驾车安全常识

开车吸烟影响驾车安全 驾驶员在行车中摸烟、拿打火机点焖及嘴衔香烟，烟雾在眼前缭绕分散了注意力会影响到驾车安全。     

瘤胃真菌对饲料降解的研究进展

对瘤胃微生物作用的研究一直是反刍动物营养中的一个核心内容。在过去的几十年里,对反刍动物消化过程中起主要作用的瘤胃微生物区系研究取得了长足的进展,但主要集中在瘤胃细菌及纤毛虫的数量、分布及其生命活动等方面上,而对瘤胃真菌研究较少。自1975年O rpin首次报道瘤胃真菌     

驾驶中的信息运用与注意力

(1)突然信息。外界信息来得比较突然，如前车突然紧急刹车；行人、自行车突然调头拐弯、摔倒；自己的车转向、制动突然失灵等。对这些不易提防的突然信息，驾驶员要保持高度警惕，注意观察，以防万一。     

如何使孩子注意力集中

要提高孩子的学习成绩，就要培养和训练他们的注意力，使孩子养成专心致志的读书习惯。具体做法是：     

“硬气功”中的力学知识

我们经常在街边或是一些旅游景区内会见到一些"硬气功"的表演,比如"腹上开石""银枪刺喉""刀砍不入""汽车过身""头撞石碑""手指钻砖"等等,可谓花样繁多。其实了解内情的人都知道,所谓"硬气功"不过是一些人靠力气、胆量和窍门来迷惑不知内情的人的一种杂耍表演,谈不上表演者有什么超人的能力。下面举几个例子来说明。银枪刺喉:两人相对,分别用喉部顶住木杆两头的枪尖,只见木杆被两人顶弯了,但喉部却安然无     

浅议犬注意力的培养方法

当前，犬注意力的训『练培养在警犬训练中越来越受到重视，虽然在一些教科书中有所涉及，但没有形成系统性的体系。在国外，犬注意力的训练与培养受到了足够的重视，有大量的文献资料涉及犬的注意力培养，并在日常的警犬训练中把其作为训练的前提条件。随着注意力在警犬训练中的应用及其重要作用，我们应该在警犬训练中高度重视犬的注意力的培养，犬的注意力提高了，警犬训练就会轻松，使我们在训练中达到事半功倍的效果。     

基于改进YOLO v5的橙子果实识别方法

针对自然环境下橙子检测存在枝叶遮挡、相邻果实重叠等情况而导致检测效果差的问题，提出一种改进的YOLO v5方法。首先，在主干网络部分使用RepVGG(re-param VGG)模块替换原始C3模块，加强网络对特征信息的提取能力；其次，在颈部网络使用鬼影混洗卷积(ghost-shuffle convolution)代替原有的标准卷积，能够在保证精度的前提下，降低模型参数量；再次，在预测头前加入ECA(efficient channel attention)注意力模块，能够更加准确定位目标信息；最后，引入EIOU(efficient intersection over union)损失函数加速预测框的收敛，提高其回归精度。改进的YOLO v5网络在自然环境下的橙子检测中平均精度达到90.1%,相比于目前热门的检测网络CenterNet、YOLO v3和YOLO v4其在识别效果方面有一定的提升。可见，所提出的改进网络在橙子检测上更有优势，能为今后智能采摘机器人的研发提供理论支撑和技术参考。     

基于改进ConvNeXt模型的黄羽鸡表皮层黑色素智能分级方法

为解决活体黄羽鸡表皮层黑色素分级方法成本高、效率低下、分级环境易受环境光干扰等问题,该研究探索一种基于ConvNeXt模型的黄羽鸡表皮层黑色素智能分级方法 ConvNeXt-WPCA,用于实现活体黄羽鸡表皮层黑色素智能分级。ConvNeXt-WPCA模型通过以下3点改进提高模型对黄羽鸡黑色素的识别效果：1）针对黄羽鸡黑色素图像RGB三通道内黑色素信息分布不均衡问题,改变输入图片通道权重来增强模型对黑色素特征的提取能力;2）使用部分卷积代替深度可分离卷积,减少模型计算量和内存访问次数提高对计算资源的利用率;3）引入坐标注意力机制,引导模型关注黄羽鸡胸腹部及肛门附近皮肤提升模型精度。同时,该研究还设计一种双光源图像获取装置,分别在自然光和偏振光条件下拍摄黄羽鸡样本,以减小分级结果受环境光干扰的影响,并探索偏振光在黑色素分级任务中的应用潜力。结果表明ConvNeXt-WPCA模型相较标准ConvNeXt模型,针对自然光下黄羽鸡黑色素图像数据集分级准确率提升9.68个百分点,最终达到89.03%的识别准确率,针对偏振光下黄羽鸡黑色素图像数据集分级准确率提升15.26个百分点,最终达到98.87...     

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,该模型对于肉苁蓉的检测精度和准确率分别为89.8%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、YO...     

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...