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。

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YOLO v3的轴承端面缺陷检测算法

为提高轴承端面缺陷检测的速度以及检测精度,提出一种基于改进YOLO v3的轴承端面缺陷检测算法。首先,对图像数据集进行数据增强处理以防止产生过拟合现象;其次,通过改进K-means聚类算法重新聚类出目标检测的Anchor Boxes,并引入SKNet注意力机制模块对原网络结构以及输出层结构进行改进;最后对改进的YOLO v3算法进行实验验证,并与原YOLO v3算法进行对比分析。结果表明,改进后的YOLO v3算法相比原YOLO v3算法对轴承端面缺陷检测的mAP值提升了7.03%,检测速度提升了34.7帧/s,验证了改进算法的有效性。

Co8W6Mo5Cr4V3粉末高速钢的热变形行为

采用熔炼、电渣重熔和气雾化法制备Co8W6Mo5Cr4V3粉末,再通过热等静压制备Co8W6Mo5Cr4V3粉末高速钢。在不同变形条件下进行热压缩实验,研究粉末高速钢的热变形行为,根据获得的应力-应变曲线,建立热变形本构方程,绘制热加工图。结果表明:Co8W6Mo5Cr4V3粉末高速钢的流变应力随变形温度升高或应变速率减小而减小;通过本构方程预测的流变应力和实验得到的流变应力间的相关系数为0.995,可用此方程对粉末高速钢在不同变形条件下的应力进行预测;根据热加工图,粉末高速钢最优的变形温度为1 100~1 150℃,应变速率为0.1~1.0 s^(-1)。

新课标导向下的五年级下学期3v3篮球大单元教学设计方案

本文为五年级下学期3v3篮球大单元学习方案,以“篮球基本技术”为大概念引领整个单元教学。教学设计围绕核心素养培育、“教会、勤练、常赛”等理念,教学过程中以“移动技术、传球、运球、投篮、突破、篮球基础配合”等基本技术为大任务驱动整个单元教学,单元学习过程中为学生创设各类比赛的真实情境,提高学生运用篮球基本技术的能力。最终,通过多种形式的“学、练、赛”提高学生的篮球水平,培育学生的核心素养。

蝴蝶兰‘V3’切花栽培管理及采收技术规程

国内蝴蝶兰‘V3’切花的规模化、专业化生产起步较晚。为了更好地满足市场对高品质蝴蝶兰切花的需求,提高生产标准化程度,结合连云港实际生产情况,对蝴蝶兰‘V3’切花的栽培和采收技术进行了全面总结。以期为推动国内蝴蝶兰切花生产的进一步发展提供参考依据。

基于改进YOLO v3模型的多类交通标识检测

为了提高城市真实交通场景中的交通标志、交通信号灯及停止线检测精度,提出一种基于YOLO v3的多类交通标识检测模型——T-YOLO.该模型在YOLO v3目标检测模型的基础上,采用了四种尺度特征进行检测,设计了更贴合待测交通标识的先验框,提升了模型对多类交通标识等小目标检测性能.采集13000张城市交通场景图像并进行标注,制作成多类交通标志数据集.实验结果表明,该模型在TT100K交通标志数据集、在LaRA交通信号灯数据集均取得较好结果.同时,在自制SUTDB数据集上交通标志、交通信号灯、停止线检测精度分别为0.90、0.99、0.80.文中提出的T-YOLO模型检测实现了多类交通标识,并且检测精度高,具有一定工程实用价值.

基于红外图像和改进MobileNet-V3的光伏组件故障诊断方法

为了提高光伏系统的可靠性和性能,提出一种基于红外图像和改进MobileNet-V3的光伏组件故障诊断方法。首先,分析开源光伏组件缺陷图像及其存在的问题;然后,基于存在的问题,对光伏组件红外缺陷图像进行图像增强、数据增强处理,使红外图像满足图片可用性及样本数量丰富性的要求;最后,对基本MobileNet-V3网络进行改进,实现光伏组件故障分类。实验结果显示:与传统CNN、基础MobileNet-V3相比,所提故障分类方法不仅准确率高、诊断速度快,且对各种故障类别的识别率高,具有较好的实用性和应用价值。

基于YOLO v3深度学习算法的道路裂缝识别模型研究

针对道路裂缝检测识别需人工参与、传统算法识别不准确等问题,提出一种基于YOLO v3深度学习算法的道路裂缝识别方法。首先将数据集图片缩放成416×416,然后利用Labelme对数据进行裂缝标注并对边界框位置信息进行转换,最后利用YOLO v3算法框架进行模型训练。结果表明:YOLO v3算法的精确率、召回率、F1分数都大于95%,图片检测速度达到0.1231 s/张。YOLO v3深度学习算法在精度和速度上都满足了道路裂缝实时检测的要求。

基于YOLO v3的卷烟用瓦楞纸箱表面缺陷检测方法

提出了一种基于YOLO v3的检测算法,并建立了卷烟用瓦楞纸箱循环利用性能评价体系。对比了Faster RCNN与YOLO v3深度神经网络目标检测算法对采集的典型卷烟用瓦楞纸箱表面缺陷的识别结果。基于OpenCV库、Canny算法,开发了适用于测量卷烟用瓦楞纸箱表面缺陷尺寸及其分布位置的合理方案。结果表明,该算法的平均准确率达92.23%,可成功实现缺陷位置、尺寸的检测。

基于改进Inception-v3网络的肺炎检测方法

在Inception-v3网络的基础上提出了一种有效的改进方法以提升X光胸片肺炎诊断的准确度.在原始Inception-v3网络结构中引入了残差连接以减轻网络加深带来的梯度消失问题.使用空间注意力与通道注意力机制提升模型的特征提取能力,同时通过通道混洗(Channel Shuffle)促进不同通道特征图之间的信息融合.最终改进模型的分类准确率为94.64%,较原始Inception-v3网络提升了4.33%,且对于新型冠状病毒感染具有更高的召回率,达到99.72%.实验结果表明,引入注意力机制的Inception-v3网络在四类肺炎检测分类任务(正常、普通病毒性肺炎、新型冠状病毒感染、其他肺部感染)中具有更高泛化能力与鲁棒性.

铁死亡在HIV-1 gp120 V3环致小胶质细胞炎症中的作用机制研究

目的:探讨人类免疫缺陷病毒1型(human immunodeficiency virus type 1,HIV-1)gp120 V3环致CHME-5小胶质细胞炎症反应与铁死亡的关系,并观察p53和铁死亡对该炎症反应的影响及可能机制。方法:体外培养人源CHME-5小胶质细胞,设立空白组、随机肽段组、HIV-1 gp120 V3环组、HIV-1 gp120 V3环+ferrostatin-1(Fer-1;铁死亡抑制剂)组和HIV-1 gp120 V3环+pifithrin-α(p53抑制剂)组。分别采用HIV-1 gp120 V3环(终浓度2 mg/L)和随机肽段(终浓度2 mg/L)处理CHME-5细胞24 h;Fer-1(终浓度20μmol/L)和pifithrin-α(终浓度10μmol/L)预处理CHME-5细胞2 h,HIV-1 gp120 V3环(终浓度2 mg/L)再处理24 h。ELISA法检测各组细胞上清液中炎症因子水平;Western blot法检测铁死亡相关蛋白[转铁蛋白受体1(transferrin receptor-1,TFR-1)、溶质载体家族7成员11(solute carrier family 7 member 11,SLC7A11)和谷胱甘肽过氧化物酶4(glutathione peroxidase 4,GPX4)]及p53的蛋白表达;酶标仪法检测细胞内亚铁离子(Fe2+)和谷胱甘肽过氧化物酶(glutathione peroxidase,GSH-Px)活性。结果:(1)ELISA结果显示,与对照组相比,gp120 V3环组炎症因子白细胞介素1β(interleukin-1β,IL-1β)、IL-6和肿瘤坏死因子α(tumor necrosis factor-α,TNF-α)水平显著升高(P<0.01);与gp120 V3环组相比,gp120 V3环+Fer-1组和gp120 V3环+pifithrin-α组炎症因子IL-1β、IL-6和TNF-α水平显著下降(P<0.01);(2)Western blot结果显示,与对照组相比,gp120 V3环组蛋白p53显著上调(P<0.01),铁死亡相关蛋白TFR-1显著上调(P<0.01),SLC7A11和GPX4显著下调(P<0.01);与gp120 V3环组相比,gp120 V3环+pifithrin-α组铁死亡相关蛋白TFR-1显著下降(P<0.05),SLC7A11和GPX4蛋白显著升高(P<0.05);(3)与对照组相比,gp120 V3环组Fe2+含量显著增加(P<0.01),GSH-Px活性显著降低(P<0.01);与gp120 V3环组相比,gp120 V3环+Fer-1组和gp120 V3环+pifithrin-α组Fe2+含量显著下降(P<0.05),GSH-Px活性显著升高(P<0.01)。结论:HIV-1 gp120 V3环致CHME-5小胶质细胞炎症中存在铁死亡,且抑制铁死亡能减轻炎症。HIV-1 gp120 V3环致CHME-5小胶质细胞炎症与p53蛋白调控铁死亡有关,抑制p53可减轻铁死亡和炎症反应。

基于DeepLab V3+深度神经网络的结直肠息肉内镜图像分割

目的:基于深度神经网络DeepLab V3+建立结直肠息肉内镜图像语义分割模型。方法:选取Hyper-Kvasir数据库1000张、苏州大学附属第一医院500张结直肠息肉内镜图像,分为训练集(n=1200)和验证集(n=300),同时收集江苏大学附属金坛医院肠息肉图像作为测试集(n=220)。对内镜图像进行分割标记,载入以DeepLab V3+为框架的深度神经网络中训练,建立语义分割模型。结果:在内部验证集中,该模型的准确性(ACC)达97.2%,平均交并比(MIoU)达85.8%,Dice系数达0.924。在外部测试集中,ACC达98.0%,MIoU达80.1%,Dice系数达0.890。结论:基于DeepLab V3+深度神经网络,构建结直肠息肉内镜图像的语义分割模型,具有良好的预测性能,可作为检测结直肠息肉的有效工具。

基于改进YOLO-v3的风力机叶片表面损伤检测识别

为对风力机叶片损伤状态进行有效检测,提出一种基于改进YOLO-v3算法的风力机叶片表面损伤检测识别技术。根据风力机叶片损伤区域特点,对网络中锚框(anchor)的尺度进行调整优化;在特征提取网络后引入基于注意力机制的挤压与激励网络(squeeze and excitation networks,SENet)结构,使YOLO-v3算法更加关注与目标相关的特征通道,提升网络性能。结果表明,改进后算法的平均精度为84.42%,较原YOLO-v3算法提升了6.14%,检测时间减少了21 ms,改进后的YOLO-v3算法能较好地识别出风力机叶片表面损伤。

基于改进Deeplab V3+网络的水工混凝土裂缝语义分割方法

为实现水工混凝土裂缝快速而准确的检测,提出了一种基于改进Deeplab V3+网络的水工混凝土裂缝语义分割方法。该方法采用Mobilenetv2网络替换原主干网络,将空洞卷积金字塔池化模块(ASPP)的空洞卷积替换为空洞深度可分离卷积,以提升运算速度,降低深层特征下采样倍数以减少语义信息丢失。实例验证结果表明:本文方法帧率达到51.11帧/s,较原网络提高了23.33帧/s,推理速度大幅提升;平均交并比和平均像素精度分别达到89.45和95.19,分割精度高;针对典型混凝土裂缝的分割效果也优于比较方法,泛化能力较强。

基于YOLO-V3算法的加油站不安全行为检测

为控制加油站火灾爆炸风险目标,结合事故统计和故障树分析方法,提出一种基于YOLO-V3算法的加油站不安全行为检测模型。首先在收集90起加油站火灾爆炸事故的基础上,统计分析加油站火灾爆炸事故的点火源;其次构建加油站火灾爆炸故障树,计算各基本事件的结构重要度,并确定加油站危险性较高的不安全行为;然后采用现场采集和模拟的方法收集加油站不安全行为图像数据,利用数据增强方法构建加油站不安全行为图像数据集;最后基于深度学习的方法构建加油站不安全行为检测模型,经过1000次训练迭代后得到最终模型。研究结果表明:引起加油站火灾爆炸事故的不安全行为主要有抽烟、打电话等;训练得到的检测模型在测试集上对抽烟、打电话和正常行为检测类别的平均检测精度分别为67%、85%和77%,模型的平均检测精度均值为84%。

基于改进YOLO v3算法的空中红外目标检测

为进一步提升空中作战条件下目标检测的性能,本文通过优化YOLO v3,提出了一种基于空中红外目标的检测算法EN-YOLO v3。该算法使用轻量的EfficientNet骨干网络作为YOLO v3的主干特征提取网络,使模型参数大幅减少,降低模型的训练时间;同时选用CIoU作为模型的损失函数,优化模型损失计算方法,提升模型的检测精度。结果表明,优化后的EN-YOLO v3目标检测算法与原YOLO v3相比模型尺寸减少了50.03%,精准度提升了1.17%,能够有效提升红外场景下空中目标的检测效果。

基于DeepLab V3+网络框架的上消化道溃疡内镜图像分割模型

目的基于DeepLab V3+网络框架,构建深度学习计算机视觉模型,实现对上消化道溃疡内镜图片较精确的语义分割。方法DeepLab V3+网络框架的编码器首先通过多个并行的、具有不同采样率的空洞卷积层,之后通过一个全局平均池化层对图像进行特征提取,实现多尺度提取特征;而解码器部分对深度特征层进行4次上采样,与浅层特征层进行堆叠并调整堆叠层大小,使其和输入图像大小一致,得到模型的预测结果。结果在内部验证集中,该模型的准确度(Accuracy,ACC)为0.963,平均交并比(Mean Intersection Over Union,mIoU)为0.927;外部测试集中,该模型的ACC为0.958,mIoU为0.915;均优于传统算法U-Net(内部验证集ACC为0.810,mIoU为0.785;外部测试集ACC为0.779,mIoU为0.732)。结论DeepLab V3+网络框架在识别病灶方面准确度高,具有较好的临床实践性。