Emissions of soot particles are solid products of incomplete combustion of hydrocarbons, which is generally considered to induce serious inverse effect to environment and climate. The main process of soot formation is essentially the result of the competition between the growth and oxidation of soot. Soot particles react with the oxidant during the oxidation process, resulting in substantial changes in the morphology, nano-structure, and particle size distribution of soot particles. Meanwhile, soot oxidation-induced fragmentation can be regarded as an accidentally but unavoidable secondary consequence of soot oxidation, which is of great significance in determining the particle burnout rate correctly. Quite a few of previous studies including numerical and experimental work are summarized in this paper, mainly on the oxidation process of soot produced by the incomplete combustion of hydrocarbon fuels. The external oxidation mode, internal oxidation mode, and oxidation-induced fragmentation are reviewed as well. Regarding the oxidation-induced fragmentation, it is summarized in this paper the mechanisms, characteristics, and its related phenomena. In addition, the numerical models and simulation approaches of oxidation-induced fragmentation are presented, along with the deficiencies in numerical simulations and experiments related to internal oxidation and the fragmentation of primary particles due to internal oxidation. Finally, the influence factors on the tendency towards external oxidation or internal oxidation of soot are summarized, and the double-peak structure of soot particle size distribution caused by soot oxidation and oxidation-induced fragmentation is discussed in detail.

Accurate identification of individual cow identity is a prerequisite for the construction of digital farms and serves as the basis for optimized feeding, disease prevention and control, breed improvement, and product quality traceability. Currently, cow identification faces challenges such as poor recognition accuracy, large data volumes, weak model generalization ability, and low recognition speed. Therefore, this paper proposes a cow identification method based on YOLOX-S-TKECB. (1) Based on the characteristics of Holstein cows and their breeding practices, we constructed a real-time acquisition and preprocessing platform for two-dimensional Holstein cow images and built a cow identification model based on YOLOX-S-TKECB. (2) Transfer learning was introduced to improve the convergence speed and generalization ability of the cow identification model. (3) The CBAM attention mechanism module was added to enhance the model’s ability to extract features from cow torso patterns. (4) The alignment between the apriori frame and the target size was improved by optimizing the clustering algorithm and the multi-scale feature fusion method, thereby enhancing the performance of object detection at different scales. The experimental results demonstrate that, compared to the traditional YOLOX-S model, the improved model exhibits a 15.31% increase in mean average precision (mAP) and a 32-frame boost in frames per second (FPS). This validates the feasibility and effectiveness of the proposed YOLOX-S-TKECB-based cow identification algorithm, providing valuable technical support for the application of dairy cow identification in farms.

Wafer surface defect detection is a critical component in the chip manufacturing process. To address the shortcomings of manual inspection and the limitations of existing machine learning methods, this paper proposes a wafer defect detection algorithm based on an improved YOLOv7-tiny. First, a coordinate attention (CA) module is incorporated into the feature extraction network to enhance the network's ability to learn features at defect locations. Next, a lightweight convolutional module, ghost shuffle convolution (GSConv), is introduced into the feature fusion network to reduce the network's parameter count while maintaining a certain level of detection accuracy. Finally, the loss function is optimized by adopting IoU with minimum points distance (MPDIoU) to address issues such as small sizes and dense distributions. Experiments conducted on a self-constructed dataset show that the improved algorithm achieved a mean Average Precision (mAP) of 90.1%, representing a 3.2% increase over the original algorithm. The model size is only 5.85MB and the detection speed has been effectively enhanced, providing valuable insights for research in industrial real-time detection applications.