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 mo...     

基于双扩张层和旋转框定位的群猪目标检测算法研究

目前猪群图像检测均为基于水平框的目标检测算法,对于图像中猪体粘连和相互遮挡情况检测率较低,针对图像中的猪只长宽比例较大和可能发生任意角度旋转的特点,提出了一种基于双扩张层和旋转框定位的群猪目标检测算法(Dual dilated layer and rotary box location network, DR-Net)。采集3个猪场的群猪图像,利用数据增强保留9 600幅图像制作数据集;基于膨胀卷积搭建提取图像全局信息的双扩张层,借鉴Res2Net模块改进CSP层融合多尺度特征,猪只目标以旋转框定位并采用五参数表示法在模型训练中利用Gaussian Wasserstein distance计算旋转框的回归损失。试验结果表明,DR-Net对猪只目标识别的精确率、召回率、平均精确率、MAE、RMSE分别为98.57%、97.27%、96.94%、0.21、0.54,其检测效果优于YOLO v5,提高了遮挡与粘连场景下的识别精度和计数精度。利用可视化特征图分析算法在遮挡和粘连场景下能够利用猪只头颈部、背部或尾部特征准确定位目标。该研究有助于智能化猪场建设,可为后续猪只行为识别研究提供参考。     

基于YOLO v8n-seg-FCA-BiFPN的奶牛身体分割方法

奶牛身体部位的精准分割广泛应用于奶牛体况评分、姿态检测、行为分析及体尺测量等领域。受奶牛表面污渍和遮挡等因素的影响,现有奶牛部位精准分割方法实用性较差。本研究在YOLO v8n-seg模型的基础上,加入多尺度融合模块与双向跨尺度加权特征金字塔结构,提出了YOLO v8n-seg-FCA-BiFPN奶牛身体部位分割模型。其中,多尺度融合模块使模型更好地提取小目标几何特征信息,双向跨尺度加权特征金字塔结构实现了更高层次的特征融合。首先在奶牛运动通道处采集奶牛侧面图像作为数据集,为保证数据集质量,采用结构相似性算法剔除相似图像,共得到1452幅图像。然后对目标奶牛的前肢、后肢、乳房、尾部、腹部、头部、颈部和躯干8个部位进行标注并输入模型训练。测试结果表明,模型精确率为96.6%,召回率为94.6%,平均精度均值为97.1%,参数量为3.3×106,检测速度为6.2f/s。各部位精确率在90.3%~98.2%之间,平均精度均值为96.3%。与原始YOLO v8n-seg相比,YOLO v8n-seg-FCA-BiFPN的精确率提高3.2个百分点,召回率提高2.6个百分点,平均精度均值提高3.1个百分点,改进后的模型在参数量基本保持不变的情况下具有更强的鲁棒性。遮挡情况下该模型检测结果表明,精确率为93.8%,召回率为91.67%,平均精度均值为93.15%。结果表明,YOLO v8n-seg-FCA-BiFPN网络可以准确、快速地实现奶牛身体部位精准分割。     

基于改进YOLO v3的自然场景下冬枣果实识别方法

为实现自然场景下冬枣果实的快速、精准识别,考虑到光线变化、枝叶遮挡、果实密集重叠等复杂因素,基于YOLO v3深度卷积神经网络提出了一种基于改进YOLO v3（YOLO v3-SE）的冬枣果实识别方法。YOLO v3-SE模型利用SE Net 的SE Block结构将特征层的特征权重校准为特征权值,强化了有效特征,弱化了低效或无效特征,提高了特征图的表现能力,从而提高了模型识别精度。YOLO v3-SE模型经过训练和比较,选取0.55作为置信度最优阈值用于冬枣果实检测,检测结果准确率P为88.71%、召回率R为83.80%、综合评价指标F为86.19%、平均检测精度为82.01%,与YOLO v3模型相比,F提升了2.38个百分点,mAP提升了4.78个百分点,检测速度无明显差异。为检验改进模型在冬枣园自然场景下的适应性,在光线不足、密集遮挡和冬枣不同成熟期的情况下对冬枣果实图像进行检测,并与YOLO v3模型的检测效果进行对比,结果表明,本文模型召回率提升了2.43~5.08个百分点,F提升了1.75~2.77个百分点,mAP提升了2.38~4.81个百分点,从而验证了本文模型的有效性。     

基于坐标注意力机制和YOLO v5s模型的山羊脸部检测方法

山羊的脸部检测对羊场的智能化管理有着重要的意义。针对实际饲养环境中,羊群存在多角度、分布随机、灵活多变、羊脸检测难度大的问题,以YOLO v5s为基础目标检测网络,提出了一种结合坐标信息的山羊脸部检测模型。首先,通过移动设备获取舍内、舍外、单头以及多头山羊的图像并构建数据集。其次,在YOLO v5s的主干网络融入坐标注意力机制,以充分利用目标的位置信息,提高遮挡区域、小目标、多视角样本的检测精度。试验结果表明,改进YOLO v5s模型的检测精确率为95.6%,召回率为83.0%,mAP_0.5为90.2%,帧速率为69 f/s,模型内存占用量为13.2 MB;与YOLO v5s模型相比,检测精度提高1.3个百分点,模型所占内存空间减少1.2 MB;且模型的整体性能远优于Faster R-CNN、YOLO v4、YOLO v5s模型。此外,本文构建了不同光照和相机抖动的数据集,来进一步验证本文方法的可行性。改进后的模型可快速有效地对复杂场景下山羊的脸部进行精准检测及定位,为动物精细化养殖时目标检测识别提供了检测思路和技术支持。     

基于深度学习目标测定的大蒜收获切根装置设计与试验

为研究适用于大蒜联合收获的智能化切根装置,提出了基于机器视觉的非接触式定位切根方法,设计了一种基于深度卷积神经网络的大蒜切根试验台。试验台采用深度学习的方法,对采集到的图像进行目标检测,利用APP完成人机交互和结果显示,由深度卷积神经网络给定切根的切入位置,电机控制系统自动调整定位双圆盘切根刀完成切根处理。目标比较试验表明:鳞茎、根盘和蒜根3种目标中,鳞茎可用率为94.79%、置信度得分为0.976 97,适合作为检测目标;检测模型比较试验表明:对比基于Faster R-CNN、SSD、YOLO v2、YOLO v3和YOLO v4算法的10种模型,选择ResNet50作为特征提取网络改进的YOLO v2模型,兼顾检测速度与精度(测试程序中的检测时间为0.052 3 s、置信度得分为0.968 49);切根试验表明:以鳞茎作为目标,采用改进的YOLO v2模型,置信度得分为0.970 99,可用率为96.67%,切根合格率为95.33%,APP中的检测时间为0.088 7 s,满足大蒜联合收获切根要求。     

基于改进YOLO v5s的马铃薯种薯芽眼检测方法

芽眼检测是马铃薯种薯智能切块首先要解决的问题,为实现种薯芽眼精准高效检测,提出了一种基于改进YOLO v5s的马铃薯种薯芽眼检测方法。首先通过加入CBAM注意力机制,加强对马铃薯种薯芽眼图像的特征学习和特征提取,同时弱化与芽眼相似的马铃薯种薯表面背景对检测结果的影响。其次引入加权双向特征金字塔BiFPN增加经骨干网络提取的种薯芽眼原始信息,为不同尺度特征图赋予不同权重,使得多尺度特征融合更加合理。最后替换为改进的高效解耦头Decoupled Head区分回归和分类,加快模型收敛速度,进一步提升马铃薯种薯芽眼检测性能。试验结果表明,改进YOLO v5s模型准确率、召回率和平均精度均值分别为93.3%、93.4%和95.2%;相比原始YOLO v5s模型,平均精度均值提高3.2个百分点,准确率、召回率分别提高0.9、1.7个百分点;不同模型对比分析表明,改进YOLO v5s模型与Faster R-CNN、YOLO v3、YOLO v6、YOLOX和YOLO v7等模型相比有着较大优势,平均精度均值分别提高8.4、3.1、9.0、12.9、4.4个百分点。在种薯自动切块芽眼检测试验中,改进Y...     

嵌入式设备的轻量化百香果检测模型

为在有限的嵌入式设备资源下达到实时检测要求,提出一种基于改进YOLO v5的百香果轻量化检测模型（MbECA-v5）。首先,使用MobileNetV3替换主干特征提取网络,利用深度可分离卷积代替传统卷积减少模型的参数量。其次,嵌入有效通道注意力网络（ECANet）关注百香果整体,引入逐点卷积连接特征提取网络和特征融合网络,提高网络对百香果图像的特征提取能力和拟合能力。最后,运用跨域与域内多轮训练相结合的迁移学习策略提高网络检测精度。试验结果表明,改进后模型的精确率和召回率为95.3%和88.1%;平均精度均值为88.3%,较改进前提高0.2个百分点。模型计算量为6.6 GFLOPs,体积仅为6.41MB,约为改进前模型的1/2,在嵌入式设备实时检测速度为10.92f/s,约为SSD、Faster RCNN、YOLO v5s模型的14倍、39倍、1.7倍。因此,基于改进YOLO v5的轻量化模型提高了检测精度和大幅降低了计算量和模型体积,在嵌入式设备上能够高效实时地对复杂果园环境中的百香果进行检测。     

模糊水下图像多增强与输出混合的鱼类检测方法

针对模糊水下图像增强后输入鱼类检测模型精度降低的问题,提出了模糊水下图像多增强与输出混合的鱼类检测方法。利用多种图像增强方法对模糊的水下图像进行增强,将增强后的图像分别输入鱼类检测模型得到多个输出,对多个输出进行混合,然后利用非极大抑制方法对混合结果进行后处理,获得最终检测结果。YOLO v3、YOLO v4 tiny和YOLO v4模型的试验结果表明,对比原始图像的检测结果,本文方法的检测精度分别提高了2.15、8.35、1.37个百分点;鱼类检测数量分别提高了15.5%、49.8%、12.7%,避免了模糊水下图像增强后输入鱼类检测模型出现精度降低的问题,提高了模型检测能力。     

基于改进YOLO v3模型的挤奶奶牛个体识别方法

为实现无接触、高精度养殖场环境下奶牛个体的有效识别，提出了基于改进YOLO v3深度卷积神经网络的挤奶奶牛个体识别方法。首先，在奶牛进、出挤奶间的通道上方安装摄像机，定时、自动获取奶牛背部视频，并用视频帧分解技术得到牛背部图像；用双边滤波法去除图像噪声，并用像素线性变换法增强图像亮度和对比度，通过人工标注标记奶牛个体编号；为适应复杂环境下的奶牛识别，借鉴Gaussian YOLO v3算法构建了优化锚点框和改进网络结构的YOLO v3识别模型。从89头奶牛的36790幅背部图像中，随机选取22074幅为训练集，其余图像为验证集和测试集。识别结果表明，改进YOLO v3模型的识别准确率为95.91%，召回率为95.32%，mAP为95.16%， IoU为85.28%，平均帧率为32f/s，识别准确率比YOLO v3高0.94个百分点，比Faster R-CNN高1.90个百分点，检测速度是Faster R-CNN的8倍，背部为纯黑色奶牛的F1值比YOLO v3提高了2.75个百分点。本文方法具有成本低、性能优良的特点，可用于养殖场复杂环境下挤奶奶牛个体的实时识别。     

Irrigation performance and waterlogging and salinity

This paper describes the processes by which irrigation development may induce waterlogging and salination of land. The harm done by this type of waterlogging and salination is briefly discussed as well as the available remedial measures. Three illustrative cases are also described. Finally, some specific suggestions are made on the coverage of irrigation induced waterlogging and salination in an irrigation performance assessment.     

高速公路机电系统维护管理的思考

机电系统是高速公路现代化管理的支撑系统,主要包括通信、监控和收费三大系统,其工作的特点是分布地域广、稳定性、可靠性要求高.要使该系统处于良好的工作状态,不仅取决于设备本身,更重要的是取决于设备运行中的维护管理,所以人员和环境的维护管理至关重要.     

机械设备的管理与维修保养

随着我国社会经济的迅速发展,我国在施工中的机械现代化得到了很大的发展。但是在机械设备的管理与维修保养中仍然还存在着较大的问题,机械设备的使用、管理、维修保养在某种程度上几乎占据了机械设备的大部分寿命周期,因此做好机械设备的管理与维修保养十分必要,它作为企业管理工作当中的基本工作不仅关系到企业的生产经营,而且对于企业发展也具有重要的意义。文章就机械设备管理与维修保养进行简单的阐述,并提供一些可供参考的意见和措施。     

药品仓储无线温湿度监控系统设计与实现

鉴于药品本身的特殊性受环境温度及湿度因素的影响较大,本系统设计一款专门针对基层中小型药房使用的无线温湿度监控系统,具有"实用、小巧、成本低、移动性好"的特点。本系统选用Nrf905无线数据收发模块解决布线成本高及不便移动的问题。     

自走式多功能穗茎兼收玉米联合收获机的设计与试验

为有效解决我国现有技术玉米联合收获机没有多功能玉米秸秆综合利用功能的缺陷,满足不同地区和用户对玉米秸秆利用的不同需求,实现玉米联合收获机的大范围跨区作业,设计了4YZD-4型自走式多功能穗茎兼收玉米联合收获机。该机采用板式摘穗单元组成上层果穗收获台,滚筒式切割器、秸秆输送铺放搅龙、浮动单双辊混合压送机构组成下层秸秆收获台,秸秆切碎还田装置和抛掷装置与整机底盘独立安装,能一次性完成玉米果穗收获、果穗剥皮和集箱,玉米秸秆切割、集条铺放、切碎还田、切碎回收、旋耕灭茬的联合作业功能,为我国大中型玉米穗茎兼收联合作业机械的研发提供了技术依据和应用实例。     

生物技术与植物病虫害防治技术研究

从防治植物病虫害的方法入手,阐述了传统植物病虫害技术,并对生物技术防治原理做出说明,最后着重介绍了现代生物技术应用的研究,对生物工程技术发展具有一定的借鉴作用。     

苜蓿切根补播施肥机气送式集排系统优化设计与试验

为提高苜蓿切根补播施肥机气送式集排系统工作性能,利用EDEM软件和Fluent软件对气送式集排系统工作过程进行联合仿真,以管道内部流场压力与速度变化情况、种子颗粒速度与受力情况为指标,分析波纹管和分配头结构参数对集排系统工作性能的影响,进而优化了其结构参数。以输种弯管弯径比、波纹管长度和分配头锥角为试验因素,以各行排量一致性变异系数和总排量稳定性变异系数为试验指标,进行Box-Behnken响应面分析仿真试验,获取集排系统最优结构参数组合。结果表明,当弯径比为0.96、波纹管长度为183mm、锥角为123.4°时,各行排量一致性变异系数为3.06%,总排量稳定性变异系数为3.17%。样机大田性能试验结果表明,在不同的螺旋输送机输送效率条件下,苇状羊毛种子、固体颗粒肥各行排量一致性变异系数和总排量稳定性变异系数均小于5%。     

畜禽粪污堆肥技术装备发展现状与趋势

浅述了畜禽粪污堆肥技术工艺和各种粪污堆肥装备,分析了畜禽粪污堆肥技术装备的发展趋势,得出了畜禽粪污堆肥技术装备是解决养殖业粪污处理的有效途径,能够促进绿色发展、生态循环,为我国畜禽粪污堆肥技术装备的设计、生产、应用提供参考。      

国内外防洪减灾发展与现状

列举了1994～2000年世界洪水灾害情况，并且对国内外防洪减灾措施进行总结，介绍了防洪减灾的工程措施和非工程措施。简述了我国防洪减灾工作的成绩，同时指出了我国防洪减灾面临的严峻的现实及发展的新思路     

高层建筑给排水节水节能研究

近年来,随着资源紧缺现象的加剧,人们的环保意识不断增强。针对高层建筑给排水节能节水方面进行了探讨,并根据高层建筑给排水功能的特点,对高层建筑给排水节水节能着重进行了介绍。