[目的/意义]玉米是主要粮食作物,果穗作为玉米关键表型性状,其形态、大小及颜色特征能够有效反映植株生长状态及潜在产量。传统的田间玉米果穗检测依赖人工,效率低且劳动强度大。随着密植栽培模式的推广,玉米冠层结构愈发密集,人工进入...[目的/意义]玉米是主要粮食作物,果穗作为玉米关键表型性状,其形态、大小及颜色特征能够有效反映植株生长状态及潜在产量。传统的田间玉米果穗检测依赖人工,效率低且劳动强度大。随着密植栽培模式的推广,玉米冠层结构愈发密集,人工进入田间开展果穗测量不仅操作困难,还容易对植株造成机械损伤,进一步限制了数据的准确性与代表性。因此,亟需高效的自动化检测技术。[方法]为实现复杂田间环境下玉米果穗的高效精准检测,提出一种基于改进YOLO11n(You Only Look Once 11)的CornYOLO模型。创新性地采用无人车搭载全景相机进行图像采集,构建了高质量的田间数据集,并在此基础上提出了3项核心模型改进:1)采用动态点空间注意力的跨阶段部分网络(Cross Stage Partial Network with Dynamic Pointwise Spatial Attention,C2PDA)以提升对遮挡目标的识别鲁棒性;2)引入特征优化模块(Feature Refinement Module,FRM)以增强多尺度目标检测能力;3)使用统一交并比(Unified Intersection Over Union,UIoU)损失函数以优化边界框回归精度。为作物田间表型高通量获取提供了一种从数据采集到智能识别的端到端解决方案。[结果和讨论]CornYOLO在复杂田间环境下表现出优异的检测性能,在验证集上mAP@50达到89.3%,相较于YOLO11n,F1分数提升2.5个百分点。相较于其余基线模型,其mAP@50提升显著,最高达12.6个百分点。消融实验表明,C2PDA、FRM与UIoU这3个模块均对性能提升有积极贡献,其中C2PDA作用最为关键。[结论]CornYOLO模型能够高效精准地识别田间玉米果穗,为玉米育种表型分析和产量预测提供可靠的技术支持,推动玉米果穗信息提取的智能化发展。展开更多
超大型天文观测技术的出现不仅能够让研究人员观测到新的天文现象,更能用于验证已有物理模型的正确性.这些最新天文成果的发现是建立在海量天文数据的近乎实时产生、管理与分析的基础上,因此给目前的数据管理系统带来了新的挑战.以我国...超大型天文观测技术的出现不仅能够让研究人员观测到新的天文现象,更能用于验证已有物理模型的正确性.这些最新天文成果的发现是建立在海量天文数据的近乎实时产生、管理与分析的基础上,因此给目前的数据管理系统带来了新的挑战.以我国自主研发的地基广角相机阵(the ground-based wide-angle camera array,GWAC)天文望远镜为例,15s的采样和处理周期都处于短时标观测领域的世界前列,但却对数据管理系统提出了很多问题,包括多镜头并行输出数据管理、实时瞬变源发现、当前观测夜数据的秒级查询、数据持久化和快速离线查询等.基于上述问题,设计了分布式GWAC数据模拟生成器用于模拟真实GWAC数据产生场景,并基于产生的数据特性,提出一种两级缓存架构,使用本地内存解决多镜头并行输出、实时瞬变源发现,使用分布式共享内存实现秒级查询.为了平衡持久化和查询效率,设计一种星表簇结构将整个星表数据划分后聚集存储.根据天文需求特点,设计基于索引表的查询引擎能从缓存和星表簇以较小的代价对星表数据查询.通过实验验证,当前方案能够满足GWAC的需求.展开更多
文摘[目的/意义]玉米是主要粮食作物,果穗作为玉米关键表型性状,其形态、大小及颜色特征能够有效反映植株生长状态及潜在产量。传统的田间玉米果穗检测依赖人工,效率低且劳动强度大。随着密植栽培模式的推广,玉米冠层结构愈发密集,人工进入田间开展果穗测量不仅操作困难,还容易对植株造成机械损伤,进一步限制了数据的准确性与代表性。因此,亟需高效的自动化检测技术。[方法]为实现复杂田间环境下玉米果穗的高效精准检测,提出一种基于改进YOLO11n(You Only Look Once 11)的CornYOLO模型。创新性地采用无人车搭载全景相机进行图像采集,构建了高质量的田间数据集,并在此基础上提出了3项核心模型改进:1)采用动态点空间注意力的跨阶段部分网络(Cross Stage Partial Network with Dynamic Pointwise Spatial Attention,C2PDA)以提升对遮挡目标的识别鲁棒性;2)引入特征优化模块(Feature Refinement Module,FRM)以增强多尺度目标检测能力;3)使用统一交并比(Unified Intersection Over Union,UIoU)损失函数以优化边界框回归精度。为作物田间表型高通量获取提供了一种从数据采集到智能识别的端到端解决方案。[结果和讨论]CornYOLO在复杂田间环境下表现出优异的检测性能,在验证集上mAP@50达到89.3%,相较于YOLO11n,F1分数提升2.5个百分点。相较于其余基线模型,其mAP@50提升显著,最高达12.6个百分点。消融实验表明,C2PDA、FRM与UIoU这3个模块均对性能提升有积极贡献,其中C2PDA作用最为关键。[结论]CornYOLO模型能够高效精准地识别田间玉米果穗,为玉米育种表型分析和产量预测提供可靠的技术支持,推动玉米果穗信息提取的智能化发展。
文摘超大型天文观测技术的出现不仅能够让研究人员观测到新的天文现象,更能用于验证已有物理模型的正确性.这些最新天文成果的发现是建立在海量天文数据的近乎实时产生、管理与分析的基础上,因此给目前的数据管理系统带来了新的挑战.以我国自主研发的地基广角相机阵(the ground-based wide-angle camera array,GWAC)天文望远镜为例,15s的采样和处理周期都处于短时标观测领域的世界前列,但却对数据管理系统提出了很多问题,包括多镜头并行输出数据管理、实时瞬变源发现、当前观测夜数据的秒级查询、数据持久化和快速离线查询等.基于上述问题,设计了分布式GWAC数据模拟生成器用于模拟真实GWAC数据产生场景,并基于产生的数据特性,提出一种两级缓存架构,使用本地内存解决多镜头并行输出、实时瞬变源发现,使用分布式共享内存实现秒级查询.为了平衡持久化和查询效率,设计一种星表簇结构将整个星表数据划分后聚集存储.根据天文需求特点,设计基于索引表的查询引擎能从缓存和星表簇以较小的代价对星表数据查询.通过实验验证,当前方案能够满足GWAC的需求.
