摘要：从中国园林的历史,世界园林艺术的发展,结合工业化对人们思想文化环境和自然环境产生诸多影响的现实,对如何发展有中国特色21世纪现代化园林进行了探讨。

摘要：浸种是玉米生产中重要的播前增种技术,对浸种过程中裂纹的高效检测是分析玉米胚乳裂纹变化规律的基础,是优良品种性状选育的关键之一,尚存在内部胚乳裂纹不可见、自动化检测程度不高等困难。基于CT扫描技术,在YOLO v5n检测网络的基础上,设计了YOLO v5-OBB旋转目标检测网络,其中OBB为有向目标边框,该网络使用旋转矩形框代替普通矩形框,并在Backbone部分加入位置注意力模块(CA),同时采用倾斜非极大值抑制算法(Skew-NMS)进行非极大值抑制得到最终预测框,以此实现长宽比大、方向不一的玉米胚乳裂纹检测。经过300次迭代训练,模型在测试集上的精确率P为94.2%,召回率R为81.7%,平均精度(AP)为88.2%,模型内存占用量为4.21 MB,单幅图像平均检测时间为0.01 s,与SASM、S2A-Net和ReDet旋转目标检测网络相比,AP分别提高15.0、16.9、7.0个百分点,单幅图像平均检测时间分别减少0.19、0.22、0.46 s,同时YOLO v5-OBB模型内存占用量分别为SASM、S2A-Net和ReDet模型的1.50%、1.43%和1.73%,与采用水平矩形框标注的YOLO v5网络相比,AP提高0.6个百分点,模型大小减小0.19 MB,单幅图像平均检测时间不变,两者均为0.01 s。将YOLO v5-OBB网络获取裂纹目标框坐标信息后得到的裂纹长度与在DragonflyEZ软件中得到的裂纹真实长度相比,两者绝对误差为0.04 mm,相对误差为0.93%。对不同CT灰度分布情况下玉米胚乳裂纹检测结果表明,该模型对较小灰度、较大灰度、混合灰度3种玉米胚乳裂纹图像的P分别为100%、100%、93.3%,R分别为100%、82.4%和79.8%,AP分别为99.5%、91.2%和86.8%。结果表明,所设计模型能有效实现玉米胚乳裂纹的检测,同时模型鲁棒性高,内存占用量小,可为玉米浸种过程胚乳裂纹的自动监测提供借鉴。

摘要：针对现有深度学习技术在奶牛关键点检测研究中尚存在网络复杂度高、检测速度慢等问题,提出了一种轻量化奶牛关键点检测模型SimCC-ShuffleNetV2。在模型中,主干网络采用ShuffleNetV2用于特征提取,有利于实现网络的轻量化;检测头采用SimCC用于关键点位置预测,SimCC采取坐标分类的方法使得检测更加简单高效。为了验证模型的性能,本研究设计了奶牛的关键点及骨架结构,并标注了3600幅图像用于模型的训练与测试。试验结果表明,SimCC-ShuffleNetV2模型的AP50:95为88.07%,浮点运算量为1.5×10^(8),参数量为1.31×10^(6),检测速度为10.87 f/s,可以实现奶牛关键点的精确与高效检测。与基于回归的DeepPose网络、基于热力图的HRNet网络进行了对比试验,结果表明SimCC-ShuffleNetV2取得了精度与速度的良好平衡。同时,本研究通过更换不同主干与不同检测头的方式,对比验证了不同模块对模型性能影响,本研究所提出的模型在所有试验中均取得了最佳结果,表明ShuffleNetV2与SimCC的组合具备良好的关键点检测性能。为了验证模型的有效性,将模型应用于4种动作视频中提取骨架序列并将其送入ST-GCN网络以实现不同动作的分类,其分类准确率为84.56%,表明本研究提出的SimCC-ShuffleNetV2模型是良好的关键点提取器,可为奶牛行为识别等任务提供关键信息支撑。

摘要：为进一步提高卷积神经网络的训练速度,减少训练成本,建立了量子门组卷积神经网络模型(Quantum Gate Convolutional Neural Network,QGCNN)。为了构建QGCNN网络结构,依据传统CNN结构的特点,给出卷积算术线路(Convolutional Arithmetic Circuit,ConvAC)的定义。用张量分解来说明ConvAC的权值系数之间的关系,为构建QGCNN提供理论依据。将QGCNN分为输入表示层、隐藏层和输出层,在此基础上实现对数据进行量子编码,利用量子门组完成数据初始化,网络参数更新等操作。将QGCNN应用到数字手写体识别中,实验结果表明,该方法在手写体识别的准确率和收敛速度上有不错的效果。