1 武汉大学 高等研究院武汉 430072
2 中国科学院上海应用物理研究所上海 201800
3 中国科学院大学北京 100049
4 中国科学院上海高等研究院上海 201204
X射线串行晶体学作为一种解析蛋白质晶体结构的新方法，因为拥有室温采集、辐射损伤低、时间分辨等优势而得到迅速的发展。利用串行晶体学方法解析蛋白质结构需要在整合大量晶体衍射图的基础上筛选出有效的衍射数据，然而常规的数据筛选方法在处理衍射图时存在准确度不高且效率低的问题。基于卷积神经网络的数据筛选方法具有流程自动化的优势，并且已经被证明相对于传统的“找点法”具有更高的分类准确度。因此在比较5种不同卷积神经网络筛选晶体学衍射图的准确度和效率的基础上，选择并构建一个准确率高且运行速率快的卷积神经网络数据筛选工具，用于不同蛋白质晶体样品衍射图的筛选。结果显示：MobileNets不仅具有ResNet、GoogleNet-Inception等大型网络相似的准确度，而且运行速率更快，为串行晶体学实验提供了一个有效便捷的数据筛选工具。
串行晶体学 卷积神经网络 机器学习 MobileNets Serial X-ray crystallography Convolutional neural network Machine learning MobileNets
1 武汉科技大学 信息科学与工程学院，湖北 武汉 430081
2 冶金自动化与检测技术教育部工程中心，湖北 武汉 430081
针对棉花异性纤维检测准确率不高、实时性较差的问题，以棉花为研究对象，提出了一种基于改进YOLOv3的棉花异性纤维检测方法。引入轻量级MobileNets网络为特征提取网络，结合YOLOv3的多尺度特征融合检测网络，构建改进的MobileNets-YOLOv3模型。提出一种分段式学习率，以增强学习效果。将实际采集到的真实棉花异性纤维图像数据集按4∶1的比例划分为训练集和测试集，并使用对比度增强、水平镜像等6种图像增广方法扩充数据集。对扩充前后的数据集、不同的学习率、改进前后的YOLOv3模型、本文模型与Faster R-CNN和SSD_300模型做了对比试验。实验结果表明，数据集的增广、改进后的分段式学习率均能改善训练模型的过拟合现象，在测试集上的平均正确率(mAP)分别提高了3.6%、5.64%; 改进后的YOLOv3模型对测试集进行检测的平均正确率(mAP)为84.82%，帧速率为66.67 f·s-1，识别精度优于YOLOv3模型，提高了2.03%，帧速率是YOLOv3模型的3倍，总体性能也优于Faster R-CNN和SSD_300模型，能较好地满足棉花异纤检测的精度和实时性要求。
棉花 目标检测 YOLOv3网络 MobileNets网络 深度学习 cotton target detection YOLOv3 network MobileNets deep learning
