针对高分辨透射电子显微镜(high⁃resolution transmission electron microscope,HRTEM)所拍摄的图像存在像差造成的分辨率下降问题,本文提出一种自动测量像差参数的方案:以相对随机的方式,模仿实验像与模拟像的人工对比过程,可以求解电...针对高分辨透射电子显微镜(high⁃resolution transmission electron microscope,HRTEM)所拍摄的图像存在像差造成的分辨率下降问题,本文提出一种自动测量像差参数的方案:以相对随机的方式,模仿实验像与模拟像的人工对比过程,可以求解电镜像差。求得的像差结合改进单图重建波函数算法,可以去除图像的像差影响并获得单张图的波函数的相位像。本文运用模拟像验证后,方案与算法用于单层二硫化钼的实验HRTEM像,测得像差参数精度高,校正后的图像细节更优。本文算法计算精度好、效率高,有望应用于针对晶格像的像差测量问题。展开更多
哺乳期仔猪因体型小、生性好动、易被遮挡且聚集重叠,人工盘点效率低且易出错。现有方法在复杂猪场环境和频繁遮挡下难以平衡检测准确率与资源受限部署需求,增加了漏检和误检风险。为此,本文提出了一种基于YOLO v8n的轻量化仔猪检测模型...哺乳期仔猪因体型小、生性好动、易被遮挡且聚集重叠,人工盘点效率低且易出错。现有方法在复杂猪场环境和频繁遮挡下难以平衡检测准确率与资源受限部署需求,增加了漏检和误检风险。为此,本文提出了一种基于YOLO v8n的轻量化仔猪检测模型GSD-YOLO。模型通过引入柔性非极大值抑制边界框交并操作和Inner-MPDIoU损失函数,优化边界框回归以降低误检和漏检率;并嵌入坐标注意力机制(Coordinate attention for efficient mobile network design,CA),增强了目标区域的特征表达能力,有效解决长程依赖问题。为实现嵌入式设备的高效部署,模型引入GhostNet模块优化特征提取和融合,减少通道间特征冗余的同时降低模型参数量。模型重构了一种轻量化的检测头Detect_DG,在模型体积缩减18.48%的同时,进一步提升了检测精度。与YOLO v8n相比,GSD-YOLO的F1分数和平均精度分别提升1.0、0.6个百分点,参数量降低61.28%,帧率提高12.5%。GSD-YOLO在综合检测性能上优于YOLO v11等4种主流模型。结果表明,该模型在不同遮挡、重叠和光照下检测仔猪目标的准确率更优,且模型内存占有量较小,仅有2.6 MB。将GSD-YOLO部署到边缘计算设备Jetson Orin NX和安卓(Android)移动端,为实际应用中的仔猪检测提供了有效的技术支撑。展开更多
密集场景下群株生菜的有效分割与参数获取是植物工厂生长监测中的关键环节。针对群株生菜中个体生菜鲜质量提取问题,该研究提出一种利用实例分割模型提取个体生菜点云,再以深度学习点云算法预测个体鲜质量的方法。该方法以群株生菜为研...密集场景下群株生菜的有效分割与参数获取是植物工厂生长监测中的关键环节。针对群株生菜中个体生菜鲜质量提取问题,该研究提出一种利用实例分割模型提取个体生菜点云,再以深度学习点云算法预测个体鲜质量的方法。该方法以群株生菜为研究对象,利用深度相机采集群株生菜俯视点云,将预处理后的点云数据输入实例分割模型Mask3D中训练,实现背景与生菜个体的实例分割,之后使用鲜质量预测网络预测个体生菜鲜质量。试验结果表明,该模型实现了个体生菜点云的分割提取,无多检和漏检的情况。当交并比(intersection over union,IoU)阈值为0.75时,群株生菜点云实例分割的精确度为0.924,高于其他实例分割模型;鲜质量预测网络实现了直接通过深度学习处理点云数据,预测个体生菜鲜质量的目的,预测结果的决定系数R2值为0.90,均方根误差值为12.42 g,优于从点云中提取特征量,再回归预测鲜质量的传统方法。研究结果表明该研究预测生菜鲜质量的精度较高,为利用俯视单面点云提取群株生菜中个体生菜表型参数提供了一种思路。展开更多
文摘针对高分辨透射电子显微镜(high⁃resolution transmission electron microscope,HRTEM)所拍摄的图像存在像差造成的分辨率下降问题,本文提出一种自动测量像差参数的方案:以相对随机的方式,模仿实验像与模拟像的人工对比过程,可以求解电镜像差。求得的像差结合改进单图重建波函数算法,可以去除图像的像差影响并获得单张图的波函数的相位像。本文运用模拟像验证后,方案与算法用于单层二硫化钼的实验HRTEM像,测得像差参数精度高,校正后的图像细节更优。本文算法计算精度好、效率高,有望应用于针对晶格像的像差测量问题。
文摘哺乳期仔猪因体型小、生性好动、易被遮挡且聚集重叠,人工盘点效率低且易出错。现有方法在复杂猪场环境和频繁遮挡下难以平衡检测准确率与资源受限部署需求,增加了漏检和误检风险。为此,本文提出了一种基于YOLO v8n的轻量化仔猪检测模型GSD-YOLO。模型通过引入柔性非极大值抑制边界框交并操作和Inner-MPDIoU损失函数,优化边界框回归以降低误检和漏检率;并嵌入坐标注意力机制(Coordinate attention for efficient mobile network design,CA),增强了目标区域的特征表达能力,有效解决长程依赖问题。为实现嵌入式设备的高效部署,模型引入GhostNet模块优化特征提取和融合,减少通道间特征冗余的同时降低模型参数量。模型重构了一种轻量化的检测头Detect_DG,在模型体积缩减18.48%的同时,进一步提升了检测精度。与YOLO v8n相比,GSD-YOLO的F1分数和平均精度分别提升1.0、0.6个百分点,参数量降低61.28%,帧率提高12.5%。GSD-YOLO在综合检测性能上优于YOLO v11等4种主流模型。结果表明,该模型在不同遮挡、重叠和光照下检测仔猪目标的准确率更优,且模型内存占有量较小,仅有2.6 MB。将GSD-YOLO部署到边缘计算设备Jetson Orin NX和安卓(Android)移动端,为实际应用中的仔猪检测提供了有效的技术支撑。
文摘密集场景下群株生菜的有效分割与参数获取是植物工厂生长监测中的关键环节。针对群株生菜中个体生菜鲜质量提取问题,该研究提出一种利用实例分割模型提取个体生菜点云,再以深度学习点云算法预测个体鲜质量的方法。该方法以群株生菜为研究对象,利用深度相机采集群株生菜俯视点云,将预处理后的点云数据输入实例分割模型Mask3D中训练,实现背景与生菜个体的实例分割,之后使用鲜质量预测网络预测个体生菜鲜质量。试验结果表明,该模型实现了个体生菜点云的分割提取,无多检和漏检的情况。当交并比(intersection over union,IoU)阈值为0.75时,群株生菜点云实例分割的精确度为0.924,高于其他实例分割模型;鲜质量预测网络实现了直接通过深度学习处理点云数据,预测个体生菜鲜质量的目的,预测结果的决定系数R2值为0.90,均方根误差值为12.42 g,优于从点云中提取特征量,再回归预测鲜质量的传统方法。研究结果表明该研究预测生菜鲜质量的精度较高,为利用俯视单面点云提取群株生菜中个体生菜表型参数提供了一种思路。
文摘【目的】解决复杂果园环境下的果实精准分割问题。【方法】本文提出一种新颖的柑橘果树三维重建与果实语义分割方法。首先,利用神经辐射场(Neural radiance field,NeRF)技术从多视角图像中学习果树的隐式三维表示,生成高质量的果树点云模型;然后,采用改进后的随机局部点云特征聚合网络(Random local point cloud feature aggregation network,RandLA-Net)对果树点云进行端到端的语义分割,准确提取出果实点云。对RandLA-Net进行针对性改进,在编码器层后增加双边增强模块,采用更适合果实点云分割任务的损失函数,并通过柑橘果树数据集对改进后的分割网络进行验证试验。【结果】所提出的方法能够有效地重建果树三维结构,改进后网络的平均交并比提高了2.64个百分点,果实的交并比提高了7.33个百分点,验证了该方法在智慧果园场景下的实用性。【结论】研究为实现果园智能化管理和自动化采摘提供了新的技术支撑。
