课程文献中心 更多>>

关键词： 草莓病虫害   YOLOX   深度学习   嵌入式   智慧农业  

摘要： 草莓作为一种常见的水果,其生长过程中面临着多种病虫害的威胁,这对草莓的产量和品质造成了严重影响,而且传统草莓病虫害识别的方法,存在主观性强和识别难度大等问题。随着人工智能技术尤其是深度学习的飞速发展,为草莓病虫害的自动检测提供了有力的技术支撑。本文以自然环境下的草莓病虫害为对象,采用深度学习目标检测算法对病虫害进行准确识别与定位,并且使用带有GPU的嵌入式设备来实现草莓病虫害检测系统的移动检测,本文主要工作如下:(1)针对国内草莓病虫害数据集缺失的问题,本文在研究了自然环境下的草莓病虫害特性之后,构建了一个草莓病虫害数据集以适用于深度学习模型的训练。其包括了七类常见病虫害,并采用数据扩增技术来应对样本不均衡及数量不足的问题。该数据集为本文的深度学习算法提供了坚实的基础,确保了病虫害检测模型的可靠性和优越性。(2)针对YOLOX模型在面对复杂的植被背景干扰、多种病虫害类别、以及高度相似的病虫害可能导致的误检和漏检问题,本文通过不同位置的多种注意力机制融合,引入坐标注意力机制、通道注意力机制和卷积块注意机制分别对Focus模块,SPP模块和PAFPN结构进行优化,使网络在不同位置更加聚焦于学习和关注关键特征,提高网络对病虫害目标的关注度,降低对背景的敏感性,减少误检和漏检问题,提高模型的实用性和适应性。(3)针对草莓病虫害形状和尺寸不同导致的定位不准确问题,本文引入了CIo U目标回归损失函数,使模型能够更准确地回归各种不同形状和尺寸的草莓病虫害目标框,提高了目标框回归的准确性。并且在训练阶段,使用Mosaic算法和Mixup算法进行数据增强,有助于模型学习更广泛的特征,提高模型在不同环境下的鲁棒性和泛化性能。(4)本文将改进后的YOLOX模型部署到Jetson Nano 4G深度学习嵌入式设备中,并结合包括摄像头、显示屏等其他硬件设备,以提供完整的草莓病虫害检测系统所需的功能和性能,再通过Py QT开发的GUI交互界面和模型调用的软件系统,成功构建了一个完整的草莓病虫害检测系统,可以在实际场景中进行草莓病虫害的检测任务,实现了草莓病虫害的智能化识别。实验结果表明,本文部署到Jetson Nano 4G嵌入式AI平台后的改进YOLOX算法,能够用于草莓病虫害的检测任务。并且在实验中,该算法表现出优异的性能,检测准确率为97.17%,验证了本文提出的系统能够稳定运行,能够有效地对草莓病虫害进行准确识别。这不仅证实了改进算法的有效性,也展示了在嵌入式平台上实现农作物病虫害检测的潜力,为农业领域的智能化保护和监测提供了有力支持,有望在实际应用中产生积极影响。

关键词： 光纤布拉格光栅   光纤Fabry-Perot标准具   解调效果   温度控制   数据采集  

摘要： 结构在长期使用后可能会出现疲劳损伤、裂纹等问题,为及时发现并处理这些问题,保证结构的安全性和可靠性,在结构受到动态载荷作用时,需要监测结构的动态应变情况,以评估结构的响应和稳定性。通过实时监测工程结构的变化和状态,可以及时发现潜在的结构问题,纠正缺陷和损伤结构从而延长使用寿命。动态传感器信号的采集在许多领域都是必不可少的,特别是在结构健康监测中。光纤光栅基于光纤自身特性,即传输损耗低、抗电磁干扰、重量轻、体积小等优点,长期用于建筑结构的安全性和材料的性能退化程度的检测。但光纤传感器进行结构检测时,解调灵敏度和稳定性易受温度影响,导致解调结果不稳定、灵敏度低。 基于上述问题,本文使用光纤Fabry-Perot标准具解调模块进行光纤布拉格光栅传感器的动态测量,通过分析关键指标来评估系统性能,并增加了一个电压反馈系统来提升信号解调的灵敏度和稳定性。研究内容分为如下几点。 (1)本文搭建了基于光纤Fabry-Perot标准具的光纤光栅动态信号检测系统,用于检测动态信号。可被测信号可被Fabry-Perot标准具解调的频率信号达到200 k Hz。 (2)确定了系统的三项性能指标,包括频谱带宽、解调灵敏度和可测量范围。根据给定的器材、应用场合和测量的精度要求,通过软件理论建模对需要的元件的各项参数进行设计考虑并给出了器件选择的原则。(包括布拉格光栅的带宽和光纤FabryPerot标准具的通道间隔和布拉格光栅中心波长移动的最长偏移)。 (3)在一种光纤Fabry-Perot标准具解调模块中设计一个电压反馈系统,旨在控制温度,将系统解调信号的强度保持在较高水平,进而提升信号解调的稳定性和灵敏度。

关键词： 计算机视觉   车道线检测   卷积神经网络   深度学习  

摘要： 自动驾驶技术的不断发展使得车道线检测的市场需求快速增长。为满足准确高效的车道线检测技术需求，本文开发了一种高效的检测方法。该方法采用卷积神经网络对道路图像进行特征学习和提取，并结合后处理技术进行车道线的精细化检测和分割。实验结果表明，该方法具有较高的准确率和鲁棒性，能够有效地检测和分割车道线，可为自动驾驶技术的发展提供重要支持。

关键词： 荧光检测   POCT   锗烯   可饱和吸收体   光纤激光器  

摘要： 癌胚抗原(Carcinoembryonic Antigen,CEA)作为常见的肿瘤生物标志物,在结直肠癌、食管癌、胃癌、胰腺癌等多种胃肠道肿瘤的筛查、诊断和预后评价中发挥着重要作用。检测血清中CEA水平的变化可以反映肿瘤的存在与否,当血清CEA水平高于正常值(5ng/m L)时,可能预示肿瘤的发生。为了提高肿瘤筛查的效率,降低肿瘤相关死亡率,需要发展先进的CEA早期检测技术。传统的CEA检测方法存在一些局限性,例如操作复杂、时间耗费长以及依赖实验室设备等。因此,开发更为便捷快速的CEA检测技术对于临床实践具有重要意义。针对这一问题,本文设计并开发一种免疫荧光定量检测系统,为优化该系统的检测性能,使用新型二维材料—锗烯作为可饱和吸收体设计了一款超短脉冲掺铒光纤激光器作为检测系统的激发光源。 免疫荧光定量检测系统使用模块化设计理念,对系统由光学模块、硬件模块及程序设计组成。采用双侧入式光路作为光学模块的核心,通过参数计算、建模和3D打印完成了光路的封装。硬件模块使用STM32F103C8T6作为主控芯片,完成了样品检测、信号采集和串口通信在内的关键模块的电路设计和原理阐述。程序设计模块实现了整个系统控制逻辑、数据的快速呈现和结果分析。最后,设计了一系列样品检测实验来评估系统的灵敏度、准确性和稳定性,以确保免疫荧光定量检测系统在实际应用中能够充分发挥其功能。 为尽可能避免在实际临床检测中其他血源性发光物质的干扰,设计了基于锗烯可饱和吸收体的近红外二区的超短脉冲光纤激光器作为荧光检测系统的激发光源。首先,使用液相剥离法制备了锗烯纳米片,并对锗烯的非线性饱和吸收特性和微观形态结构进行了研究,表征了锗烯的作为可饱和吸收体的天然优势。然后,使用锗烯作为可饱和吸收体并通过逐步缩短激光腔长度来调节腔内色散,优化了激光器输出性能,最终获得883 fs的超短脉冲,且平均输出功率高达20 m W。最后通过设计对比实验,验证了飞秒光纤激光器作为免疫荧光检测系统激发光源的优异性能。

关键词： 光纤传感器   游标效应   温度和应变传感器   偏振干涉仪   Fabry-Perot干涉仪  

摘要： 环境中温度和应变的同时精确测量一直是建筑结构健康监测领域中的关键技术问题。传统的电子式传感器存在传输距离受限、容易受到电磁干扰的影响等弊端。相较而言,干涉式光纤传感器因具有响应速度快、抗电磁干扰能力强和灵敏度高等优点,在等众多领域都有良好的应用前景。随着现代社会的不断发展和进步,人们对传感器的灵敏度要求也在不断提高。因此,本文提出了一种基于游标效应的温度和应变传感器,主要由空腔Fabry-Perot干涉仪(Fabry-Perot interferometer,FPI)和反射式偏振干涉仪(Polarization interferometer,PI)构成,并分别从工作原理、传感测量实验等方面对提出的传感器的传感特性进行了细致研究。本文主要的研究结论包括: (1)通过实验测试得到了三种内径尺寸不同的空腔FPI反射光谱,发现空芯内径与光谱的消光比成反比关系。对于长度较短的空芯光纤(Hollow-core fiber,HCF),当内径与单模纤芯直径越接近,耦合损耗越低。FPI的温度传感测试结果表明,FPI温度灵敏度仅为0.0073 nm/℃,因此可以认为FPI对温度不敏感。 (2)通过对反射式PI进行Matlab数值仿真,发现偏振夹角为45°时,光谱的消光比为最大值;保偏光纤(Polarization-maintaining fiber,PMF)的双折射系数B与长度L和自由光谱范围成反比关系。PI的传感测量实验结果表明,温度灵敏度为-1.98 nm/℃,应变灵敏度为37.76 nm/με。 (3)为进一步提高灵敏度,将PI级联FPI构成游标传感器,其中将保偏光纤与空芯光纤直接熔接以提高结构的紧凑性。PMF作为传感元件,而FPI对温度不敏感可以作为参考干涉仪。通过对整个传感结构的光路进行理论分析与推导,并利用Matlab数值仿真对叠加光谱的特性进行研究,证明了所提出传感结构利用游标效应进行灵敏度放大的可行性。对提出的游标传感器进行温度和应变传感测量实验,结果表明两个包络谷点的温度灵敏度分别为-88.73 nm/℃、-71.85 nm/℃,应变灵敏度分别为1.61 nm/με和1.24 nm/με。由此构建灵敏度系数矩阵,并开展同时测量实验验证,结果表明所提出的传感器可实现对温度和应变的高精度同时测量。

关键词： 深度嵌入聚类   自编码器   残差块   神经网络   注意力机制  

摘要： 自编码器是一种人工神经网络模块,旨在学习数据的低维表示,将高维数据映射到较小的低维空间.它由编码器和解码器组成,编码器用于将输入数据压缩到低维表示空间,而解码器则将低维表示映射回原始的高维空间.通过这一过程,自编码器能够有效地学习数据的特征,并通过最小化重构误差来学习数据的结构,是本文基础的神经网络架构. 本文提出了将残差块与自编码器相结合的创新点,旨在克服训练中的挑战,并将降维后的数据应用于实际场地测量.残差块是一种用于构建深度神经网络的结构,其核心思想是引入跳跃连接,允许信息绕过某些层并更快地传播到后续层.这种设计的优点在于成功地解决了梯度消失和网络退化的问题,有助于提高网络的优化,并能够学习更复杂的特征表示. 随后介绍了深度嵌入聚类结构,这是一种结合了深度学习和聚类分析的方法,再将注意力机制引入残差自编码器中,注意力机制是一种处理数据的重要方法,模拟了人类在处理信息时的注意力过程.通过引入注意力机制,神经网络可以有选择性地关注输入数据的不同部分,从而更灵活地进行特征提取和处理.多个数据集的实验表明,这种方法有效提升了特征提取的准确性.