内源性注意和外源性注意条件下线索提示有效性对数字距离效应的影响

采用内源性和外源性注意实验范式,考察了内源性和外源性注意不同注意条件下线索提示有效性对数字加工距离效应的影响,材料为小数(1～4)和大数(6～9)的阿拉伯数字,以判断数字是否比5大为任务,结果发现:①内源性注意条件下,当线索提示有效性为80%时,注意和非注意条件下,大、小数都出现了距离效应;当线索提示有效性为50%时,注意条件下,大、小数都出现了距离效应,但非注意条件下,只有小数出现了距离效应,大数的距离效应明显减弱或消失;②外源性注意条件下,无论线索提示有效性为80%还是50%,注意和非注意条件下,大、小数均出现了距离效应.     

基于双阶段注意力机制和LSTM的鸡舍氨气浓度预测算法

为寻求准确的鸡舍氨气浓度预测方法,构建基于双阶段注意力机制和长短时记忆神经网络(Long shortterm memory,LSTM)的鸡舍氨气浓度预测模型,将该模型应用于山东省商河县某蛋鸡养殖场,采集二氧化碳(CO_2)、氧气(O_2)和氨气(NH_3)的体积分数,细颗粒物(PM_(2.5))质量浓度,温度,相对湿度时间序列数据对模型进行验证,并与支持向量回归(Support vector regression,SVR)、人工神经网络(Artificial neural network,ANN)模型和无注意力机制的LSTM模型对比研究。结果表明:1)不同时间窗口T下NH_3体积分数预测精度不同。T∈{2,3,4,8}时,均方根误差(Root mean square error,RMSE)分别为0.433 4,0.394 8,0.379 9和0.405 1μL/L,平均绝对误差(Mean absolute error,MAE)分别为0.267 4,0.262 9,0.228 9和0.272 4μL/L;2)基于双阶段注意力机制和LSTM的鸡舍NH_3浓度预测模型在RMSE和MAE评价指标框架下优于SVR、ANN和无注意力机制的LSTM模型。基于双阶段注意机制和LSTM的模型能较好地对鸡舍氨气浓度进行预测,可为鸡舍氨气浓度预测及调控提供技术支持。     

基于注意力机制的小样本啤酒花病虫害识别

为提高啤酒花产业的品质和产量,针对于传统人工识别鉴定难度大,效率低和客观性不够,以及啤酒花病虫害识别无大型公开数据集等问题。本文提出一种基于软注意力机制的小样本啤酒花病虫害识别方法,对传统深度残差网络ResNet模型进行改进,并使用图像增强技术-直方图均衡化处理图片得到新的数据集。实验结果表明,在小样本情况下,相比于传统的模型,改进过后的模型A-ResNet50和A-ResNet101都能准确识别不同类型的病虫害图像,在测试集上的准确率为93.27%和93.11%,Kappa指数达到了0.9027和0.8996,证实了A-ResNet50和A-ResNet101模型在啤酒花病虫害识别上的可行性以及可靠性。本文提出的方法识别精度高,实现了啤酒花病虫害的智能识别,同时也对小样本数据集的高精度识别提供了一种途径。     

基于卷积注意力的无人机多光谱遥感影像地膜农田识别

监测地膜覆盖农田的分布对准确评估由其导致的区域气候和生态环境变化有着重要作用,基于DeepLabv3+网络,通过学习面向地膜语义分割的通道注意力和空间注意力特征,提出一种适用于判断农田是否覆膜的改进深度语义分割模型,实现对无人机多光谱遥感影像中地膜农田的有效分割。以内蒙古自治区河套灌区西部解放闸灌区中沙壕渠灌域2018—2019年4块实验田的无人机多光谱遥感影像为研究数据,与可见光遥感影像的识别结果进行对比,同时考虑不同年份地膜农田表观的变化,设计了2组实验方案,分别用于验证模型的泛化性能和增强模型的分类精度。结果表明,改进的DeepLabv3+语义分割模型对多光谱遥感影像的识别效果比可见光高7.1个百分点。同时考虑地膜农田表观变化的深度语义分割模型具有更高的分类精度,其平均像素精度超出未考虑地膜农田表观变化时7.7个百分点,表明训练数据的多样性有助于提高地膜农田的识别精度。其次,改进的DeepLabv3+语义分割模型能够自适应学习地膜注意力,在2组实验中,分类精度均优于原始的DeepLabv3+模型,表明注意力机制能够增加深度语义分割模型的自适应性,从而提升分类精度。本文提出的方法能够从复杂的场景中精准识别地膜农田。     

基于注意力机制的时空卷积数控机床热误差模型研究

为了提高数控机床热误差模型的精度与泛化性,提出了基于注意力机制的长短时记忆卷积神经网络(Long short term memory convolutional neural network based on attention mechanism, AM-CNN-LSTM)热误差模型。利用卷积神经网络提取高维数据空间状态特征的能力和长短时记忆网络提取长时间序列状态特征的能力,构建具有2个支路的热误差模型,分别提取特征后输入到注意力机制中进行特征重要性重构,建立原始数据与热误差的特征映射,最后通过全连接层进行热误差预测。采用G460L型数控机床进行实验数据采集,将不同季节采集到的温度数据和热误差作为模型输入,采用循环学习率与正则化优化方法对模型进行训练。与LSTM、ConvLSTM和CNN-LSTM热误差模型对比,结果表明,AM-CNN-LSTM模型对特征还原能力最强,残差波动范围最小,其残差范围较最大值下降62.09%,模型预测精度在2.4μm以内。     

反式脂肪的养生危害探讨

在广泛文献检索的基础上,对反式脂肪的成分、产生途径、危害、使用现状和使用注意事项等进行了综述,为全民养生保健提供参考资料。     

火龙果的人工辅助授粉技术

人工辅助授粉是火龙果栽培的重点和难点技术之一,是取得优质丰产的基础。该文探讨了人工辅助授粉的时间、方法和注意事项,具有很强的实用性、针对性、可操作性,便于果农正确掌握,对火龙果棚室栽培技术的推广应用具有积极的指导作用。     

浅谈路桥设计构思的一体化

我国已经进入了经济快速发展的崭新时代,随着人们生活水平的提高,人们对城市道路、高速公路和各类桥梁等交通设施的质量提出了更高的要求,其主要体现在行车的舒适度与安全度的更高期望。同时道路与桥梁设计在交通设施中占据着十分重要的地位。本文先后介绍了路桥设计的一体化、山区路桥建设以及路桥建设的一些注意事项,希望对未来的交通道路建设具有一定的借鉴意义。     

基于YOLOv5s-ESTC的肉苁蓉检测

为了解决因梭梭和红柳等宿主遮挡、样本分布密集、样本大小不均衡等造成人工种植肉苁蓉检测精度低以及模型参数量过大难以向嵌入式设备移植等问题,该研究提出一种基于改进YOLOv5s的人工种植肉苁蓉轻量化检测方法。首先,将YOLOv5s的主干网络替换为EfficientNetv2网络,以减少模型参数量和计算复杂度进而实现模型轻量化,便于后期将模型向嵌入式设备部署;其次,为了增强模型对小目标肉苁蓉特征信息的提取能力,将C3模块与Swin Transformer Block进行整合,得到C3STR模块,将其引入主干网络,并将其输出的特征图与Neck网络中的特征图进行融合;最后,在检测头前端与颈项加强网络之间添加CA注意力机制,以弱化背景信息、聚焦目标特征,提高网络检测性能。试验结果表明,本文模型对于肉苁蓉的检测精度和准确率分别为89.4%和92.3%,模型的参数量和计算量分别为5.69×10⁶ MB和6.8 GB,权重文件大小为11.9 MB,单幅图像推理时间为8.9 ms,能够实现实时性检测。同其他主流模型相比,改进后的模型的检测精度分别比SSD、Faster R-CNN、YOLOv3、YOLOv4、YOLOv5s、YOLOv6s、YOLOv7s和YOLOv8s高出1.1、3.0、10.8、10.3、8.5、1.6、1.2、1.4和0.5个百分点,能够准确识别不同形态下的人工种植肉苁蓉目标,同时模型具有最小的参数量、计算量和权重文件。将本文模型部署到移动端设备上,测试结果表明,本文模型具有较好的检测效果,在移动端设备上的检测时间为110.81 ms,相较于YOLOv5s模型提升了37.8%,平均检测精度相对YOLOv5s模型提升4.96个百分点,可为肉苁蓉智能化采摘装备研制提供参考。     

基于多尺度融合注意力机制的群猪检测方法

群猪检测是现代化猪场智慧管理的关键环节。针对群猪计数过程中,小目标或被遮挡的猪只个体易漏检的问题,研究提出了基于多尺度融合注意力机制的群猪检测方法,首先基于YOLOv7模型构建了群猪目标检测网络YOLOpig,该网络设计了融合注意力机制的小目标尺度检测网络结构,并基于残差思想优化了最大池化卷积模块,实现了对被遮挡与小目标猪只个体的准确检测;其次结合GradCAM算法进行猪只检测信息的特征可视化,验证群猪检测试验特征提取的有效性。最后使用目标跟踪算法StrongSORT实现猪只个体的准确跟踪,为猪只的检测任务提供身份信息。研究以育肥阶段的长白猪为测试对象,基于不同视角采集的视频数据集进行测试,验证了YOLOpig网络结合StongSORT算法的准确性和实时性。试验结果表明,该研究提出的YOLOpig模型精确率、召回率及平均精度分别为90.4%、85.5%和92.4%,相较于基础YOLOv7模型平均精度提高了5.1个百分点,检测速度提升7.14%,比YOLOv5、YOLOv7tiny和 YOLOv8n 3种模型的平均精度分别提高了12.1、16.8和5.7个百分点,验证该文模型可以实现群猪的有效检测,满足养殖场管理需要。