自主导航能力是无人系统所要具备的核心能力。近年来,无人系统作业的环境日益复杂,所面临的任务也越来越有挑战性,这对其自主导航能力提出更高的要求。随着神经科学和人工智能的不断发展,基于动物大脑空间导航机理的类脑导航技术已经成...自主导航能力是无人系统所要具备的核心能力。近年来,无人系统作业的环境日益复杂,所面临的任务也越来越有挑战性,这对其自主导航能力提出更高的要求。随着神经科学和人工智能的不断发展,基于动物大脑空间导航机理的类脑导航技术已经成为一种解决复杂环境下智能导航问题的方案。本文对类脑智能导航技术的发展历程进行梳理与总结,重点讨论类脑导航的空间认知模型建模技术及其应用技术——类脑同时定位与建图(simultaneous localization and mapping,SLAM)技术及类脑集群导航技术。最后,总结目前类脑导航技术面临的挑战和不足,并探讨未来的重要发展方向。展开更多
针对YOLOv5(you only look once version five)模型在农作物害虫密集目标上的检测效果无法满足实际需求,以及训练过程中模型收敛速度较慢等问题,该研究提出了融入全局响应归一化(global response normalization,GRN)注意力机制的YOLOv5...针对YOLOv5(you only look once version five)模型在农作物害虫密集目标上的检测效果无法满足实际需求,以及训练过程中模型收敛速度较慢等问题,该研究提出了融入全局响应归一化(global response normalization,GRN)注意力机制的YOLOv5农作物害虫识别模型(YOLOv5-GRNS)。设计了融入GRN注意力机制的编码器(convolution three,C3)模块,提高对密集目标的识别精度;利用形状交并比(shape intersection over union,SIoU)损失函数提高模型收敛速度和识别精度;在公开数据集IP102(insect pests 102)的基础上,筛选出危害陕西省主要农作物的8种害虫类型,构建了新数据集IP8-CW(insect pests eight for corn and wheat)。改进后的模型在新IP8-CW和完整的IP102两种数据集上进行了全面验证。对于IP8-CW,全类别平均准确率(mean average precision,mAP)mAP@.5和mAP@.5:.95分别达到了72.3%和47.0%。该研究还对YOLOv5-GRNS模型进行了类激活图分析,不仅从识别精度,而且从可解释性的角度,验证了对农作物害虫、尤其是密集目标的优秀识别效果。此外,模型还兼具参数量少、运算量低的优势,具有良好的嵌入式设备应用前景。展开更多
文摘自主导航能力是无人系统所要具备的核心能力。近年来,无人系统作业的环境日益复杂,所面临的任务也越来越有挑战性,这对其自主导航能力提出更高的要求。随着神经科学和人工智能的不断发展,基于动物大脑空间导航机理的类脑导航技术已经成为一种解决复杂环境下智能导航问题的方案。本文对类脑智能导航技术的发展历程进行梳理与总结,重点讨论类脑导航的空间认知模型建模技术及其应用技术——类脑同时定位与建图(simultaneous localization and mapping,SLAM)技术及类脑集群导航技术。最后,总结目前类脑导航技术面临的挑战和不足,并探讨未来的重要发展方向。
文摘[目的]探究实时姿势监测与反馈系统对血流限制(blood flow restriction,BFR)下跑者下肢运动学与肌电特征的变化.[方法]17名无BFR训练经验的新手健康跑者参与3次不同方案的跑步测试.第1次测试空白条件下单纯跑步(blank running,BR)状态;第2次测试BFR下跑步(BFR and running,BFRR)状态;第3次测试BFR并进行实时姿势监测与反馈(monitoring and feedback,MF)时的跑步状态.比较3次测试中跑者下肢髋、膝、踝关节峰值活动角度与下肢主要肌肉肌电参数变化.[结果]与BR方案相比,BFRR方案下跑者下肢关节峰值角度显著增加,肌肉激活程度与肌纤维募集频率范围也显著增加.使用实时姿势监测与反馈后,与BFRR方案相比,BFRR+MF方案下跑者下肢关节峰值活动角度与上述肌电参数显著下降.[结论]BFR训练将导致跑者初次应用时表现出过激运动表现,但实时监测与反馈系统将优化运动表现,降低运动损伤风险.
文摘针对YOLOv5(you only look once version five)模型在农作物害虫密集目标上的检测效果无法满足实际需求,以及训练过程中模型收敛速度较慢等问题,该研究提出了融入全局响应归一化(global response normalization,GRN)注意力机制的YOLOv5农作物害虫识别模型(YOLOv5-GRNS)。设计了融入GRN注意力机制的编码器(convolution three,C3)模块,提高对密集目标的识别精度;利用形状交并比(shape intersection over union,SIoU)损失函数提高模型收敛速度和识别精度;在公开数据集IP102(insect pests 102)的基础上,筛选出危害陕西省主要农作物的8种害虫类型,构建了新数据集IP8-CW(insect pests eight for corn and wheat)。改进后的模型在新IP8-CW和完整的IP102两种数据集上进行了全面验证。对于IP8-CW,全类别平均准确率(mean average precision,mAP)mAP@.5和mAP@.5:.95分别达到了72.3%和47.0%。该研究还对YOLOv5-GRNS模型进行了类激活图分析,不仅从识别精度,而且从可解释性的角度,验证了对农作物害虫、尤其是密集目标的优秀识别效果。此外,模型还兼具参数量少、运算量低的优势,具有良好的嵌入式设备应用前景。
