在集约化水产养殖过程中,饲料投喂是控制养殖成本,提高养殖效率的关键。室外环境复杂多变且难以控制,适用于此环境的移动设备计算能力较弱,通过识别鱼类摄食状态实现智能投喂仍存在困难。针对此种现象,该研究选取了轻量级神经网络Mobile...在集约化水产养殖过程中,饲料投喂是控制养殖成本,提高养殖效率的关键。室外环境复杂多变且难以控制,适用于此环境的移动设备计算能力较弱,通过识别鱼类摄食状态实现智能投喂仍存在困难。针对此种现象,该研究选取了轻量级神经网络Mobile Net V3-Small对鲈鱼摄食状态进行分类。通过水上摄像机采集水面鲈鱼进食图像,根据鲈鱼进食规律选取每轮投喂后第80~110秒的图片建立数据集,经训练后的MobileNetV3-Small网络模型在测试集的准确率达到99.60%,召回率为99.40%,精准率为99.80%,F1分数为99.60%。通过与ResNet-18,ShuffleNetV2和MobileNetV3-Large深度学习模型相比,MobileNetV3-Small模型的计算量最小为582M,平均分类速率最大为39.21帧/s。与传统机器学习模型KNN(K-Nearest Neighbors)、SVM(Support Vector Machine)、GBDT(Gradient Boosting Decision Tree)和Stacking相比,Mobile Net V3-Small模型的综合准确率高出12.74、23.85、3.60和2.78个百分点。为进一步验证该模型有效性,在室外真实养殖环境进行投喂试验。结果显示,与人工投喂相比,基于该分类模型决策的鲈鱼投喂方式的饵料系数为1.42,质量增加率为5.56%。在室外真实养殖环境下,Mobile Net V3-Small模型对鲈鱼摄食状态有较好的分类效果,基于该分类模型决策的鲈鱼投喂方式在一定程度上能够代替养殖人员进行决策,为室外集约化养殖环境下的高效智能投喂提供了参考。展开更多
文摘目的探讨西格列汀对初治2型糖尿病患者血糖控制、胰岛素敏感性、胰岛α和β细胞功能的影响。方法选取2012年10月至2014年11月来自全国9家医院就诊的2型糖尿病患者84例,患者病程<3年,未曾使用降糖药物治疗,空腹血糖(FPG)<10.0 mmol/L。纳入患者接受12周的西格列汀治疗。治疗前后采用高胰岛素-正葡萄糖钳夹技术评估胰岛素敏感性改善情况。以标准餐试验检测早相胰岛素分泌和胰高血糖素分泌变化以评估胰岛β细胞和α细胞功能改变。采用配对t检验或非参数检验比较治疗前后的差异,采用多因素回归分析评价相关性。结果患者经西格列汀治疗12周后,糖化血红蛋白(HbA1c)为(6.63±0.58)%,较基线值(7.70±1.22)%下降了(1.08±0.13)%,差异有统计学意义(t=-8.12,P<0.01);空腹血糖(FPG)、餐后2 h血糖(2 h PG)分别为(6.33±0.92)、(8.44±1.62)mmol/L,比基线的(7.71±1.70)、(13.27±2.74)mmol/L明显降低,差异均有统计学意义(t值分别为^-11.01、^-11.41,均P<0.01)。经过12周治疗,钳夹技术测定的葡萄糖输注率(GIR)明显升高,由治疗前的4.39(3.34,5.82)mg·kg^-1·min^-1升至5.71(4.34,6.48)mg·kg^-1·min^-1;早相胰岛素分泌指数(ΔI30/ΔG30)由2.42(1.09,4.42)mU/mmol升至5.17(3.44,8.56)mU/mmol;胰岛素分泌曲线下面积也较治疗前升高,上述3个参数的差异均有统计学意义(P均<0.05)。但治疗前后胰高血糖素曲线下面积差异无统计学意义(P>0.05)。多因素回归分析显示,治疗12周后血糖结局与基线HbA1c水平呈正相关(β=0.192,P=0.001),与基线胰岛素敏感性指数呈负相关(β=-0.070,P=0.03)。结论西格列汀治疗12周可使2型糖尿病患者HbA1c降低,不仅显著改善了胰岛β细胞功能,而且改善了其胰岛素敏感性。
文摘在集约化水产养殖过程中,饲料投喂是控制养殖成本,提高养殖效率的关键。室外环境复杂多变且难以控制,适用于此环境的移动设备计算能力较弱,通过识别鱼类摄食状态实现智能投喂仍存在困难。针对此种现象,该研究选取了轻量级神经网络Mobile Net V3-Small对鲈鱼摄食状态进行分类。通过水上摄像机采集水面鲈鱼进食图像,根据鲈鱼进食规律选取每轮投喂后第80~110秒的图片建立数据集,经训练后的MobileNetV3-Small网络模型在测试集的准确率达到99.60%,召回率为99.40%,精准率为99.80%,F1分数为99.60%。通过与ResNet-18,ShuffleNetV2和MobileNetV3-Large深度学习模型相比,MobileNetV3-Small模型的计算量最小为582M,平均分类速率最大为39.21帧/s。与传统机器学习模型KNN(K-Nearest Neighbors)、SVM(Support Vector Machine)、GBDT(Gradient Boosting Decision Tree)和Stacking相比,Mobile Net V3-Small模型的综合准确率高出12.74、23.85、3.60和2.78个百分点。为进一步验证该模型有效性,在室外真实养殖环境进行投喂试验。结果显示,与人工投喂相比,基于该分类模型决策的鲈鱼投喂方式的饵料系数为1.42,质量增加率为5.56%。在室外真实养殖环境下,Mobile Net V3-Small模型对鲈鱼摄食状态有较好的分类效果,基于该分类模型决策的鲈鱼投喂方式在一定程度上能够代替养殖人员进行决策,为室外集约化养殖环境下的高效智能投喂提供了参考。
