MRUNet: A two-stage segmentation model for small insect targets in complex environments

Online automated identification of farmland pests is an important auxiliary means of pest control.  In practical applications, the online insect identification system is often unable to locate and identify the target pest accurately due to factors such as small target size, high similarity between species and complex backgrounds.  To facilitate the identification of insect larvae, a two-stage segmentation method, MRUNet was proposed in this study.  Structurally, MRUNet borrows  the practice of object detection before semantic segmentation from Mask R-CNN and then uses an improved lightweight UNet to perform the semantic segmentation.  To reliably evaluate the segmentation results of the models, statistical methods were introduced to measure the stability of the performance of the models among samples in addition to the evaluation indicators commonly used for semantic segmentation.  The experimental results showed that this two-stage image segmentation strategy is effective in dealing with small targets in complex backgrounds.  Compared with existing state-of-the-art semantic segmentation methods, MRUNet shows better stability and detail processing ability under the same conditions.  This study provides a reliable reference for the automated identification of insect larvae.     

正确认识现代经济学的逻辑体系——大学本科《微观经济学》教学的基本目的

微观经济学是现代经济学的基础，其教学的基本目的就是帮助学生正确认识现代经济学逻辑体系。高校微观经济学教学应该在正确理解现代经济学方法和分析框架的前提下，合理安排教学内容，展现现代经济学逻辑体系，教会学生像经济学家那样思考问题     

基于修正的Snake模型与特征对象法的多运动目标分割

在分析常规的运动目标分割算法的基础上，以计算简单、速度快、能精确提取运动目标为原则，提出了基于特征对象的运动目标分割算法，并将该法与修正的Snake模型结合进行了运动目标外廓的精确提取.分析和实验表明：该算法需要调整的参数少，计算简单，速度快，抗干扰能力强，可以有效地消除多帧间运动目标的遮挡，在多运动目标不重叠的情况下，能精确定位多运动目标的外轮廓.     

基于级联视觉检测的樱桃番茄自动采收系统设计与试验

樱桃番茄串生长姿态多样、果实成熟度不一，采摘机器人进行“粒收”作业时，常面临果梗干涉末端执行器、成熟度判断错误等问题，导致采摘效率低下、难以有效实现分级采收。针对上述问题，该研究提出一种级联视觉检测流程，包括采收目标检测、目标果实特性判别、果实与果梗位置关系判断3个关键环节。首先根据农艺要求按成熟度将番茄果实分为4个等级，引入YOLOv5目标检测模型对番茄串和番茄果实进行检测并输出成熟度等级，实现分期采收。然后对果实与果梗的相对位置进行判断，利用MobileNetv3网络模型对膨胀包围盒进行果实与果梗相对位置关系判断，实现末端执行器采摘位姿控制。日光温室实际测试结果表明，本文提出的级联检测系统平均推理用时22ms，在IOU(intersectionoverunion)阈值为0.5的情况下，樱桃番茄串与果实的平均检测精度达到89.9%，满足采摘机器人的视觉检测精度和实时性要求，相比末端执行器以固定角度靠近待采目标的方法，本文方法采收效率提升28.7个百分点。研究结果可为各类果蔬采摘机器人研究提供参考。     

基于改进YOLOv5的割草机器人工作环境障碍物检测方法研究

为实现割草机器人在计算资源有限的情况下快速、准确地定位并识别工作环境中的障碍物，提出一种基于滤波器剪枝的改进YOLOv5s深度学习模型的割草机器人工作环境下障碍物的检测方法。首先，将YOLOv5模型中的Bottleneck残差块改为分层残差结构，以更细粒度地表示多尺度特征，同时增加网络感受野；另外，在残差块尾部加入SE模块，用来对特征图重新标定；其次，对改进后的算法进行滤波器剪枝；最后，针对割草机器人工作环境中的常见障碍物建立相关数据集，并使用剪枝后改进YOLOv5s作为深度学习模型进行检测。试验结果表明：改进后的YOLOv5模型大小减少188%，mAP增加0.1%。对改进YOLOv5模型进行剪枝后，比原YOLOv5模型计算量降低36.6%，模型大小降低333%，推理速度减少1.9 ms。剪枝后本文模型的mAP值分别比YOLOv4，YOLOv4-tiny，YOLOv3，YOLOv3-tiny高1.3%，9.5%，5.8%，22.1%。     

基于改进YOLOv5的复杂跨域场景下的猪个体识别与计数

为解决复杂跨域场景下猪个体的目标检测与计数准确率低下的问题，该研究提出了面向复杂跨域场景的基于改进YOLOv5（You Only Look Once version 5）的猪个体检测与计数模型。该研究在骨干网络中分别集成了CBAM（Convolutional Block Attention Module）即融合通道和空间注意力的模块和Transformer自注意力模块，并将CIoU（Complete Intersection over Union）Loss替换为EIoU（Efficient Intersection over Union）Loss，以及引入了SAM （Sharpness-Aware Minimization）优化器并引入了多尺度训练、伪标签半监督学习和测试集增强的训练策略。试验结果表明，这些改进使模型能够更好地关注图像中的重要区域，突破传统卷积只能提取卷积核内相邻信息的能力，增强了模型的特征提取能力，并提升了模型的定位准确性以及模型对不同目标大小和不同猪舍环境的适应性，因此提升了模型在跨域场景下的表现。经过改进后的模型的mAP@0.5值从87.67%提升到98.76%，mAP@0.5:0.95值从58.35%提升到68.70%，均方误差从13.26降低到1.44。以上研究结果说明该文的改进方法可以大幅度改善现有模型在复杂跨域场景下的目标检测效果，提高了目标检测和计数的准确率，从而为大规模生猪养殖业生产效率的提高和生产成本的降低提供技术支持。     

江苏省内陆水域国家级水产种质资源保护区建设现状及展望

水产种质资源是水生生物资源的重要组成部分和渔业发展的物质基础,属于国家的重要战略资源,划定水产种质资源保护区是保护水产种质资源及其栖息环境的重要措施之一。文章概述了江苏省内陆水域国家级水产种质资源保护区建设过程及现状,总结了水产种质资源保护区的水域类型、面积大小及保护对象种类,指出水产种质资源保护区建设和管理中存在的一些问题,并就水产种质资源保护区的未来发展提出了措施建议。     

基于改进YOLACT++的成熟芦笋检测-判别-定位方法

为解决芦笋采收机器人选择性采收过程中成熟芦笋的判别和采摘手准确定位难题，提出了一种改进YOLACT++(You only look at coefficients)算法，利用该方法对成熟芦笋进行检测判别并定位采收切割。通过引入CBAM(Convolutional block attention module)注意力机制以及SPP(Spatial pyramid pooling)结构改进传统的YOLACT++主干网络，提高了特征提取的有效性；设计了适用于芦笋目标检测的锚框长宽比以保证覆盖到不同姿态的芦笋，以提高网络检测速度和准确率。利用生成的芦笋掩膜分段计算芦笋长度和基部直径，来判定成熟芦笋，并通过空间位姿向量计算成熟芦笋基部区域切割点位置。采收机器人田间试验结果表明，经过训练的改进YOLACT++模型的检测准确率为95.22%,掩膜平均准确率为95.60%,640像素×480像素图像检测耗时53.65 ms,成熟芦笋判别准确率为95.24%,在X、Y、Z方向的切割点定位误差小于2.89 mm,滚转角和俯仰角误差最大为7.17°;与Mask R-CNN、SOLO和YOLACT++模型相比...     

TRIZ理论在电动轮椅中轮部装结构优化设计中的应用

针对目前电动轮椅在实现轮距伸缩过程中同步性差、不稳定的问题,对其关键机构——中轮部装进行优化改进设计。对电动轮椅中轮部装系统进行功能分析,并对成型过程中遇到的实际问题进行因果链分析,建立物-场模型,提取矛盾,利用TRIZ理论方法找到多个解决方案模型,并对得到的方案模型进行可用性评估。将所得的最优方案在现有成型机中验证,电动轮椅实现轮距伸缩过程同步性差、不稳定的问题被解决,在新一代成型样机中取得了理想的结果。     

基于 YOLOv7 的无人机影像稻穗计数方法研究

【目的】利用深度学习技术开展基于无人机采集的水稻稻穗 RGB 图像进行稻穗快速计数技术研究，利于建立省工、省时、高效的产量评估预测，为后续收获、烘干、仓储工作以及品种试验评估等提供依据。【方法】在水稻齐穗 - 灌浆期，使用无人机采集水稻稻穗图片，通过对图片中稻穗的标注、分类以及训练，获得基于 YOLOv7 的网络结构模型，与田间实际调查结果进行对比和验证，针对该方法对不同亚种水稻稻穗的数穗计数精度作出评价。【结果】将得到的模型的预测结果与真实结果进行比较，对于相同的训练集，YOLOv7模型的重叠率（Intersecion of union，IoU）值的中位数普遍高于 YOLOv5 模型。仅使用粳稻数据训练得到的模型对粳稻有较好的识别精度，YOLOv7 模型的 mAP@0.5 为 80.75%、mAP@0.25 为 93.01%，优于 YOLOv5l 模型的 mAP@0.5 值 73.36%、mAP@0.25 值 91.16%；两种模型对籼稻识别精度不高。对籼稻识别最佳的模型为使用籼稻数据训练得到的模型，YOLOv7 模型的 mAP@0.5 为 73.19%、mAP@0.25 为 83.71%，优于 YOLOv5l 模型的mAP@0.5 值 72.77%、mAP@0.25 值 81.66%；但两种模型均对粳稻识别精度不高。对预测结果与实际调查结果进一步比较验证表明，仅使用粳稻数据训练得到的模型对粳稻有较好的识别精度，模型预测值与观察值显著相关。其中 YOLOv7 模型对粳稻预测精度最高，R2 为 0.9585、RMSE 为 9.17；其次为 YOLOv5 模型，R2 为 0.9522、RMSE为 11.91。对籼稻识别最佳的模型为使用籼稻数据训练得到的模型。其中 YOLOv7 模型对籼稻预测精度最高，R2 为 0.8595、RMSE 为 24.22。其次为 YOLOv5 模型，R2 为 0.7737、RMSE 为 32.56。【结论】本研究初步建立的基于无人机的田间水稻单位面积穗数快速调查方法，具有较高精度，可应用于实际田间测产工作，有利于克服人工田间估产工作量大、效率低、人为误差等问题，未来可进一步应用于可移动水稻估产装置的开发。