结合主动光源和改进YOLOv5s模型的夜间柑橘检测方法

【目的】解决夜间环境下遮挡和较小柑橘难以准确识别的问题,实现采摘机器人全天候智能化作业。【方法】提出一种结合主动光源的夜间柑橘识别方法。首先,通过分析主动光源下颜色特征不同的夜间柑橘图像,选择最佳的光源色并进行图像采集。然后,提出一种夜间柑橘检测模型BI-YOLOv5s,该模型采用双向特征金字塔网络(Bi-FPN)进行多尺度交叉连接和加权特征融合,提高对遮挡和较小果实的识别能力;引入Coordinate attention(CA)注意力机制模块,进一步加强对目标位置信息的提取;采用融入Transformer结构的C3TR模块,在减少计算量的同时更好地提取全局信息。【结果】本文提出的BI-YOLOv5s模型在测试集上的精准率、召回率、平均准确率分别为93.4%、92.2%和97.1%,相比YOLOv5s模型分别提升了3.2、1.5和2.3个百分点。在所采用的光源色环境下,模型对夜间柑橘识别的正确率为95.3%,相比白光环境下提高了10.4个百分点。【结论】本文提出的方法对夜间环境下遮挡和小目标柑橘的识别具有较高的准确性,可为夜间果蔬智能化采摘的视觉精准识别提供技术支持。

基于CED-YOLOv5s模型的煤矸识别方法研究

由于煤矿井下高噪声、低照度、运动模糊的复杂工况和煤矸易聚集现象,导致煤矸目标检测模型特征提取困难及煤矸分类、定位不准确问题。针对该问题,提出一种基于CED-YOLOv5s模型的煤矸识别方法。首先,在YOLOv5s主干网络中引入坐标注意力(CA)机制,通过将坐标信息嵌入信道关系和长程依赖关系中对特征图进行编码,充分利用通道注意力信息和空间注意力信息,使模型更加关注重要特征,抑制无用信息。其次,在YOLOv5s的检测头部引入EIoU回归损失函数,将目标框与锚框的宽高差异最小化,以增强目标的位置和边界信息,提高模型在密集目标下的定位精度和收敛速度;最后,在YOLOv5s的检测头部引入轻量化解耦头,解耦出单独的特征通道,分别用于分类任务和回归任务,解决了原模型中耦合头部分类任务与回归任务的相互干扰问题,进一步提升了模型的并行运算效率与检测精度。实验结果表明:CED-YOLOv5s模型与其他YOLO系列目标检测模型相比,综合性能最佳,平均检测精度达94.8%,相较于YOLOv5s模型提升了3.1%,检测速度达84.8帧/s,可充分满足煤矿井下煤矸实时检测需求。

基于改进YOLOv5s的小目标检测算法

针对当前主流目标检测算法对图像中远距离小目标产生的漏检、误检等问题,提出一种改进YOLOv5s的小目标检测算法。在模型训练过程中,通过引入Focal-EIOU定位损失函数,加强边界框的定位精度;在骨干网络中,通过添加小目标检测层,提高小目标的检测精度;在Neck结构中,通过优化上采样算子和添加注意力机制,加强小目标的特征信息。实验结果表明,改进后的算法在VisDrone数据集上与YOLOv5s算法相比,mAP@small提高了3.2%,且检测速度满足实时性的要求,能够很好地应用于小目标检测任务中。

基于CFS-YOLO算法的复杂工况环境下煤矸图像识别方法

针对煤矿高噪声、低照度、运动模糊与大批量煤矸混杂等复杂工况环境因素导致煤矸识别存在误检、漏检以及检测精度低的问题,提出一种基于CFS-YOLO算法的煤矸智能识别模型。采用ConvNeXt V2(Convolutional Neural Network with NeXt Units Version 2)特征提取模块替换主干网络末端的2个C3(Cross Stage Partial Bottle Neck Mudule)模块,通过将掩码自动编码器(Masked Autoencoders,MAE)和全局响应归一化(Global Response Normalization,GRN)层添加到ConvNeXt架构中,有效缓解特征崩溃问题以及保持特征在网络传递过程中的多样性;采用Focal-EIOU(Focal and Efficient Intersection Over Union)损失函数替换原CIOU(Computer Intersection Over Union)损失函数,通过其Focal-Loss机制和调整样本权重的方式优化边界框回归任务中的样本不平衡问题,提高模型的收敛速度和定位精度;添加无参注意力机制(Simple Attention Mechanism,SimAM)于主干网络每个C3模块的后端,凭借其注意力权重自适应调整策略,提升模型对尺度变化较大或低分辨率煤矸目标关键特征的提取能力。通过消融试验和对比试验验证所提CFS-YOLO模型的有效性与优越性。试验结果表明:CFS-YOLO模型对于煤矸在煤矿高噪声、低照度、运动模糊与大批量煤矸混杂等复杂环境下的检测效果均得到有效提高,模型的平均精度均值达到90.2%,相较于原YOLOv5s模型的平均精度均值提高了3.7%,平均检测速度达到90.09 FPS,可充分满足煤矸实时检测的需求。同时与YOLOv5s、YOLOv7-tiny与YOLOv8n等6种YOLO系列算法相比,CFS-YOLO模型对煤矿复杂环境的适应性最强且综合检测性能最佳,可为煤矸的智能高效分选提供技术支持。

基于改进YOLOv5s的轻量级绝缘子缺失检测

针对现有绝缘子缺失检测模型计算复杂度高和小目标难以检测等问题,提出一种基于改进的YOLOv5s轻量级检测模型。首先,移除主干网络中的C3模块来减少模型的参数量。其次,在多尺度特征融合网络中引入卷积块注意力机制来提高复杂背景下模型的特征提取能力。同时,采用加权双向特征金字塔网络结构对特征进行双向跨尺度加权融合,提升网络在遮挡物、相似目标干扰下目标的检测性能。最后,选用SIoU损失函数提升网络的收敛速度和检测精度。实验结果表明,所提模型的平均精准率为96.8%,浮点运算数为2.8 GFLOPS,而原始YOLOv5s在保证97.4%的平均精准率下的浮点运算数为16.3 GFLOPS。相较于原始模型,所提模型对小目标、遮挡目标以及模糊等场景有着较强的鲁棒性,且在保证近似检测精度的同时极大减少了计算量。

S31603复合板压力容器点蚀行为试验研究

针对S31603复合板压力容器不锈钢层不同点蚀深度的发展进程及穿透至碳钢层后的电偶腐蚀风险,通过预制不同点蚀深度的S31603复合板试片组,分别在实验室和现场S31603复合板压力容器内进行腐蚀试验,并对试片进行宏观分析、低倍观察、高倍观察及腐蚀产物表征分析。结果表明,S31603复合板预制的点蚀坑深度穿透至碳钢层时发生了明显的电偶腐蚀,实验室腐蚀试验和现场试验最高点蚀速率分别达到4.954,1.023 mm/a;用S31603复合板试片预制的点蚀坑深度穿透至碳钢层后碳钢优先发生电偶腐蚀;S31603复合板试片预制的点蚀坑深度处于不锈钢层时腐蚀轻微,也未萌生新的点蚀,相邻点蚀坑之间也未见明显的腐蚀影响。在含Cl-的酸性腐蚀性介质环境下,当S31603复合板压力容器点蚀深度处于不锈钢层时腐蚀轻微,当点蚀深度穿透至碳钢层后,会发生明显的电偶腐蚀,需要缩短S31603复合板压力容器开罐检修周期以保证安全使用。

基于YOLOv5s的改进实时红外小目标检测

针对红外图像分辨率低、背景复杂、目标细节特征缺失等问题,提出了一种基于YOLOv5s的改进实时红外小目标检测模型Infrared-YOLOv5s。在特征提取阶段,采用SPD-Conv进行下采样,将特征图切分为特征子图并按通道拼接,避免了多尺度特征提取过程中下采样导致的特征丢失情况,设计了一种基于空洞卷积的改进空间金字塔池化模块,通过对具有不同感受野的特征进行融合来提高特征提取能力;在特征融合阶段,引入由深到浅的注意力模块,将深层特征语义特征嵌入到浅层空间特征中,增强浅层特征的表达能力;在预测阶段,裁减了网络中针对大目标检测的特征提取层、融合层及预测层,降低模型大小的同时提高了实时性。首先通过消融实验验证了提出各模块的有效性,实验结果表明,改进模型在SIRST数据集上平均精度均值达到了95.4%,较原始YOLOv5s提高了2.3%,且模型大小降低了72.9%,仅为4.5 M,在Nvidia Xavier上推理速度达到28 f/s,利于实际的部署和应用。在Infrared-PV数据集上的迁移实验进一步验证了改进算法的有效性。提出的改进模型在提高红外图像小目标检测性能的同时,能够满足实时性要求,因而适用于红外图像小目标实时检测任务。

改进YOLOv5s对病理学图像中猪只小肠绒毛的检测

为解决传统小肠绒毛需要专业人员手动检测耗时耗力且存在主观性和不稳定性等问题,同时提高在复杂病理学图像中小肠绒毛检测的准确率和效率,该研究提出基于改进YOLOv5s检测复杂病理学图像下猪只小肠绒毛的方法。首先,采用串联形式的混合池化对空间金字塔进行优化,增强特征提取与特征表达,提升检测精度;然后引入一种基于注意力机制的网络模块(simpleattentionmechanism,SimAM)与Bottleneck中的残差连接相结合,使用SimAM对Bottleneck中的特征图进行加权,得到加权后的特征表示,利用注意力机制加强模型对目标的感知。试验结果表明,该研究算法的平均精度(average precision)和每秒传输帧数(frame per second,FPS)达到92.43%和40帧/s。改进后的YOLOv5s在召回率和平均精度上相较改进前提高2.49和4.62个百分点,在不增加模型参数量的情况下,每帧图片的推理时间缩短1.04 ms。与经典的目标检测算法SSD、Faster R-CNN、YOLOv6s、YOLOX相比,平均精度分别提高15.16、10.56、2.03和4.07个百分点。结果表明,该方法能够实现病理学图像中猪只小肠绒毛自动化检测,保证复杂图像检测速度的同时,提高了小肠绒毛的检测精度。

高校仪器设备10S精细化管理的研究与实践

高校仪器设备的投入不断增加,如何管好、管活仪器设备,使其在教学和科研方面发挥更大的作用,是广大高校仪器设备管理工作者努力解决的问题。四川大学经过长期积极探索与不断实践,首次提出10S精细化仪器设备管理体系,以管理促发展,理论与实践相结合,仪器设备日常管理规范化与现代化相结合,大幅提升了仪器设备管理的科学化和精细化水平,有效提高了仪器设备开放共享的效益和受益面。对10S精细化管理在仪器设备管理中的具体内容进行了阐述与分析,可为其他高校仪器设备管理提供一定的借鉴和帮助。

S型异质结光催化剂ZnFe_(2)O_(4)/WO_(3)的构筑及光催化还原CO_(2)性能

通过在WO_(3)纳米片表面负载ZnFe_(2)O_(4)纳米颗粒,构建了一系列S型异质结光催化剂ZnFe_(2)O_(4)/WO_(3),并研究了其光催化CO_(2)还原性能。在没有助催化剂和牺牲剂的条件下,所制备的ZnFe_(2)O_(4)/WO_(3)复合材料可对CO_(2)与水蒸汽进行光催化反应。优化后的材料光照5 h后CO_(2)还原产物CO和CH_(4)的产量分别为7.87和4.88μmol·g^(-1)。相对于单相组分,CO和CH_(4)的产量明显提高。光催化活性的提高,归因于ZnFe_(2)O_(4)和WO_(3)异质结的形成以及光生载流子的S型电荷传输模式。

基于RFID和磁导航的AGV小车S7-1200PLC控制系统设计

该项目利用S7-1200PLC作为AGV主控制器,采取驱动轮差速进行转向控制,采用磁导航传感器和RFID标签传感器实现循迹和定位功能,实现AGV小车在立体仓库、VMC850数控加工中心、CK40S数控车床、RB20工业机器人、装配单元之间产品的搬运功能。

基于改进YOLOv5s的道路裂缝检测算法

为了解决道路巡检系统光学传感器采集的裂缝图像中颜色特征不明显且尺寸不规则造成检测精度不高、泛化能力不足的问题,提出改进YOLOv5s的裂缝检测算法。将结合深度可分离卷积(Depthwise Separable Convolution, DSC)的全局注意力(Global Attention Mechanism, GAM)引入主干特征提取网络,在降低注意力复杂度的同时获得丰富的跨维度特征,增强了裂缝的识别能力;采用空间金字塔软池化网络(Spatial Pyramid Softpool, SPSF),通过Softpool池化保留多维语义以减少信息弥散,提高了边界框回归的准确性;在颈部特征增强网络,运用空洞深度可分离卷积(Atrous DSC)进行下采样,通过扩大感受野加强深层和浅层信息的聚合能力,提高裂缝识别的泛化性。经过在自制道路裂缝数据集上的实验,相较于YOLOv5s,改进算法的mAP提高2.2%,有效提升了道路裂缝检测的准确性和对不同背景下裂缝识别的泛化能力。

基于HACCP的6S管理在精神病专科医院保洁管理中的应用

目的探讨危害分析及关键控制点(HACCP)联合6S管理法在精神病专科医院保洁管理中的应用效果。方法采用方便抽样方法,于2023年3月-6月,选取山东省某三级甲等精神病专科医院的30名病区保洁人员作为研究对象,采用基于HACCP的6S管理进行干预,并进行自身前后对照比较分析。结果基于HACCP的6S管理的实施,使保洁人员的医院感染基础知识、个人防护与职业暴露知晓率有所提升(P均<0.05),明显改善了保洁人员的手卫生正确性和依从性(P均<0.05),环境清洁消毒情况得到改善(P均<0.05),住院患者护理满意度和护理人员对保洁人员的满意度均得到提升。结论通过6S管理的标准化模式识别危险因素,将关键环节的评估、预防和控制工作融入保洁管理中,并进行同质化干预,能够提高保洁管理水平,对提升医患双方满意度有一定促进作用。

S3级临床实践指南在口腔医学的发展应用

在口腔医学领域,新的国际S3级指南的出现为相关疾病患者的管理提供了高质量的推荐建议,在国际性指南的基础上,也需结合我国的实际情况进行改编和应用。本文旨在介绍S3级临床实践指南分级系统和基本方法学原理,并对指南改编和本土化应用现状进行简要介绍。

改进的YOLOv5s遥感影像机场场面飞机小目标识别

遥感影像具有地物拍摄模糊以及背景环境复杂等特点,导致大面积地面物体识别准确率较低。针对此问题,提出了一种基于YOLOv5s改进网络模型。该模型对YOLOv5s中的骨干提取网络和颈部多尺度特征融合网络进行优化,引入Swin Transformer以获得更多关于目标物体的特征信息;同时对骨干网络中的模块做了修剪;此外,模型中还添加了坐标注意力机制来提升特征提取和融合效果。对于遥感数据集进行了小目标检测识别测试实验,改进后的YOLOv5s网络的mAP值为0.8375,比YOLOv5s网络模型提高了0.0225。实验结果表明,改进后的YOLOv5s网络模型对比YOLO系列网络和EfficientDet模型有效地提高了识别准确率、召回率以及mAP值,并且在训练时间上也比YOLOv5s减少了1/12。

基于S7-200 PLC的步进电机运动控制系统设计

提出基于西门子S7-200 PLC的步进电机运动控制系统的设计与实现。由于S7-200系列PLC不支持圆弧插补功能,采用极限逼近的算法,利用PLC输出高速脉冲信号和方向信号驱动步进电动机进行画圆的工作,并通过系统的调试对该方法进行了验证。

2022年6月10日四川马尔康M_(S)6.0震群序列时空演化特征

2022年6月10日马尔康M_(S)6.0震群序列发生在松岗断裂与龙日坝断裂交会处,呈震群型活动特征。本文以四川地震台网目录为基础,对马尔康地震序列的参数特征开展研究,取该序列三次M_(S)5.0地震之后各一个小时,作为Ⅰ,Ⅱ,Ⅲ共计三个阶段,进行对比分析。由于较大地震后短时间内目录遗漏的余震较多,为增大研究所需的地震样本量,首先采用模板匹配法进行微小地震识别,以补充完备目录,并利用识别的地震目录及台网目录分别计算马尔康M_(S)6.0地震序列的b值、p值等参数。计算结果显示,相比于第Ⅱ和Ⅲ阶段,第Ⅰ阶段具有显著的低b值(0.59),随着时间的推移,序列b值逐渐上升,后两个阶段分别为0.84和0.86。第Ⅰ阶段低b值的结果反映了此阶段孕震区应力水平较高。另外,第Ⅰ阶段序列的p值为0.76,明显低于后两个阶段的1.81和1.64,反映出第Ⅰ阶段序列频次衰减速度较慢,应力释放不充分,而后两个阶段刚好相反,表明不同阶段序列的时间演化特征存在差异。综合分析认为,M_(S)5.8地震是M_(S)6.0地震的前震。序列西支与东支的参数计算结果呈现不一样的特征,可能与M_(S)5.8前震序列发生在西支有关。

老年急性轻型缺血性脑卒中患者血清S100β蛋白、Aβ42表达水平与脑卒中后认知功能障碍的关系

目的 探讨老年急性轻型缺血性脑卒中(MIS)患者血清S100β蛋白、β-淀粉样蛋白(Aβ)42表达水平与脑卒中后认知功能障碍(PSCI)的相关性。方法 老年MIS患者91例按脑卒中3个月蒙特利尔认知评估(MoCA)量表评分分为PSCI组(MoCA评分<26分)39例与非PSCI组52例(MoCA评分≥26分)。比较两组入院时血清S100β蛋白、Aβ42水平,应用Logistic回归模型确定PSIC的独立影响因素,采用Pearson相关分析检验PSCI组血清S100β蛋白、Aβ42水平与MoCA评分的相关性,并应用受试者工作特征(ROC)曲线对S100β蛋白、Aβ42水平预测PSCI的能力进行评价。结果 相比非PSCI组,PSCI组年龄较大,糖化血红蛋白(HbA1c)水平较高,且血清S100β蛋白、Aβ42水平较高,差异有统计学意义(P<0.05)。多因素Logistic回归分析得出,年龄(OR=1.335)、血清S100β蛋白水平(OR=1.581)、血清Aβ42水平(OR=1.644)为PSCI的危险因素(P<0.05)。ROC曲线分析显示,入院时血清S100β蛋白、Aβ42水平预测PSCI的AUC分别为0.832、0.886,二者联合的AUC为0.944,相比单一指标均显著提高(P<0.05)。结论 血清S100β蛋白、Aβ42表达水平与老年MIS患者PSCI发生密切相关,二者联合可较好预测PSCI的发生。

基于改进YOLOv5s的面向自动驾驶场景的道路目标检测算法

在复杂道路场景中检测车辆、行人、自行车等目标时,存在因多尺度目标及部分遮挡易造成漏检及误检等情况,提出一种基于改进YOLOv5s的面向自动驾驶场景的道路目标检测算法。首先,利用深度可分离卷积替换部分普通卷积,减少模型的参数量以提升检测速度。其次,在特征融合网络中引入基于感受野模块(receptive field block,RFB)改进的RFB-s,通过模仿人类视觉感知,增强特征图的有效感受野区域,提高网络特征表达能力及对目标特征的可辨识性。最后,使用自适应空间特征融合(adaptively spatial feature fusion,ASFF)方式以提升PANet对多尺度特征融合的效果。实验结果表明,在PASCAL VOC数据集上,所提算法检测平均精度均值相较于YOLOv5s提高1.71个百分点,达到84.01%,在满足自动驾驶汽车实时性要求的前提下,在一定程度上减少目标检测时的误检及漏检情况,有效提升模型在复杂驾驶场景下的检测性能。

2022年四川芦山M_(S)6.1地震前应力状态研究

为研究2022年6月1日四川芦山M_(S)6.1地震的孕育和发生过程,采用CAP方法反演了2013年芦山M_(S)7.0主震及M_(S)≥5.0余震的震源机制解,并基于应力张量方差与b值时空分布特征,探讨了芦山M_(S)6.1地震的力学机制和震源区的应力状态。结果表明:2022年芦山M_(S)6.1地震震源机制表现出与2013年芦山M_(S)7.0主震和5级余震相似的逆冲型破裂特征,压应力轴方位与龙门山断裂带南段区域应力场一致。2013年芦山M_(S)7.0地震后震中及附近的应力张量方差和b值长期处于低值状态,2022年芦山M_(S)6.1地震前震中及附近出现了应力张量方差和b值的低值异常,表明芦山余震区处于较高的应力水平。分析认为:巴颜喀拉块体持续东向运动受到华南块体的阻挡,震中所在区域长期受挤压逆冲作用,从而使芦山余震区长期处于应力积累的状态,芦山M_(S)6.1地震也是在这种动力学背景下发生的。