基于DCS-YOLOv8模型的红外图像目标检测方法

针对低信噪比与复杂任务场景下,YOLOv8模型对红外遮挡目标和弱小目标检测能力不足的问题,提出了改进的DCS-YOLOv8模型（DCN＿C2f-CA-SIoU-YOLOv8）的目标检测方法。以YOLOv8框架为基础,主干网络构建了基于可变形卷积的轻量级DCN＿C2f(Deformable Convolution Network)模块,自适应调整网络的视觉感受野,提高目标多尺度特征表示能力。特征融合网络引入基于坐标注意力机制CA(Coordinate Attention)的模块,通过捕捉多目标空间位置依赖关系,提高目标的定位准确性。改进基于SIoU(Scylla IoU)的位置回归损失函数,实现预测框与真实框之间的相对位移方向匹配,加快模型收敛速度并提升检测与定位精度。实验结果表明,相较于YOLOv8-nsmlx系列模型,DCS-YOLOv8在FLIR、OTCBVS与VEDAI测试集上平均精度均值m AP@0.5平均提高了6.8%、0.6%、4.0%,分别达到86.5%、99.0%与75.6%。同时,模型的推理速度满足红外目标检测任务的实时性要求。     

对氯苯胺的制备方法

介绍了对氯苯胺各种传统生产方法,着重介绍了实验室还原对氯硝基苯合成对氯苯胺的2种新方法,对氯硝基苯转化率可达100％,对氯苯胺的选择性超过99％。     

复杂地质情况下预应力管桩植桩法施工技术

预应力管桩施工工艺在基础施工中有施工速度快、单桩承载力大的优点,被越来越多的项目应用。但该施工工艺在遇到不均匀分化岩层、腐蚀性地下水等复杂地质情况下存在质量问题。本项目通过工程实践,引入预应力管桩植桩法施工技术,可有效解决复杂地质情况下常规预应力管桩施工工艺存在的问题。     

信息化助力上药打造中国医药航母

上海医药（集团）有限公司（简称上药集团）是上海市“十一五”期间六大支柱产业之一．上海市制药企业中有80％以上的企业是上药的企业。上药目前是中国规模最大、产业链最完整、营销网络最健全的医药企业．并跻身于中国工业企业一百强。集团不仅拥有先锋、新亚、信谊、雷允上等一批历史悠久、享誉全国的品牌商标，而且创造了新中国制药业历史上的诸多第一．形成了上药集团强大的无形资产。     

信息化助力上药打造中国医药航母

上海医药(集团)有限公司(简称上药集团)是上海市“十一五”期间六大支柱产业之一,上海市制药企业中有80%以上的企业是上药的企业。上药目前是中国规模最大、产业链最完整、营销网络最健全的医药企业,并跻身于中国工业企业一百强。集团不仅拥有先锋、新亚、信谊、雷允上等一批历史悠久、享誉全国的品牌商标,而且创造了新中国制药业历史上的诸多第一,形成了上药集团强大的无形资产。上药集团抓住和利用好重要历史机遇和扩张期,实现上药集团的实体化、公众化、国际化,打造中国医药航母这是上药集团顺应医药经济发展规律的重大抉择。在这样的大…     

给主板再加一些活力

一台个人电脑的硬件部分,最重要的零件是什么？是CPU、内存条、硬盘还是显示卡？其实都错了．麻该县土板。因为一套电脑系统最基本的功能就取决于主板的规格。如果王板上没有AGP插槽,即使AGP显卡再便宜,也没办法使用它。所以主宰整套电脑功能走向的就是主板,其他的周边设备都必须跟着主板规格走。近一阶段的主板市场可谓风起云涌,变幻无常,新品层出不穷,让人眼花绦乱,其内在品质也是良荚不齐、鱼龙混杂。在这个主板规格混乱的战国时代,要做出一个准确、全面的评测和判断实在是太难了。面对如此繁多的品牌和型号的主板,其性能…     

基于CSE-YOLOv5的遥感图像目标检测方法

针对复杂任务场景中，目标检测存在的多尺度特征学习能力不足、检测精度与模型参数量难以平衡的问题，提出一种基于CSE-YOLOv5(CBAM-SPPF-EIoU-YOLOv5,CSE-YOLOv5)模型的目标检测方法。模型以YOLOv5主干网络框架为基础，在浅层引入卷积块注意力机制层，以提高模型细化特征提取能力并抑制冗余信息干扰。在深层设计了串行结构空间金字塔快速池化层，改进了统计池化方法，实现了由浅入深地融合多尺度关键特征信息。此外，通过改进损失函数与优化锚框机制，进一步增强多尺度特征学习能力。实验结果显示，CSE-YOLOv5系列模型在公开数据集RSOD、DIOR和DOTA上表现出良好的性能。m AP@0.5的平均值分别为96.8%、92.0%和71.0%，而m AP@0.5:0.95的平均值分别为87.0%、78.5%和61.9%。此外，该模型的推理速度满足实时性要求。与YOLOv5系列模型相比，CSE-YOLOv5模型的性能显著提升，并且在与其他主流模型的比较中展现出更好的检测效果。     

基于CSE-YOLOv5的遥感图像目标检测方法

针对复杂任务场景中，目标检测存在的多尺度特征学习能力不足、检测精度与模型参数量难以平衡的问题，提出一种基于CSE-YOLOv5(CBAM-SPPF-EIoU-YOLOv5,CSE-YOLOv5)模型的目标检测方法。模型以YOLOv5主干网络框架为基础，在浅层引入卷积块注意力机制层，以提高模型细化特征提取能力并抑制冗余信息干扰。在深层设计了串行结构空间金字塔快速池化层，改进了统计池化方法，实现了由浅入深地融合多尺度关键特征信息。此外，通过改进损失函数与优化锚框机制，进一步增强多尺度特征学习能力。实验结果显示，CSE-YOLOv5系列模型在公开数据集RSOD、DIOR和DOTA上表现出良好的性能。m AP@0.5的平均值分别为96.8%、92.0%和71.0%，而m AP@0.5:0.95的平均值分别为87.0%、78.5%和61.9%。此外，该模型的推理速度满足实时性要求。与YOLOv5系列模型相比，CSE-YOLOv5模型的性能显著提升，并且在与其他主流模型的比较中展现出更好的检测效果。