摘要：瓶装白酒中存在杂质会影响产品质量,目前已有基于机器视觉的杂质检测方法。为提升基于机器视觉的检测方法的精度,提出了一种改进的Cascade R-CNN算法用于自动检测酒液中的杂质。该方法采用Cascade R-CNN的基础架构,通过在骨干网络中引入DCN v2以增强模型捕捉酒液杂质关键特征的能力;应用Libra R-CNN的平衡特征金字塔(bfp)以平衡候选区域的特征质量,为训练提供更提供更丰富的特征表示;使用InstaBoost进行数据增强,通过随机改变小目标实例的位置和大小来增加训练数据的多样性。通过与Faster R-CNN算法的对比实验结果分析,改进后的Cascade R-CNN算法相较于Faster R-CNN算法的AP值(平均精度)有明显的提升;改进后的Cascade R-CNN算法相较于Cascade R-CNN算法BaseLine的AP值有明显提升。因此,该研究提出的改进Cascade R-CNN算法针对酒液杂质的检测精度的提升是有效的。

摘要：作者利用前期研究总结出的重载低速末级齿轮传动自适应系统需具备的自适应条件,以此来分析现行使用较广泛的bfp型柔性传动系统的自适应性,并对该类机构提出改进方案.

摘要：为提高水稻病虫害检测精度,解决病虫害种类繁多、尺度不一、生长环境复杂导致的误检漏检问题,便于模型在边缘设备进行部署,提出一种基于改进YOLOv8的水稻病虫害检测方法 PBM-YOLOv8。首先使用部分卷积(partial convolution,PConv)设计PCBlock结构,替换YOLOv8特征提取模块中的瓶颈(bottleneck)结构,以减少模型参数量,提升检测速度;其次为了减少非相邻层语义信息特征融合时的稀释,在颈部网络增加平衡特征融合层,重构特征金字塔(feature pyramid networks,FPN)为平衡特征金字塔(balanced feature pyramid,bfp),对融合的特征层进行特征再提取,并引入嵌入高斯非局部注意力(embedded Gaussian non-local attention,EGNA)消除多层融合导致的混叠效应,最大程度减小特征丢失;最后将损失函数更换为MPDIOU,改善因样本差异性大而导致的检测框失真,同时降低模型训练的计算负担。试验结果表明,改进模型PBM-YOLOv8在水稻病虫害数据集上取得了更为优异的试验效果,相较于原始YOLOv8n基线模型精确度及平均准确率均值分别提高了1.3和1.1个百分点。将PBM-YOLOv8部署在RK3588上经多线程优化后检测速度可达到71.4帧/s,满足实际应用的需求,可实现对水稻病虫害的实时精准检测。

摘要：指出了现行ＢＦＰ型多柔传动计算公式存在的问题，推出了更加准确的计算公式，并讨论了该传动的优化设计。

摘要：2019年数学压轴题即失分较多的题主要是第16题、23题、24题、25题,近几年的沈阳市考生中考,数学失分较多的题也主要集中在第16题、23题、24题、25题,中考压轴题是为了考查考生综合运用知识的能力而设计的题目,其特点是知识点多、覆盖面广、条件隐蔽、关系复杂、思路难觅、解法灵活.