优德网上赌场娱乐-网上赌场源码

　　近日，我校機(jī)電工程學(xué)院教師吳利剛團(tuán)隊(duì)在黃花智能檢測研究上取得一系列重要進(jìn)展，相關(guān)研究成果分別以“基于YOLOv8-ABW的黃花成熟度檢測方法”和“基于輕量化高效層聚合網(wǎng)絡(luò)的黃花成熟度檢測方法”為題，在國內(nèi)農(nóng)業(yè)工程學(xué)科領(lǐng)域頂級(jí)期刊《農(nóng)業(yè)工程學(xué)報(bào)》（卓越期刊，EI收錄）和《農(nóng)業(yè)機(jī)械學(xué)報(bào)》（EI收錄，RCCSE中文核心學(xué)術(shù)期刊自然科學(xué)相關(guān)工程與技術(shù)類期刊排名第一）上發(fā)表，文章以山西大同大學(xué)為完成單位，機(jī)電工程學(xué)院吳利剛副教授為第一作者，資源與環(huán)境在讀碩士研究生陳樂為論文第二作者。該研究得到國家自然科學(xué)基金項(xiàng)目（12375050）、山西省基礎(chǔ)研究計(jì)劃項(xiàng)目（202303021211330）、大同市科技計(jì)劃項(xiàng)目（2023015,2023006）、山西大同大學(xué)基礎(chǔ)科研基金項(xiàng)目（2022K1）的資助。

　　論文“基于YOLOv8-ABW的黃花成熟度檢測方法”的主要內(nèi)容是為實(shí)現(xiàn)黃花成熟度的快速、高精度識(shí)別，針對(duì)其相似特征識(shí)別精確度低以及相互遮擋檢測困難的問題，提出的一種黃花成熟度檢測方法。該研究在特征提取網(wǎng)絡(luò)中加入結(jié)合注意力機(jī)制的尺度特征交互機(jī)制（attention based intra-scale feature interaction,AIFI），更好地提取黃花特征信息，提高檢測的精確度。在特征融合網(wǎng)絡(luò)中，進(jìn)一步采用加權(quán)的雙向特征金字塔特征融合網(wǎng)絡(luò)（bidirectional feature pyramid network, BiFPN），實(shí)現(xiàn)更高層次的跨通道特征融合，有效減少通道中的特征冗余。此外使用WIoUv3作為損失函數(shù)，聚焦普通質(zhì)量的錨框，提高模型的定位性能。研究結(jié)果表明：YOLOv8-ABW模型檢測精確度為82.32%，召回率為83.71%，平均精度均值mAP@0.5和mAP@0.5:0.95分別為88.44%和74.84%，調(diào)和均值提升至0.86，實(shí)時(shí)檢測速度為214.5幀/s。與YOLOv8相比，YOLOv8-ABW的精確度提高1.41個(gè)百分點(diǎn)，召回率提高0.75個(gè)百分點(diǎn)，mAP@0.5和mAP@0.5:0.95分別提升1.54個(gè)百分點(diǎn)和1.42個(gè)百分點(diǎn)。對(duì)比RT-DETR、YOLOv3、YOLOv5、YOLOv7模型，YOLOv8-ABW參數(shù)量最少，僅為3.65×106，且模型浮點(diǎn)運(yùn)算量比YOLOv7少96.3G。該研究體現(xiàn)出YOLOv8-ABW模型能夠在黃花成熟度檢測中平衡檢測精確度和檢測速度，綜合性能最佳，為黃花智能化實(shí)時(shí)采摘研究提供技術(shù)支持。（文章鏈接：http://www.tcsae.org/article/doi/10.11975/j.issn.1002-6819.202401074）

黃花智能檢測模型

　　論文“基于輕量化高效層聚合網(wǎng)絡(luò)的黃花成熟度檢測方法”主要內(nèi)容是針對(duì)黃花傳統(tǒng)人工識(shí)別效率低，辨識(shí)標(biāo)準(zhǔn)不統(tǒng)一的問題，提出基于輕量化和高效層聚合過渡網(wǎng)絡(luò)的黃花成熟度識(shí)別方法LSEB YOLOv7。首先，引入輕量化卷積對(duì)高效層聚合網(wǎng)絡(luò)和過渡模塊進(jìn)行輕量化處理，減少模型計(jì)算量。其次，在特征提取與特征融合網(wǎng)絡(luò)之間增加通道注意力機(jī)制，提升模型檢測性能。最后，在特征融合網(wǎng)絡(luò)中，優(yōu)化通道信息融合方式，使用雙向特征金字塔網(wǎng)絡(luò)替換Concatenate，增加信息融合通道，持續(xù)提升模型性能。研究結(jié)果表明：與原始模型相比，在黃花成熟度檢測中，改進(jìn)后的LSEB YOLOv7模型參數(shù)量和浮點(diǎn)運(yùn)算量分別減少約2.0×106和7.7×109。訓(xùn)練時(shí)長由8.025h降低至7.746h，模型體積壓縮約4MB。同時(shí)，訓(xùn)練精確率和召回率分別提升約0.64個(gè)百分點(diǎn)和0.14個(gè)百分點(diǎn)，mAP@0.5和mAP@0.5：0.95分別提升約1.84個(gè)百分點(diǎn)和1.02個(gè)百分點(diǎn)。此外，調(diào)和均值性能保持不變，均為84.00%。LSEB YOLOv7算法可均衡模型復(fù)雜性與性能，為黃花成熟度檢測和智能化采摘設(shè)備提供技術(shù)支持。（文章鏈接：http://www.j-csam.org/jcsam/article/abstract/20240226?st=search）

　　我校高度重視高水平論文的發(fā)表工作，科學(xué)技術(shù)部積極鼓勵(lì)和支持教師與科研團(tuán)隊(duì)在國內(nèi)外頂級(jí)學(xué)術(shù)期刊上發(fā)表高質(zhì)量的研究成果，并提供各種資源和平臺(tái)，推動(dòng)科研水平的提升，以進(jìn)一步增強(qiáng)學(xué)校的學(xué)術(shù)影響力和科研競爭力。（來源：科學(xué)技術(shù)部  責(zé)編：趙鑫）