海洋剖面信息对于指导渔业生产非常重要,尤其是了解海洋温度、深度和盐度等关键参数,这对渔业生产者快速掌握目标鱼种的海域环境及其变化趋势具有重要意义。研究并开发了一款面向远洋渔业生产作业的高效温深盐仪(conductivity,temperatu...海洋剖面信息对于指导渔业生产非常重要,尤其是了解海洋温度、深度和盐度等关键参数,这对渔业生产者快速掌握目标鱼种的海域环境及其变化趋势具有重要意义。研究并开发了一款面向远洋渔业生产作业的高效温深盐仪(conductivity,temperature and depth,CTD)数据处理系统,通过与CTD设备直接通信,实现即时传输和实时分析海洋温度、深度等关键参数,为渔业生产提供决策支持。该系统采用树莓派4B作为硬件平台,使用Python语言进行开发,结合Matplotlib库实现数据的可视化功能。系统通过RS232/RS485数据接收模块与CTD仪器进行通讯,实时传输和分析海洋数据,并提供判断温跃层和特定水温深度的功能。该系统显著提升了海洋剖面数据的处理和查询效率,使得渔业生产者能够更加精准地进行捕捞,大大提高了渔业生产中的决策效率。此外,该系统的便携性和操作简便性使得非专业背景的渔民也能轻松使用,使渔民能够充分利用现有科技进行捕捞,切实体验到科技带来的便利和效益。通过高效CTD数据处理系统,渔业生产者不仅能够更快、更准确地获取关键海洋数据,还能及时调整捕捞策略,提高捕捞成功率,最终实现渔业生产的可持续发展。展开更多
针对无规共聚聚丙烯(Polypropylene Random Copolymer,PPR)管铜嵌件缺陷复杂、多样性、尺度差异大的检测难点,提出了一种改进k均值聚类算法(K-means Clustering Algorithm,K-means)结合多尺度特征融合和注意力机制融入的改进YOLOv7(You ...针对无规共聚聚丙烯(Polypropylene Random Copolymer,PPR)管铜嵌件缺陷复杂、多样性、尺度差异大的检测难点,提出了一种改进k均值聚类算法(K-means Clustering Algorithm,K-means)结合多尺度特征融合和注意力机制融入的改进YOLOv7(You Only Look Once Version 7)模型检测方法。先用K-means++聚类生成各类缺陷集的平衡标签,再将平衡标签作为第二步K-means聚类的初始中心,使得聚类获得的初始锚框更适合本缺陷样本集。通过融入坐标注意力(Coordinate Attention,CA)机制使模型在检测复杂缺陷时更关注其重要特征,减少冗余特征的干扰。针对缺陷尺度差异性大的特点,采用多尺度特征融合增加了极小尺度检测模块。实验结果表明,改进后的YOLOv7模型比原始模型平均精度均值(Mean Average Precision,mAP)提升了2.29%,和其他主流检测算法相比,在维持检测速度基础上提升了检测精度。改进后的模型mAP达到89.21%,检测速度达到57帧/秒,具有较好的工业应用前景。展开更多
文摘海洋剖面信息对于指导渔业生产非常重要,尤其是了解海洋温度、深度和盐度等关键参数,这对渔业生产者快速掌握目标鱼种的海域环境及其变化趋势具有重要意义。研究并开发了一款面向远洋渔业生产作业的高效温深盐仪(conductivity,temperature and depth,CTD)数据处理系统,通过与CTD设备直接通信,实现即时传输和实时分析海洋温度、深度等关键参数,为渔业生产提供决策支持。该系统采用树莓派4B作为硬件平台,使用Python语言进行开发,结合Matplotlib库实现数据的可视化功能。系统通过RS232/RS485数据接收模块与CTD仪器进行通讯,实时传输和分析海洋数据,并提供判断温跃层和特定水温深度的功能。该系统显著提升了海洋剖面数据的处理和查询效率,使得渔业生产者能够更加精准地进行捕捞,大大提高了渔业生产中的决策效率。此外,该系统的便携性和操作简便性使得非专业背景的渔民也能轻松使用,使渔民能够充分利用现有科技进行捕捞,切实体验到科技带来的便利和效益。通过高效CTD数据处理系统,渔业生产者不仅能够更快、更准确地获取关键海洋数据,还能及时调整捕捞策略,提高捕捞成功率,最终实现渔业生产的可持续发展。
文摘针对无规共聚聚丙烯(Polypropylene Random Copolymer,PPR)管铜嵌件缺陷复杂、多样性、尺度差异大的检测难点,提出了一种改进k均值聚类算法(K-means Clustering Algorithm,K-means)结合多尺度特征融合和注意力机制融入的改进YOLOv7(You Only Look Once Version 7)模型检测方法。先用K-means++聚类生成各类缺陷集的平衡标签,再将平衡标签作为第二步K-means聚类的初始中心,使得聚类获得的初始锚框更适合本缺陷样本集。通过融入坐标注意力(Coordinate Attention,CA)机制使模型在检测复杂缺陷时更关注其重要特征,减少冗余特征的干扰。针对缺陷尺度差异性大的特点,采用多尺度特征融合增加了极小尺度检测模块。实验结果表明,改进后的YOLOv7模型比原始模型平均精度均值(Mean Average Precision,mAP)提升了2.29%,和其他主流检测算法相比,在维持检测速度基础上提升了检测精度。改进后的模型mAP达到89.21%,检测速度达到57帧/秒,具有较好的工业应用前景。
