场、学校等复杂背景下“黑飞”的无人机进行目标检测是十分必要的。前沿算法YOLOv7-tiny属于轻量级网络,具有更小的网络结构和参数,更适合检测小目标,但在识别小目标无人机时出现特征提取能力弱、回归损失大、检测精度低的问题;针对此问题,提出了一种基于YOLOv7-tiny改进的无人机图像目标检测算法YOLOv7-drone。首先,建立无人机图像数据集;其次,设计一种新的注意力机制模块SMSE嵌入到特征提取网络中,增强对复杂背景下无人机目标的关注度;然后,在主干网络中融入RFB结构,扩大特征层的感受野,丰富特征信息以增强特征提取的鲁棒性;然后,改进网络中的特征融合机制,通过新增小目标检测层,增加对小尺度目标的检测精度;然后,改变损失函数提高模型的收敛速度,减少损失以增强模型的鲁棒性;最后,引入可变形卷积(Deformable convolution, DCN),更好的根据目标本身形状进行特征提取,提升了检测精度。在PASCAL VOC公共数据集上进行对比实验,结果表明改进后的算法YOLO7-drone相比于YOLOv7-tiny,平均精度(map@0.5)提升了6%;在自制无人机数据集上进行实验,结果表明YOLOv7-drone与原算法相比,平均精度(map@0.5)提高了6.1%,并且检测速度为72帧/s;与YOLOv5l、YOLOv7目标检测算法进行对比实验,结果表明改进后的算法在平均精度(map@0.5)上分别高于对比算法4%、3.1%,验证了文中算法的可行性。

基于强噪声条件下的激光图像边缘检测研究

边缘检测是激光图像处理的一个重要步骤,针对当前激光图像边缘检测误差大,易受噪声干扰等缺陷,为了获得完整的激光图像边缘,设计了基于强噪声条件下的激光图像边缘检测方法。首先采集激光图像,采用直方图均衡技术对原始激光图像进行增强处理,改善激光图像质量,然后采用小波变换去除激光图像噪声,并采用Canny算子进行激光图像边缘检测,最后测试结果表明,与当前激光图像边缘检测方法相对比,本方法能够检测出更多激光图像边缘细节,激光图像边缘检测精度的平均值超过93%,而且激光图像边缘检测时间控制60 ms以内,为激光图像提供了一种高精度检测技术。

化学药品中的遗传毒性杂质的质量控制

药品中微量水平的遗传毒性物质具有引发肿瘤甚至癌症的风险,并且该致癌风险可能与剂量没有相关性。因此,目前各国监管机构要求对药品中遗传毒性杂质进行严格控制。本综述通过查阅国内外相关文献、指导原则,从监管机构对药品中遗传毒性杂质的监管策略、遗传毒性杂质来源、检测方法及清除策略4个方面进行了系统的总结综述。该综述为药品中遗传毒性杂质的控制/清除、检测提供了参考和依据。

纳米材料在食品重金属离子快速检测中的应用研究进展

纳米材料因具有比表面积大、良好稳定性、特殊的结构、易于修饰、良好的生物相容性等优点,已被广泛应用于食品中重金属离子检测领域。文章重点综述了碳纳米管、石墨烯、碳量子点、金属有机骨架、纳米酶等纳米材料在食品中重金属离子检测方面的研究与应用现状,并展望了纳米材料在食品中重金属离子检测领域面临的挑战和应用前景。

PCT、CRP、IL-6、SAA在恶性肿瘤患者血流感染中的诊断效能分析

目的探讨降钙素原(procalcitonin,PCT)、C反应蛋白(C-reactive protein,CRP)、白细胞介素-6(interleukin-6,IL-6)、血清淀粉样蛋白A(serum amyloid A,SAA)4种血清学感染指标对恶性肿瘤患者血流感染的诊断效能。方法选择120例临床确诊血流感染且血培养阳性恶性肿瘤患者作为观察组,100例同期血培养阴性恶性肿瘤患者作为对照组。记录并比较2组血清PCT、CRP、IL-6、SAA水平,绘制受试者工作特征曲线(receiver operator characteristic curve,ROC curve)对4种感染指标进行诊断效能分析,计算单项检测与多项目联合检测水平的灵敏度、特异度及约登指数。结果观察组血清PCT、CRP、IL-6、SAA浓度水平均显著高于对照组,差异有统计学意义(P<0.01);ROC曲线显示PCT的曲线下面积较大(0.935),最佳截断值0.594 ng·mL-1,此时的特异性和敏感度分别是96%、83%,具有一定的诊断价值,但不具备足够的敏感度;PCT、CRP、SAA、IL6联合检测曲线下面积最大(0.981),敏感度达到了92%,诊断效能最佳,对恶性肿瘤患者血流感染具有较高的诊断价值。结论恶性肿瘤患者普遍年龄较大并伴有基础疾病,机体抵御病原菌侵袭的能力下降,更容易发生血流感染。PCT、CRP、SAA、IL6联合检测在早期诊断血流感染方面具有较高的应用价值,可以在一定程度上提高临床诊断准确度,改善患者的预后、降低病死率。

大直径盾构隧道成型质量巡检方法研究

针对因工业应用成本限制,中、小盾构隧道成型质量无损检测技术迁移至大直径盾构隧道时精度、速度折损严重的问题,以巡检车为载体,集成二维激光扫描仪、编码器和计算机等设备,研制了大盾构隧道成型质量巡检车,并提出一种基于数字图像的盾构质量非对称巡检方法.分析大直径盾构的施工环境,滤除地面、车体点云,并采用邻域向量法提取中轴线,建立隧道中心坐标系.偏心布置巡检路线,按照点云密度将采样点云分为稠密侧和稀疏侧点云,通过不同方法实现对管片接缝特征的拾取:将稠密侧点云绕中轴线展开为二维灰度图像,并通过缩放、归一化、梯度阈值分割等方法实现接缝图像分割;基于直线方程对接缝进行分类,结合管片结构、布置点位,推导出稀疏侧接缝与稠密侧接缝的线性分布公式,间接拾取稀疏侧接缝.根据接缝特征点计算两侧管片边缘点云簇,计算管片错台量;剔除接缝点云簇,使用最小二乘法拟合隧道点云,计算隧道椭圆度.最后在某大直径盾构隧道进行巡检试验,试验结果表明:成型质量巡检车在十四米盾构隧道中巡检速度为3 km·h-1,与传统方法的错台量检测偏差小于2 mm,椭圆度检测偏差小于0.1%,可以满足大直径盾构隧道成型质量巡检的高速度、高精度、低成本需求.

基于改进YOLOv5的安全帽检测算法

为了解决建筑工地、隧道、煤矿等施工场景中现有安全帽检测算法对于小目标、密集目标以及复杂环境下的检测精度低的问题,设计实现了一种基于YOLOv5的改进目标检测算法,记为YOLOv5-GBCW.首先使用Ghost卷积对骨干网络进行重构,使得模型的复杂度有了显著降低;其次使用双向特征金字塔网络(BiFPN)加强特征融合,使得算法对小目标准确率提升;引入坐标注意力(Coordinate attention)模块,能够将注意力资源分配给关键区域,从而在复杂环境中降低背景的干扰;最后提出了Beta-WIoU作为边框损失函数,采用动态非单调聚焦机制并引入对锚框特征的计算,提升预测框的准确率,同时加速模型收敛.为了验证算法的可行性,以课题组收集的安全帽数据集为基础,选用了多种经典算法进行对比,并且进行了消融实验,探究各个改进模块的提升效果.实验结果表明:改进算法YOLOv5-GBCW相较于YOLOv5s算法,算法平均精确率(IOU=0.5)提升了5.8%,达到了94.5%,检测速度达到了124.6 FPS(每秒处理帧数),模型更加轻量化,在复杂环境、密集场景和小目标场景下检测能力提升显著,并且同时满足安全帽检测精度和实时性的要求,给复杂施工环境下安全帽检测提供了一种新的方法.

改进YOLOv7算法的钢材表面缺陷检测研究

当前,基于深度学习的智能检测技术逐步应用于钢材表面缺陷检测领域,针对钢材表面缺陷检测精度低的问题,提出一种高精度实时的缺陷检测算法CDN-YOLOv7。加入CARAFE轻量化上采样算子来改善网络特征融合能力,融合级联注意力机制和解耦头重新设计YOLOv7检测头网络,旨在解决原始头网络特征利用效率不高的问题,使其充分利用各尺度、通道、空间的多维度信息,提升复杂场景下模型表征能力。引入归一化Wasserstein距离重新设计Focal-EIoU损失函数,提出NF-EIoU替换CIoU损失,平衡各尺度缺陷样本对Loss的贡献,降低各尺度缺陷的漏检率。实验结果表明,CDN-YOLOv7的检测精度可达80.3%,较于原YOLOv7精度提升了6.0个百分点,模型推理速度可达60.8帧/s,满足实时性需求,CDN-YOLOv7在提升各尺度缺陷检测精度的同时显著降低了缺陷的漏检率。

4种食源性致病菌多重PCR检测体系的建立及其在乳品检测中的应用

食源性致病菌是通过食物进入人体引起食物中毒和诱发疾病的有害微生物,严重威胁着人类健康和环境安全,为了预防和控制食源性疾病的发生,有效对策之一是对食品中的病原微生物进行安全检测。本研究采用一种多重聚合酶链式反应法(multiplex polymerase chain reaction,MPCR)快速检测乳品中4种食源性致病菌,结果表明,选取单核细胞增生李斯特氏菌prfA基因、蜡样芽胞杆菌gyrB基因、鼠伤寒沙门氏菌invA基因、大肠埃希氏菌O157∶H7 stx2A基因的保守序列设计4对引物,在优化的PCR反应体系和退火温度58℃下,PCR扩增表现出良好的特异性,分别扩增出274、221、482、108 bp条带,无非特异性扩增,4种病原菌检出限达到10~100 CFU/mL;对17份人工染菌牛奶样品进行检测,检出结果与国标培养法完全一致。该研究结果为快速、高效、准确地检测出乳品中单核细胞增生李斯特氏菌、蜡样芽胞杆菌、鼠伤寒沙门氏菌、大肠埃希氏菌O157∶H7提供了一种实用方法,也为其他食源性致病菌的快速检测提供了思路。

吡虫啉和啶虫脒胶体金免疫层析法试纸条性能评估及应用效果探究

目的研究吡虫啉和啶虫脒胶体金免疫层析法试纸条在不同基质中残留量检测的应用效果。方法实验考察了市场上主要流通的5种不同品牌的胶体金免疫层析法试纸条在蔬菜、水果和茶鲜叶基质中的检出限、灵敏度、交叉反应率、特异性、假阳性和假阴性率。结果各品牌胶体金试纸条在3种不同类型基质(白菜、苹果和茶鲜叶)中,检出限浓度水平有假阴性出现,其余浓度水平灵敏度较好;特异性和交叉反应性,结果均为阴性;假阳性率和假阴性率考察中,假阳性率为0%,但有假阴性情况出现。结论胶体金免疫层析法在检测吡虫啉、啶虫脒农药残留时具有简便快捷的特点,在蔬菜、水果基质的检测中,判定结果较为准确可靠;在茶叶基质中,由于基质效应的影响,出现假阴性的机率较高。

食品中多环芳烃的来源、污染状况与检测分析

多环芳烃(polycyclic aromatic hydrocarbons,PAHs)是一类持久性的有机污染物,具有致癌、致畸、致突变等毒性,广泛存在于食品、特别是烟熏食品中,过量摄入将严重危害人体健康。许多国家通过制定严格的限量标准、加强检验检测等措施对食品中的PAHs进行防控,但随着工业化的快速发展,煤、石油等燃料的大量使用,食品中PAHs污染的问题依然突出,其在食品中仍普遍被检出,已成为影响食品安全的主要风险来源之一,关于食品中PAHs的污染来源、监测分析和检测技术等方面的研究也日益增多。本文概述了PAHs对农作物的影响,分析了食品中PAHs的主要来源和污染状况,从样品前处理和测定分析两个方面,综述了食品中PAHs的主要检测技术,评述了其优缺点,并提出了今后研究工作的建议,以期为食品中PAHs的监测分析、预防控制和深入研究提供参考。

ChatGPT生成中文学术内容分析——以情报学领域为例

学术写作是ChatGPT的主要应用方向之一。文章以情报学领域的核心期刊论文为研究对象,首先从词、句、篇3个维度出发,使用词性标注、n-gram等文本处理方法对ChatGPT和人类产出的论文引言内容进行对比分析。然后将判断学术内容是否由ChatGPT生成视作一个二元分类任务,采用朴素贝叶斯、支持向量机、随机森林算法进行文本分类实验,并使用SHAP方法对文本结构特征的重要性进行分析。研究发现:ChatGPT在描述有具体时间节点的事实性信息和引用政策文件或研究报告等方面表现较弱,生成引言的篇幅较集中,撰写论文相较于人类更加“循规蹈矩”;查重工具通常无法准确检测出ChatGPT生成内容的原创性,但分类模型可以比较容易地区分出引言是否由ChatGPT生成,平均句子长度、词汇多样性和文本长度是影响分类结果最重要的文本结构特征。