简介:为评价ORYZA(V3)模型在海南岛双季稻发育期模拟的适应性,利用2005—2014年海南岛双季稻区4个站点(海口、儋州、乐东、琼海)的逐日气象数据、气象灾害资料、土壤、水稻发育期等观测资料,对模型进行调参与验证,本地化不同品种水稻发育期参数;统计双季稻各个发育期出现的气象灾害及其次数,筛选出各个发育期内出现次数较多的气象灾害。以单独的气象灾害为背景,对各个发育期的模拟与实测结果进行对比验证。结果表明:ORYZA(V3)模型对海南岛双季稻发育期的模拟精度较高,决定系数R2〉0.90,归一化均方根误差NRMSE为3.97%~9.80%;双季稻发育期内出现的气象灾害次数由多到少依次为:高温、台风、干旱;ORYZA(V3)模型对气象灾害的敏感性从大到小依次为:台风、高温、干旱。在台风背景下,仅晚稻开花期的R2为0.90,NRMSE为3.90%,其他发育期的模拟均在误差范围外;在高温背景下,早稻的R2为0.87~0.89,晚稻的R2为0.18~0.61,双季稻的NRMSE为3.49%~5.71%;在干旱背景下,R2〉0.87,NRMSE为3.11%~9.73%。评价结果在模型应用和优化方面具有一定的参考价值。
简介:摘要:针对目前常用的目标检测算法检测PCB板表面缺陷具有定位不准确、细小缺陷难以检测等问题,本文提出了多尺度特征融合的YOLO V3(Multiscale Feature Fusion,MFF-YOLO V3)PCB缺陷检测方法。受YOLO V3模型启发,通过设计卷积神经网络提取多尺度图像特征,将生成的多尺度特征进行融合以生成单尺度图像特征,然后运用聚类方法以实现对PCB板缺陷的准确定位。与YOLO V3不同在于,通过提高多尺度图像特征的分辨率并进行融合,提高了模型对PCB板微小缺陷的检测能力;为实现PCB板缺陷的精准定位,采用以AvgIOU为金标准的K-means算法实现候选目标区域的重定义。同时,由于MFF-YOLO V3实现了单输出以实现特征的提取,减小卷积层的层数,从而减小网络训练的计算量。通过在DeepPCB数据集上进行测试,其mAP较YOLO V3提升了9.2%,准确率达到了87.9%。实验表明,多尺度特征融合YOLO V3的PCB板表面缺陷检测方法能够更有效的检测PCB板缺陷,基本满足工业检测要求。
简介:ThecomplexK3H4GeW9V3O40·8H2OcrystallizedinamonocliiniesystemwithspacegroupP2,Mr=2784.67,a=11.099(3),b=16.452(4),c=13.534(4),β=108.14°,Z=2,V=2348.493,F(000):2456,μ=239.7cm-1,De=3.932g/cm3.ThefinalR=0.083for4528non-zeroreflexions.ThestructureofanionsGeW9V3O40andGeW9O34belongstoA--type.