摘要：针对自动售货柜场景中存在的复杂背景和商品包装高度相似导致的识别难题,提出了一种融合多尺度注意力机制和度量学习的商品识别方法。首先,基于ResNet层级结构引入多头自注意力,充分挖掘卷积神经网络(CNN)多尺度特征提取优势和Transformer全局建模能力,并设计一种新的多尺度空洞注意力,使模型关注到相似包装中商标形状和局部纹理等局部特征,以及上下文全局特征;其次设计降采样多尺度特征融合策略,有效提高算法的多尺度特征表达能力;最后采用ArcFace损失函数以增强模型的识别能力。为了验证所提出方法的有效性,构建了一个真实场景下的商品数据集,由自动售货柜的顶视摄像头采集。实验结果表明,该方法在Commodity 553数据集上的MAP@1准确率达到87.4%,优于当前的主流识别方法,可实现更精确的商品识别。

摘要：倒伏是限制油料作物高产、稳产、优产的主要因素,对油菜倒伏类型的实时监测与评估对于油菜预产和品种选育至关重要。该研究提出一种无人机可见光影像下融合多尺度特征和注意力机制的油菜倒伏分类方法,对绿熟期和黄熟期的倒伏级别进行分类鉴定。首先,设计一种图像分类模型NGnet(nam-ghost network),用于对角果期的油菜倒伏程度进行分类。该网络采用改进的GhostBottleNeck模块,融入利用权重因子来体现重要特征的注意力机制模块NAM(normalization-based attention module),再将不同尺度的注意力特征进行融合,以降低模型参数量、提高准确率;其次,构建使用无人机高空遥感正射影像的油菜倒伏数据集(rape lodging dataset, RLD),该数据集由5 789张分辨率为3×255×255且人工标注倒伏级别的小区影像构成;最后,将NGnet模型在RLD数据集上的进行验证,准确率达到85.10%,比T2T-VIT、SwinTransformerV2、MobileNetV3、Res2Net、RepVGG和RepLKNet分别高出15.6、11.92、7.01、6.22、6.08、2.37个百分点。试验结果表明,NGnet模型对油菜倒伏分类任务是有效的,可为基于无人机RGB影像的油菜倒伏鉴定和良种选育等提供参考。

摘要：小麦是重要的粮食作物之一,麦穗计数对于预测麦穗产量至关重要。针对现有的检测计数方法在复杂农田环境下存在检测精度不足、模型参数量大等问题,该研究提出一种轻量级麦穗检测模型RT-WEDT(real-time wheat ear detection transformer)。首先,选择基于transformer的轻量化网络EfficientFormerV2作为RT-WEDT的骨干网络,以提升特征提取效率的同时学习麦穗图像的长距离特征;其次,设计三重特征融合模块(triple feature fusion,TFF)并引入尺度序列特征融合模块(scale sequence feature fusion,SSFF)以构建多尺度增强混合编码器(multi-scale enhanced hybrid encoder,MSEHE),达到浅层和深层特征充分融合,提高模型在不同尺度上的检测精度;最后,采用WIoUv3损失函数作为边界框损失函数来优化模型对麦穗目标的定位准确度。在全球麦穗数据集上的试验结果表明,RT-WEDT模型的交并比阈值0.50的平均精度AP_(50)为90.2%,高于传统的目标检测模型。在自建的无人机视角麦穗数据集(drone perspective wheat spike dataset,DPWSD)上的交并比阈值0.50的平均精度AP_(50)为96.8%,验证了模型有较好的普适性。此外模型的参数量为12M,检测速度为79.7帧/s,可达到麦穗高通量实时检测的目的。该研究为实现高效、快速的小麦产量估计提供了技术支撑,对推动智慧农业的发展具有重要意义。

摘要：激光点云分类是实现三维场景理解的基础。针对机载点云大场景分类中存在的特征表达不足、样本类别不均衡的问题,本文提出一种整合边缘卷积与全局-局部自注意力的机载点云分类方法。首先,以U-net为网络框架,融合Point Transformer与边缘卷积模块,使得模型能够关注到复杂地物边界和纹理信息,获得表达能力更好的局部几何特征。其次,创新性地提出一种融合全局上下文信息和局部结构特征的自注意力机制,全局自注意力模块倾向于整个输入序列的信息,而局部自注意力模块则更注重于局部区域的细节。两种机制结合增强了对长距离依赖关系和局部结构的捕捉,同时使得模型能够兼顾少数类别的关键特征,在一定程度上降低样本类别不均衡对分类精度的影响,有助于提高模型对复杂地物关系的分类能力。最后,在公开的ISPRS-3D数据集和WHU-Urban3D数据集上对本文所提出的方法进行验证,实验结果表明,该方法在两个数据集上的分类精度分别为82.5%和87.4%,优于PointNet++,Stratified Transformer等经典网络及ISPRS 3D官网竞赛网络,可有效提升机载点云分类精度。

摘要：开花是油菜生长过程中的重要阶段,花朵覆盖度可以精确反映油菜花的生长状态,为产量预测提供有用信息。为了解决传统覆盖度获取方法需要大量人工的问题,本研究将覆盖度问题转变为油菜花的分割问题,提出了一种快速、无损的油菜花簇覆盖度获取方法。首先,基于无人机(UAV)的RGB影像,针对UNet网络特征融合不充分的问题,设计了一种特征聚合桥分割网络FABM-UNet;其次,为了验证模型的有效性,构建了油菜花分割数据集RSD,该数据集由DJI Phantom 4 Pro v2.0捕获而得,包括720张油菜花的影像以及对应的分割标签;最后,与传统的4种分割方法以及7种深度学习的网络(Deeplabv3+、PSPNet、UNet、UNet++、UNet3plus、Attention-UNet和TransUNet)进行对比,结果表明,FABM-UNet网络的分割指标IoU和Dice系数分别为0.87和0.93,在本研究的油菜花数据集上实现了最优分割性能,分割结果可以直观揭示油菜花朵覆盖度的变化情况,为油菜品种的选育提供了有力的支撑。

摘要：目的:设计Keap1-tat小肽,并探讨其对全脑缺血后大鼠海马CA1区神经元的保护作用及空间学习记忆功能的影响。方法:制作大鼠四动脉结扎全脑缺血模型,随机分为假手术sham组、sham+Keap1-tat组、缺血再灌注组(ischemia/reperfusion,I/R)、Keap1-tat处理组和溶剂对照组(vehicle)。Keap1-tat处理组大鼠于缺血前30 min于侧脑室微量注射30、50、100μg Keap1-tat,溶剂对照组侧脑室注射等体积(5μL)0.9%(质量分数)Na Cl溶液(生理盐水),焦油紫染色观察海马CA1区神经元的损伤;4-羟基壬烯醛(4-hydroxy-2-noneal,4-HNE)、8-羟基脱氧鸟苷(8-hydroxy-2'-deoxyguanosine,8-OHd G)共聚焦技术观察海马CA1区神经元氧化应激损伤;Morris水迷宫观察大鼠的空间学习和记忆功能。结果:与sham组相比,vehicle和I/R组大鼠海马CA1区存活神经元数量显著减少,而Keap1-tat处理组可显著降低海马CA1区神经元损伤,且50μg剂量组存活的神经元最多;Keap1-tat处理组与vehicle组相比,4-HNE和8-OHd G阳性反应显著降低,且找到水下平台需要的时间显著减少,移走水下平台后,该组大鼠在原平台所在象限探索的时间较vehicle组显著延长。结论:Keap1-tat小肽可能通过降低缺血再灌注诱导的氧化应激而降低CA1区神经元损伤,并改善缺血后大鼠的学习记忆功能。

摘要：基于***的自考管理信息系统在研究系统的需求分析后,采用基于.NET的C/S和B/S两种开发模式相结合的方式,选择VISUAL C#+***+IIS+SQL SERVER2000的开发平台,设计了系统的各个功能模块以及数据库系统,为实现该系统提供可行性的设计方案。