人到中年--头痛--金字塔     

周辛平 《甘肃农业》2001,(6):52-54

(一) 人到40～50岁,头痛及头痛的事最多.一是为自己头痛.晚上熬夜写文章、改稿子、校对杂志,生活和工作常遇到一些不顺心的事……身心疲惫,神经衰弱,头痛伴随着失眠,折磨得人苦不堪言.二是为老人的头痛而头痛.两家老人都上了年纪,高血压、低血压、动脉血管硬化、脑供血不足、脑血栓、糖尿病、心脏病、颈椎病、腰腿疼、帕金森先兆等交替发生,头痛、头昏、健忘、失眠、多梦成了常有的事,花钱看病买药解决不了根本问题,特别是老人的几声"唉幺""痛死我啦"使人心惊肉跳,也无可奈何.三是为儿女头痛.孩子常常熬夜做作业喊头痛,大人陪伴着也跟着头痛,孩子升高中、考大学、毕业分配那根弦一直绷着,大人也操心得头痛.头痛,没完没了!  相似文献   

阿尔金山 闪光的“金字塔”     

潘建斌  张立勋  张海华 《森林与人类》2014,(10):90-95

<正>甘肃省境内最有名的高山是祁连山,但最高的山却是从新疆、青海绵延过来的阿尔金山。它形似金字塔,终年白雪覆盖,在阳光下闪着金光。甘肃省位于中国西北内陆地区,地貌复杂多样,涵盖了山地、高原、河谷、沙漠、戈壁等各种类型。境内高山众多,最有名的当然是祁连山,但估计很少有人知道,甘肃省境内的最高山不是祁连山,而是位于酒泉市阿克塞哈萨克族自治县的阿尔金山,海拔  相似文献   

国外果树栽培新技术     

马君岭  吴中民  张东玲 《农村新技术》2016,(4):14-15

正当今世界农业科技飞速发展,各种果树种植新技术新方法不断面世,为果树增产增收和提高果品质量效益,提供了更有效的手段。下面介绍10种国外果树栽培新技术供参考。1.金字塔修剪法。为了对老龄苹果树进行复壮,加拿大果树科研人员采用"金字塔"修剪法,经复壮的苹果树高产期可维持10~20年。方法:剪去旺盛的直立枝条,给老树重新定型,促进树体中的营养集中于下部的非直立枝  相似文献   

基于拉普拉斯金字塔的图像融合算法研究     

余美晨  孙玉秋  王超 《长江大学学报》2016,(34):21-26

提出了一种改进的拉普拉斯金字塔图像融合方法。首先将源图像进行高斯金字塔分解,接着再进行拉普拉斯金字塔分解,然后对由拉普拉斯金字塔形成的图像序列的对应层分别使用不同的融合规则进行融合。顶层采用加权融合,其余层采用基于区域能量的融合规则进行融合,最后再进行拉普拉斯反变换得到重构图像。试验结果表明,该方法能够有效的保留图像信息,融合效果良好。  相似文献   

用于小麦多生长阶段倒伏边界精准检测的分层交互特征金字塔网络（英文）     

庞春晖  陈鹏  夏懿  章军  王兵  邹岩  陈天娇  康辰瑞  梁栋 《智慧农业(中英文)》2024,(2):128-139

[目的/意义]传统的小麦倒伏检测方法需要人工进行田间观测和记录,这种方法存在主观、效率低、劳动强度大等问题,难以满足大规模的小麦倒伏检测的需求。基于深度学习的小麦倒伏检测技术虽已在一定程度上得到应用,但普遍局限于对小麦单一发育阶段的倒伏识别,而倒伏可能发生在小麦生长的各个时期,不同时期倒伏特征变化复杂,这给模型特征捕捉能力带来考验。本研究旨在探索一种基于深度学习技术的多生育期小麦倒伏区域检测方法。[方法]用无人机采集小麦灌浆期、早熟期、晚熟期这三个关键生长阶段的RGB图像,通过数据增强等技术构建出多生育期小麦倒伏数据集。提出一种小麦倒伏提取模型Lodging2Former,该模型在Mask2Former的基础上加以改进,引入分层交互式特征金字塔网络(Hierarchical Interactive Feature Pyramid Network,HI-FPN),用于提高模型在复杂田间背景干扰下对于多个生长阶段小麦倒伏特征的捕捉能力。[结果和讨论]所提出的Lodging2Former模型相较于现存的多种主流算法,如Mask R-CNN (Mask Region-Based Convolu...  相似文献   

基于卷积神经网络的小麦产量预估方法   总被引：1，自引：0，他引：1  

鲍烈  王曼韬  刘江川  文波  明月 《浙江农业学报》2020,32(12):2244

小麦产量是评估农业生产力的重要指标之一,针对小麦产量人工预估困难,提出将卷积神经网络运用于小麦产量预估,为农业生产力的预估提供参考,指导农业生产管理决策。利用无人机分别在河南省新乡、漯河两地进行图片采集,并以之构建麦穗数据集,分为正样本(麦穗)和负样本(叶子和背景)。针对小麦常规的生理形态和生长环境,设计卷积神经网络识别模型,以图像金字塔构建多尺度滑动窗口,以非极大值抑制(NMS)去除重叠率较高的目标框,实现对单位面积内麦穗的计数,并利用随机采样的方式对大田麦穗进行单位面积图像采样,以采样图像中麦穗数量的平均值作为产量预估基准,进一步实现麦穗产量预估。随机抽取100幅不同小麦图片进行测试,与人工计数结果进行对比,准确率达到97.30%,漏检率为0.34%,误检率为2.36%,误差率为2.70%。试验结果表明,此方法能够克服环境中的多种噪声干扰,能够在不同光照条件下对麦穗进行计数和产量预估。  相似文献   

基于迁移学习和金字塔卷积网络的河蟹个体图像识别方法研究     

冯裕清  杨信廷  徐大明  罗娜  陈枫  孙传恒 《渔业现代化》2022,(1)

针对目前河蟹追溯成本高、消费者无法细粒度地追溯单体河蟹信息等问题,提出一种基于迁移学习和金字塔卷积的河蟹背甲图像个体识别算法。该算法使用金字塔卷积层替换普通残差卷积块构建网络模型,可以从蟹背图像中提取多尺度、深层次的特征信息。结果显示:采用金字塔卷积结构的Resnet34和Resnet50的准确率分别为98.38%、98.51%,与使用普通卷积层的模型相比,准确率提升5.49%、1.3%,而当模型深度达到101层时,模型性能不再明显提升。与使用金字塔卷积结构的全新学习模型相比,迁移学习方法的训练收敛迭代轮次从20轮降低至5轮,此时模型准确率为98.88%,较全新学习的准确率提升0.37%,同时弥补了样本量较少的问题。该研究为河蟹个体识别追溯提供了理论依据和技术支持。  相似文献   

融合特征金字塔与可变形卷积的高密度群养猪计数方法     

王荣  高荣华  李奇峰  冯璐  白强  马为红 《农业机械学报》2022,53(10):252-260

针对猪只人工计数方法消耗时间和劳动力,育肥猪较为活跃且喜好聚集,图像中存在大量的高密度区域,导致猪只之间互相粘连、遮挡等问题,基于SOLO v2实例分割算法,提出了一种自然养殖场景下融合多尺度特征金字塔与二代可变形卷积的高密度群养猪计数模型。通过优化模型结构来减少计算资源的消耗与占用。将科大讯飞给出的猪只计数的公开数据集划分为猪只分割数据集和猪只盘点测试集,利用猪只分割数据集获得较好的分割模型,然后在猪只盘点测试集中测试盘点准确率,实现猪群分割和猪只计数。实验结果表明,本文提出的高密度猪只计数模型的分割准确率达到96.7%,且模型内存占用量为256 MB,为改进前的2/3,实现了遮挡、粘连和重叠情况下的猪只个体高准确率分割。在含有500幅猪只图像计数测试集中,模型计算猪只数量误差为0时的图像数量为207幅,较改进前提高26%。模型计算猪只数量误差小于2头猪的图像数量占测试图像总数量的97.2%。模型计算猪只数量误差大于3头猪的图像数量占总体图像数量比例仅为1%。最后,对比基于YOLO v5的群养猪计数方法,本文模型具有更优的分割效果和计数准确率,验证了本文方法对群养猪只计数的有效性。因...  相似文献   

基于特征金字塔注意力与深度卷积网络的多目标生猪检测   总被引：13，自引：12，他引：1  

燕红文  刘振宇  崔清亮  胡志伟 《农业工程学报》2020,36(11):193-202

在生猪饲养环境中,猪只黏连、杂物遮挡等给生猪个体多目标检测带来很大困难。该研究以猪圈群养生猪为研究对象,以视频帧为数据源,提出一种适用于生猪形体检测的特征金字塔注意力(FeaturePyramidAttention,FPA)与Tiny-YOLO相结合的模型FPA-Tiny-YOLO。该模型将注意力信息融入到特征提取过程,在不大幅增加计算量的前提下即可提升特征提取能力、提高检测精度。对8栏日龄20～105 d的45头生猪视频截取图像进行图像处理,获得标注图片4 102张,构建了4种深度FPA模块分别加入YOLOV3与Tiny-YOLO模型中。试验表明,深度为3的FPA模块(即FPA-3)的Tiny-YOLO模型在测试集上对群养生猪多目标检测的召回率Recall、F1与平均检测精度m AP指标值最佳,分别达到86.09%、91.47%和85.85%,比未引入FPA模块的Tiny-YOLO模型均有不同程度的提高。选用不同的IOU(Intersection Over Union)和score阈值超参数值对模型预测结果均有不同程度影响;将测试集图像按照是否黏连与遮挡划分4种场景来探究该模型的鲁棒性。试验表明,加入FPA-3模块后Tiny-YOLO的Recall、F1与m AP比Tiny-YOLO分别提升6.73、4.34和7.33个百分点,说明特征金字塔注意力信息有利于精确、有效地对不同场景群养生猪进行多目标检测。研究结果可为后续开展生猪身份识别和行为分析移动端应用提供参考。  相似文献   

基于改进YOLOv5s的木材表面缺陷检测模型     

朱豪  周顺勇  曾雅兰  李思诚  刘学 《木材科学与技术》2023,(2):8-15

针对木材表面缺陷的复杂多样性和特征提取困难,提出一种基于改进YOLOv5s的木材表面缺陷（活节、死节、有裂缝节子和裂缝）检测模型。首先,在Backbone网络引入坐标注意力机制（coordinate attention,CA）增强每个通道之间的信息交互,然后采用混合空间金字塔池化（hybrid spatial pyramid pooling-fast,HSPPF）结构减少信息损失,再使用GSConv卷积减少参数量,用改进的曲线高效交叉联合（curve efficient intersection over union,CEIoU）作为训练时模型的损失函数,提升木材缺陷检测的准确性。试验结果表明,改进模型能够有效检测出木材表面缺陷,模型的平均精度均值（mean average precision,mAP）为84.4%,比未改进之前提高了2%,检测速度达到73.9 FPS,在模型参数量方面明显减少,同时优于其他主流模型,能够满足木材表面缺陷检测的要求。  相似文献