生态环境问题是一个世界性的问题，在经济飞速发展的过程中，人们对自然环境的要求不断提高，但与此同时，对生态环境的破坏也在不断加剧，尽管人们已经开始意识到生态环保的重要性，但是，社会和经济的发展速度还是远远超出了自然环境所能承受的范围，所以，为了更好地保护地球上的资源，降低对生态环境的破坏，达到人与自然的和谐共生，生态环境监测和环保技术就应运而生，并且在其中起到了很大的作用。但是，生态环保是一项综合性、复杂性和长期的工作，它不仅需要每个人都参加进来，还需要让人们的生态环保意识得到提升。与此同时，更要研究和创新生态环境检测和环保技术，并对社会发展过程中的各种活动展开监控，特别是对于污染环境比较严重，对生态资源破坏程度较高的生产和生活活动，要加大相应的处理力度。

火电厂热控系统是保障火力发电过程顺利运行的重要组成部分。本文针对热控系统存在的故障检测和诊断问题，结合现有技术手段和实际需求，提出了一种基于深度学习的热控系统故障检测与诊断方法，并进行了有效性验证。详细介绍该方法构建过程、模型选择及训练等关键环节，并通过矿场实测数据处理结果与准确度的评估证明了本文所述方法能够更加快速地发现潜在的系统故障源并作出之后的响应调整，为受损组件或设备精密化管理和协助平稳生产决策提供了可靠的技术支持。

太赫兹通信由于具有极大的带宽已成为当前的研究热点，在太赫兹系统中进一步提升系统容量也成为了值得探究的问题。本文利用混合概率和几何整形(PGS)的方案对全电子元件构成的太赫兹系统进行优化，使用成对优化(PO)算法对完成概率整形(PS)后的16阶正交幅度调制(PS-16QAM)的星座点进行位置调整，获得所需的混合概率和几何整形的16阶正交振幅调制(PGS-16QAM)信号。通过测试PS-16QAM、几何整形后的16阶正交幅度调制(GS-16QAM)和PGS-16QAM在不同净速率下对16QAM的优化，验证了混合PGS具有最佳的优化效果。实验证明，当无线传输距离设置为2 m、NGMI阈值设置为0.92时，PGS-16QAM相较于传统的16QAM、PS-16QAM和GS-16QAM，净传输速率分别提升了15.6%、11.8%和3.8%

本文设计了一种射频通道微波开关的故障检测方法，并基于此方法研制了一种射频通道微波开关的故障检测组件。该组件可以在不明显增加使用微波开关的大功率功放或大功率收发组件重量、体积，不增加发射通道插损、驻波的情况下，明显提高射频通道微波开关的可靠性和使用寿命，同时提供了大功率击穿报警信号和故障检测信号。

为了验证2.6GHz频段中，室内的实际穿透损耗情况，提出基于卡尔曼滤波的2.6GHz频段信号室内穿透损耗检测方法。测算穿透性高分辨率检测波形，采用卡尔曼滤波下设计弹性波动信号导出结构，进行迭代双节点检测模型的创建。最后，采用频域法实现2.6GHz频段信号室内穿透损耗的检测。最终的测试结果表明：在不同的辐射深度环境下，对比于传统的接地信号检测组以及传统声波穿透检测组，本文所设计的卡尔曼滤波检测组最终得出的检测偏差相对较低，更好地表明此检测方法在面对复杂检测情况时，可以形成更佳的频段控制环境，对于室内的损耗与穿透情况进行强化控制，具有更强的实际应用意义。

本文旨在探讨土壤肥料在农业可持续发展中的关键作用。通过分析土壤肥料对农业产量、生态环境的影响，以及其在农业可持续发展中的应用。进而得出科学合理的土壤肥料管理对于提高作物产量、改善土壤质量、减少环境污染、推动农业可持续发展具有重要意义。

电梯门控系统是电梯控制系统中一个非常重要的子系统。相对于整个电梯控制系统来说。由于它的动作最频繁并且直接面对乘客，因此在实际应用中需要一个运行安全可靠、性能稳定的电梯门监测系统来为保障安全。针对视频监控中人工监督的低效率、传感器在轿厢内安装困难等问题,结合电梯轿厢内场景的特征,设计了一套基于深度学习的电梯轿厢门智能识别监控系统。电梯轿厢门状态智能识别系统是以数字图像处理为基础,为满足轿厢内监控设备的小型化、安装便利等需求，采用基于 Hough 线变换算法来实现开关门状态监测。实验表明,该系统能对轿厢门状态进行准确识别,在检测识别和安防领域具有很好的应用前景。

本文基于浊度90°散射检测原理，设计并制备了在线式超低量程浊度检测传感器。采用发散角为±4°、波长为850nm的高亮红外LED作为光源，以LED前端透镜结构替代原传感器所需光源准直结构，降低传感器复杂度、缩小体积并提高稳定性；采用灵敏度高、噪声低、体积小的硅光电倍增管作为光敏探测元件；配合所设计的后端微弱信号采集、处理电路对浊度信号进行准确采集。经检测，传感器的在0-1NTU范围内线性度达0.999,检测限低至0.01NTU,实现在线式浊度检测传感器具备超低量程的同时，具有小型化、易集成的特点，可应用于浊度指标的微量在线监测。

针对高斯滤波会使图像过度平滑及高低阈值选取的主观性影响传统的Canny边缘检测效果，提出一种基于改进Canny算子的边缘检测方法。该方法采用了改进的中值滤波，且依据图像的幅值梯度直方图特性得到自适应的高低阈值，再结合FPGA(现场可编程门阵列)高速并行处理数据和多级流水的特点，设计了一个基于硬件平台的实时边缘检测系统。实验结果表明，该系统实时性效果好，边缘的提取完整，阈值的选取具有自适应性。

目的 分析血清同型半胱氨酸检测在急性脑梗塞中的临床应用效果。方法 于我院2019年1月-2021年3月间收治的急性脑梗死患者中随机抽选71例为研究对象，列入观察组。再同期选取71例健康体检者，列入健康组。两组均行血清同型半胱氨酸检验，比较分析两组患者的血清同型半胱氨酸水平。结果 较之于健康组，观察组患者的血清同型半胱氨酸水平明显更高（P<0.05）。与重度梗死患者相比，中度梗死患者的血清同型半胱氨酸水平明显更低（P<0.05）。而与中度梗死患者相比，轻度梗死患者的血清同型半胱氨酸水平又明显更低（P<0.05）。结论 在急性脑梗死患者中，通过检验血清同型半胱氨酸水平，可以为评估患者的病情进展程度作为依据。检测结果越大，梗死程度越高。此外，也可根据检测结果制定治疗、预防方案，有利于改善患者的预后。

基于门限值的能量检测是一种常用频谱感知技术,传统单门限能量检测方法不灵活且不准确。本文提出了一种基于双门限分簇自适应协作频谱感知算法。首先,基于噪声不确定性设置双门限值,在双门限值范围外进行硬判决,否则进行软判决。根据判决结果,基站将传感器节点划分为不同的簇。融合中心根据融合规则,设置分簇门限值,进行进一步频谱检测。仿真结果表明,该算法可以提高频谱感知的准确性,避免不必要的能量消耗。

EAS(Electronic Article Surveillance)系统在超市、图书馆等公共场所进行监控防盗过程中,系统检测电子标签时易受到各种电磁干扰,导致误报率高和处理速度慢。针对上述问题,设计一款基于DSPF28335的收发一体射频EAS系统平台,接收信号通过由传感器、滤波器、运算放大器所组成的接收通道,送入DSPF28335进行采样和处理,通过对系统降噪,提高系统抗干扰能力。利用标签信号的幅频特性,提取标签信号特征完成标签信号的处理和快速判断。在对整个系统的测试过程中,该装置处理信号能力快且抗干扰能力强,系统误报率低于1%,能够快速检测出标签信号,实用性很强。

针对现有荧光检测系统结构复杂、体积较大、且检测下限高的缺点,本文设计完成了一种基于锁定放大的微弱荧光检测仪,该检测仪采用硅光电倍增管作为光电转换器件,采用锁定放大技术结合暗电流调零技术实现微弱荧光信号的检测。选取10-11mol/L～10-6mol/L的ATP标准品样本,本文设计完成的检测仪的检测值与商用的ATP检测仪作为对照,检测相同的ATP标准品样本,实验结果表明,两种检测系统具有很好的一致性,且本文设计完成的检测仪仅需1min即可完成一个样本的检测,检测精度较为准确。

为筛选影响紫贻贝中氮杂螺环酸毒素蓄积的免疫增强剂，设置添加维生素C(维生素C钠粉333.00mg/L)、大黄素、花生四烯酸(6.66mg/L)和黄芪多糖(333.00mg/L)共4个处理组，评估不同组别紫贻贝[体质量(7.14±1.05)g]抗氧化功能和非特异性免疫指标的变化。试验结果显示：各免疫增强剂对紫贻贝存活率无影响(P>0.05),暴露期间紫贻贝软组织质量先降后升，除花生四烯酸组外其他处理组与对照组无显著性差异(P>0.05)。免疫增强剂均影响内脏团中毒素蓄积而对毒素代谢无影响。各组别最高毒素蓄积量为对照组1235.33μg/kg>维生素C组1153.12μg/kg>大黄素组755.74μg/kg>花生四烯酸组568.72μg/kg>黄芪多糖组141.43μg/kg。大黄素组、花生四烯酸组、黄芪多糖组氮杂螺环酸毒素含量分别为对照组的61.2%、46.0%和11.5%。添加黄芪多糖和花生四烯酸后，紫贻贝内脏团中超氧化物歧化酶活性显著升高(P<0.05),丙二醛含量显著降低(P<0.05),同时提高了非特异性免疫标志物溶菌酶含量和酸性磷酸酶活性。试验结果表明，花生四烯酸和黄芪多糖显著提高毒素蓄积过程中紫贻贝抗氧化和非特异性免疫能力。

为了检测观赏鱼类的行为及其健康状况，设计了一种具有双层路由注意力机制的血鹦鹉(Vieja synspila♀×Amphilophus citrinellus♂)目标检测模型YOLOv8n-BiFormer,该方法在YOLOv8n模型基础上添加了双层路由注意力以减少计算量和内存，添加了新的视觉通用变换器BiFormer以提升计算效率，并采用ByteTrack算法追踪血鹦鹉的运动轨迹。结果表明：使用YOLOv8n-BiFormer模型对血鹦鹉的检测准确率达到99.2%,召回率为93.7%,平均精度均值(mAP@0.5)为99.1%,相较于YOLOv8n模型分别提升了0.8%、1.4%、1.0%;使用该模型对水族箱中的慈鲷(Chindongo demasoni)进行检测追踪同样取得了较好的效果，慈鲷的检测准确率达到97.0%,召回率为93.4%,平均精度均值为96.5%,相较于YOLOv8n模型召回率和平均精度分别提升了1.8%和1.9%。研究表明，本文中设计的YOLOv8n-BiFormer模型具有通用性，在检测和追踪血鹦鹉和慈鲷目标方面均表现优异，消耗的计算资源较少，可部署在水族箱监控系统中，为观赏鱼信息记录自动化和智能化提供了可行的解决方案。

为了检测观赏鱼类的行为及其健康状况，设计了一种具有双层路由注意力机制的血鹦鹉(Vieja synspila♀×Amphilophus citrinellus♂)目标检测模型YOLOv8n-BiFormer,该方法在YOLOv8n模型基础上添加了双层路由注意力以减少计算量和内存，添加了新的视觉通用变换器BiFormer以提升计算效率，并采用ByteTrack算法追踪血鹦鹉的运动轨迹。结果表明：使用YOLOv8n-BiFormer模型对血鹦鹉的检测准确率达到99.2%,召回率为93.7%,平均精度均值(mAP@0.5)为99.1%,相较于YOLOv8n模型分别提升了0.8%、1.4%、1.0%;使用该模型对水族箱中的慈鲷(Chindongo demasoni)进行检测追踪同样取得了较好的效果，慈鲷的检测准确率达到97.0%,召回率为93.4%,平均精度均值为96.5%,相较于YOLOv8n模型召回率和平均精度分别提升了1.8%和1.9%。研究表明，本文中设计的YOLOv8n-BiFormer模型具有通用性，在检测和追踪血鹦鹉和慈鲷目标方面均表现优异，消耗的计算资源较少，可部署在水族箱监控系统中，为观赏鱼信息记录自动化和智能化提供了可行的解决方案。

为解决真实养殖环境中因鱼群模糊、遮挡造成的鱼类目标检测困难等问题，采用基于通道非降维与空间协调注意力ECAM(efficient coordination attention module)的改进YOLOv8养殖鱼群检测方法YOLOv8-Head-ECAM以提高检测精度。首先在FPN(feature pyramid network)中增加大尺寸检测头，更好地捕捉水下鱼类个体的细节信息，以加强对鱼群特征的提取能力，然后使用ECAM注意力机制减少模糊背景的干扰，聚焦鱼类个体的关键特征，以加强对模糊鱼群的识别能力，并设计了消融试验和模型对比试验以验证算法的有效性。结果表明：相比于YOLOv8,YOLOv8-Head-ECAM模型的准确率、召回率和平均精度均值分别提高了2.3%、1.7%和1.6%;与目前检测准确率较高的养殖鱼群检测模型KAYOLO、DCM-ATM-YOLOv5、SK-YOLOv5和ESB-YOLO相比，平均精度均值分别提高了0.7%、1.0%、2.4%和2.0%。研究表明，本文中提出的YOLOv8-Head-ECAM模型能够较好地适应水下鱼群模糊、遮挡的情况，提高了鱼群检测的有效性。

管道漏磁内检测技术作为一种新型的无损检测技术，具有非接触、不破坏被检测对象、检测速度快等优点，广泛应用于石油、天然气等管道的缺陷检测。然而，目前漏磁内检测设备普遍存在机械性能不过关、灵敏度不高等问题，严重制约了该技术在油气管道上的应用。文章通过对漏磁内检测设备中的机械部件进行优化改进，从探头结构、信号采集方式、数据传输方式等方面进行优化设计，以提升漏磁内检测设备的机械性能。

为了解决传统的微藻检测方法依赖于复杂的设备和大量的人工操作，不仅耗时长且检测结果易受检测人员技术经验影响等问题，结合微藻显微图像特征，采用K-means++算法聚类锚框，并基于YOLO v7模型，提出一种轻量级实时检测微藻的方法YOLO v7-MA。该方法将GhostNet引入YOLO v7模型中作为主干特征提取网络，以减少网络的参数量，同时将特征融合网络中的普通卷积块替换为深度可分离卷积块，进一步降低模型的计算复杂度，并在特征融合网络中加入CBAM注意力模块，以提高网络的特征表达能力。结果表明：在14种微藻数据集上的试验显示，本研究中提出的YOLO v7-MA模型的平均精度均值为98.56%,召回率为96.88%,F1值为97.42%,参数量为22.64×10～6,浮点运算次数(FLOPs)为38.45×10～9;相较于YOLO v7模型，YOLO v7-MA模型平均精度均值提高了0.95%,召回率和F1值分别提高了1.15%、0.23%,参数量和FLOPs分别降低了14.63%和66.55%;相较于FasterRCNN-VGG16、FasterRCNN-Resnet50、YOLO v4、YOLO v4-Mobilenet v3、YOLO v4-VGG16、YOLO v4-Resnet50和YOLO v5s等模型，YOLO v7-MA模型的平均精度均值也均有提高，参数量均有减少。研究表明，YOLO v7-MA模型能够为微藻的识别分类提供一种轻量化的实时高效检测方法，大大降低了检测人员的工作量。

为解决真实养殖环境下，水下成像模糊、失真等导致鱼群检测准确率低的问题，提出一种融合视觉注意力机制SKNet (selective kernel networks)与YOLOv5(you only look once)的养殖鱼群检测方法(SK-YOLOv5模型),该方法首先采用UNet(convolutional networks for biomedical image segmentation)对图像进行预处理，得到清晰的鱼群图像，然后将SKNet融合到YOLOv5的Backbone端构成关注像素级信息的特征提取网络，加强对模糊鱼体的识别能力，并在水下模糊鱼群图像数据集上进行了消融试验和模型对比试验，以验证SK-YOLOv5的有效性。结果表明：在鱼群检测任务上，SK-YOLOv5的识别精确率和召回率分别达到了98.86%和96.64%,检测效果比YOLOv5分别提升了2.14%和2.29%,与目前检测准确率较高的水下目标检测模型XFishHmMp和FERNet相比，SK-YOLOv5取得了较好的检测效果，与XFishHmMp模型相比，识别精确率和召回率分别提升了5.39%和5.66%,与FERNet模型相比，识别精确率和召回率分别提升了3.59%和3.77%,实现了真实养殖环境下鱼群的准确检测。研究表明，融合SKNet与YOLOv5的养殖鱼群检测方法，有效地解决了水下模糊图像鱼群检测准确率低的问题，提升了养殖鱼群检测和识别的整体效果。