黄檀属和紫檀属6种红木化学组成及pH值的研究

对黄檀属和紫檀属6种红木化学成分、金属元素含量及酸碱性质进行测定分析。结果表明,交趾黄檀和柬埔寨黄檀木材除了灰分区别较大外,其他的化学成分含量相近;同属不同树种木材的化学组成存在差异。6种红木均含有丰富的Ca元素;不同红木中各种金属元素的含量有差异,金属元素含量的大小次序也不同,檀香紫檀木材中没有检测到Mn、Cu元素,交趾黄檀木材中没有检测到Cu元素。交趾黄檀和柬埔寨黄檀木材的金属元素（除了Na）差异较大。黄檀属和紫檀属6种红木均偏酸性。     

黄檀属珍稀树种未来适宜区变化预测

  目的  黄檀属Dalbergia树种具有很高的经济价值，但物种野外种群受到了严重的破坏。随着气候变化的加剧，该属物种分布存在着较高的不确定性，迫切需要深入认识这些物种未来分布的趋势，以便更好地进行保护。  方法  利用最大墒(MaxEnt)模型，基于当前气候环境，对列入中国生物多样性红色名录的7种黄檀属珍稀乔木树种在中国的适宜分布区进行了预测，并对未来不同气候情景下其分布区的变化进行了分析。  结果  年平均温度、等温性、气温季节变动系数、最热季降水量、最干月降水量、最干季降水量、土壤碳酸盐含量与坡度是影响7种黄檀属珍稀乔木适宜区分布模拟的关键环境因子。黄檀属珍稀乔木除黄檀D. hupeana外均将在未来获得更大的适宜分布区。黄檀的适宜分布区面积与最适分布区面积则均有所减小，其中适宜分布区面积将减小30.8%，最适分布区则将缩小49.3%。  结论  由于分布区存在差异，同属不同物种的未来分布对气候变化的响应不同，未来的保护工作应当集中在黄檀等适宜分布区缩小的物种上。表3参39     

基于连续投影算法-遗传算法-BP神经网络的可见/近红外光谱木材识别

  目的  基于可见/近红外光谱技术,以10种木材为研究对象,探索不同预处理和特征提取方法下BP神经网络识别木材的效果。  方法  利用美国ASD公司生产的LabSpec 5000光谱仪采集10种木材的光谱图,分别进行移动平均法处理、移动平均法+多元散射校正(MSC)、移动平均法＋标准正态变量变换(SNV)、Savitzky-Golay卷积平滑算法(S-G滤波器)、S-G滤波器+MSC和S-G滤波器+SNV的预处理,运用主成分分析法(PCA)、连续投影算法(SPA)、SPA和遗传算法(GA)联合分别进行特征提取,将提取的特征结合BP神经网络进行木材识别试验。  结果  以SPA和GA联合提取光谱特征时,移动平均法+SNV的预处理效果最佳,以吸收峰为起始波段(W_initial=1 445 nm)、吸收峰个数为特征个数(N_tot=9)时,识别率较高,特征个数大部分减少为SPA提取特征值个数的一半左右。BP神经网络的平均识别速度提升明显。10种木材的平均识别率为98.0%,其中7种木材的识别率达到了100.0%。  结论  在移动平均法+SNV的预处理下,SPA和GA联合提取光谱图的特征,既可提高BP神经网络识别木材的正确率,又可提升识别速度。图3表6参23     

基于雷达检测的木材内部孔洞面积测算与修正

  目的  开展木材内部孔洞的雷达检测研究，探讨该检测手段下孔洞成像的准度和精度，实现木材内部孔洞的雷达快速识别和定量表征。  方法  以古建筑木结构常用的马尾松Pinus massoniana木材和杉木Cunninghamia lanceolata木材为研究对象，采取人工模拟的方法在木段端部制作异型孔洞，并利用雷达扫描仪对带孔木段进行检测，比较分析直观成像技术与希尔伯特积算法、单路径数据提取合成以及成像轮廓多参数校正等处理方法之间的差异，提出基于雷达检测的木材内部孔洞面积测算与可行的修正方法。  结果  利用雷达无损检测技术可以对马尾松和杉木木材内部孔洞的存在进行快速识别，但其直观成像技术在定量评估方面误差较大，需进行相关的数据处理和修正；未经修正的雷达图像其预估孔洞面积小于实际孔洞面积，通过希尔伯特积算法演算或介电常数修正的雷达图像其预估孔洞面积与实际孔洞面积仍存在一定的误差；木材边缘与孔洞边缘的距离应按s_3c=(s_r－a)k₁k₂进行修正，即实际应用中根据树种和含水率所得到的介电常数仅为多参数校正中的一个因素；无论是否进行数据处理和修正，雷达检测难以准确识别孔洞的具体形状，应开展进一步研究。  结论  该雷达检测及修正方法应用于木材内部孔洞探测，综合树种和含水率数值，可确保孔洞面积识别误差小于30%。图6表2参17     

面向边缘计算的轻量级植物病害识别模型

  目的  传统深度学习模型因参数和计算量过大不适用于边缘部署，在网络边缘的植物病害自动识别是实现长时间大范围低成本作物监测的迫切需求。  方法  联合使用多种模型压缩方法，得到可部署于算力有限的嵌入式系统的轻量级深度卷积神经网络，在边缘节点实现植物病害智能识别。模型压缩分2个阶段:第1阶段利用基于L₁范数的通道剪枝方法，压缩MobileNet模型；第2阶段将模拟学习与量化相结合，在模型量化的同时恢复识别精度，得到高精度轻量级的端模型。  结果  在PlantVillage数据集58类植物病害的实验结果表明:通道剪枝将MobileNet压缩了3.6~14.3倍，量化又将模型的参数精度由32 bit降低至8 bit。整体压缩率达到了14.4~57.2倍，识别准确率仅降低0.24%~1.65%。与通道剪枝后无模拟学习训练、通道剪枝结合量化后无模拟学习训练这2种压缩方法相比，具有更高的模型压缩率和识别准确率。  结论  联合使用多种模型压缩方法可以少量的精度损失深度压缩人工智能模型，可为农林业提供面向边缘计算的植物病害识别模型。图3表2参23     

不同种源大果紫檀引种漳州初步研究

目前以紫檀属、黄檀属木材为代表的红木,质地坚硬致密,色泽绚丽多姿,气味怡人且经久不息。由这类珍贵木材制作的红木家具材性稳定耐久,款式温文尔雅,充满怀古韵味,深受海内外人士所喜爱。大果紫檀(Pterocarpus macarocarpus)属豆科(蝶形花亚科),紫檀属。其心材桔红、砖红或紫红色,散孔材,半环孔材相对明显,花纹明显,材质致密硬重,不裂不翘,且散发芳香经久不衰,是制作高级家具、细木工板、镶嵌板、乐器、雕刻及其他工艺品等的上好材料。因此,加快大果紫檀引种与栽培技术研究是我国热带、南亚热带地区种植珍贵红木树种,培育森林资源的一项重要工作。本文就不同种源大果紫檀在福建省漳州市的引种表现展开分析。     

进口黄檀属木材DNA提取与分子鉴定方法初步研究

由于黄檀属Dalbergia种类较多,很多种类通过形态学方法难以区分,给中国进口木材检验鉴定工作带来了很大困难。为了研究黄檀属木材的分子鉴定方法,选取进口木材中常见的7种黄檀属木材,通过比较不同的木材DNA提取和纯化方法,摸索出了适合于黄檀属木材的十六烷基三甲基溴化铵（CTAB）十二烷基硫酸钠（SDS）磁珠相结合的DNA提取和纯化体系,利用巢式聚合酶链式反应（PCR）扩增出433 bp的matK基因片段,共发现12个碱基位点差异,可以将7种进口黄檀属木材及我国的降香黄檀Dalbergia odorifera逐一区分开,为黄檀属木材分子识别鉴定研究工作奠定了良好的基础。图2表1参23     

基于BP神经网络的马尾松人工林胸径-树高模型预测

  目的  马尾松Pinus massoniana是中国南方主要用材树种，建立高效的马尾松人工林胸径-树高预测模型，可为马尾松人工林经营提供理论指导。  方法  以贵州省黔中地区马尾松人工林为研究对象，基于82块样地(25 m×25 m)的4 284株马尾松单木数据，选取6个常用的广义非线性模型进行拟合，从中筛选出拟合效果最好的模型。使用相同的数据确定最佳隐层节点数量后，经过反复训练建立基于BP神经网络的马尾松胸径-树高预测模型。  结果  在6个广义非线性模型中，拟合效果最佳为Korf模型(R2=0.650)；马尾松适宜的隐藏层节点数为2，适宜的模型结构(输入层节点数∶隐藏层节点数∶输出层节点数)为1∶2∶1，模型预测精度达0.717。  结论  广义非线性模型能较好地拟合马尾松人工林胸径-树高关系，但与BP神经网络模型相比，BP神经网络不需要依赖经验模型，也不用模型筛选，而且BP神经网络模型具有较高的决定系数和较低的均方根误差，拟合精度优于广义非线性模型。图5表5参35     

4种东南亚黄檀属红木的表面润湿性能

采用S-D润湿方程计算和分析4种东南亚黄檀属红木(交趾黄檀、巴里黄檀、奥氏黄檀、刀状黑黄檀)在径、弦切面及不同纹理方向上的润湿系数及变化规律。结果表明,S-D润湿方程对4种红木表面润湿性能拟合度较好,R~2值均超过95%;4种红木表面润湿性能与树种、切面和纹理方向的相关,其中刀状黑黄檀润湿性能最好,在径、弦切面的横纹和顺纹上的渗透系数K分别为0.048 59、0.052 17、0.055 98、0.064 18,交趾黄檀其次,巴里黄檀表面润湿性能最差;对于同种木材,弦切面润湿性能大于径切面,相同切面的顺纹表面润湿性能好于横纹。由于弦切面的山状花纹和弦切面顺纹较好的润湿性,建议家具表面涂饰选择弦切面为基材,顺纹方向涂饰。     

大果紫檀和奥氏黄檀乙醇低毒微损鉴别

用丙酮、二氯甲烷、苯、苯醇、乙醇等5种溶剂对大果紫檀和奥氏黄檀进行 GC －MS 抽提试验,并对抽提液的总离子流图进行相关系数分析。结果表明：二氯甲烷和苯的抽提得率最低,乙醇、苯醇和丙酮的抽提结果理想;同种木材不同溶剂抽提液的总离子流图相似性较高,但不同树种间的差异性较大,可利用相关系数进行木材识别和鉴定。综合考虑溶剂的毒性和使用成本等因素,乙醇更适用于红木的快速低毒微损识别。     

基于微调卷积神经网络迁移学习模式下被害棉叶图像的识别

【目的】研究一种基于卷积神经网络的危害棉叶症状识别技术,提高棉花病虫害的识别准确率。【方法】基于caffe深度学习框架,在CaffeNet网络结构基础上增加一层全连接层(记为CaffeNet+1),并结合迁移学习方法对网络进行训练。采集健康、红叶茎枯、红蜘蛛、枯萎、黄萎、双斑萤叶甲、蚜虫、褐斑棉叶图像各975张作为样本集。随机选取验本集中80%的图像样本作为训练集,剩余20%作为测试集。【结果】迁移学习方式下学习率取0.005时的CaffeNet+1模型最优,在测试集上其识别准确率可达98.9%。【结论】在与全新学习模式下的CaffeNet模型相比,该方法可加速网络模型收敛,且具有更高的识别准确率,该技术方法在准确识别田间病虫害棉叶后表现症状的图像写出来具体方面具有重要的应用价值。     

基于自注意力卷积网络的遥感图像分类

  目的  遥感图像分类技术在森林资源调查、生态工程规划以及森林病虫害防控等林业监测业务中,扮演着至关重要的角色。通过引入自注意力模块增强卷积网络对遥感图像的特征刻画能力,以期提高遥感图像的分类效果。  方法  该文提出了一种融合自注意力机制和残差卷积网络的遥感图像分类方法,首先利用卷积神经网络提取丰富的深度纹理语义特征,然后在卷积网络的最后3个瓶颈层嵌入多头自注意力模块,挖掘遥感图像复杂的全局结构信息。嵌入自注意力模块的卷积分类网络,能够有效提升遥感图像的分类精确度。该研究使用RSSCN7、EuroSAT与PatternNet 3个公开的遥感图像数据集,基于Pytorch深度学习库训练与测试该方法,并增加与已有分类框架算法精度和性能的对比试验。同时,使用不同批次、不同数量大小的数据训练改进研究提出的方法,并测试分类效果。  结果  试验得出,该研究提出的方法在3个遥感分类数据集上的平均识别率分别达到了91.30%、97.88%和97.37%,其中在前两个数据集上较现有的基于深度卷积网络的算法分别提升了2.26%和3.73%。同时,该算法的总参数量为2.08 × 107,较现有参数量最低的方法减少了5.2 × 106。  结论  相比已有的遥感图像分类框架,该研究提出的方法能够在图形处理器（GPU）加速的环境中,取得更为准确的分类效果。同时有效减少了模型的参数量,提高了算法执行的效率,便于后续的实际应用部署。      

基于双路卷积神经网络的植物叶片识别模型

目的针对卷积神经网络识别植物叶片过程中，叶片边缘形状对卷积层的过度作用而导致相似边缘形状叶片识别错误的问题，提出了一种双路卷积神经网络的植物叶片识别模型。方法模型考虑了叶片信息的边缘形状与内部纹理特征，构建了双路卷积神经网路结构，其中形状特征路径运用7层卷积层的网络结构，前3层采用大尺寸11×11及5×5的卷积核提取大视野特征，完成叶片形状特征提取，另外4层卷积层采用3×3小尺寸卷积核提取叶片细节特征；纹理特征路径采用6个3×3卷积核的卷积层，提取叶片纹理图像细节特征；然后通过特征融合层将两类特征相加为融合特征，并利用全连接层对植物叶片种类进行识别。结果实验结果表明，双路卷积神经网络模型与单路卷积神经网络和图像处理分类识别模型相比，在Flavia叶片数据集与扩充植物叶片数据集上，Top-1识别准确率分别提高到了99.28%、97.31%，Top-3识别准确率分别提高到了99.97%、99.74%，标准差较其他识别与分类模型下降到0.18、0.20。结论本文提出的叶片识别模型能有效避免相似叶片边缘形状干扰而导致识别错误的问题，可以提高植物叶片的识别准确率。      

基于深度学习的5种树皮纹理图像识别研究

目的针对在树皮图像识别时,现有的算法和识别过程过于复杂的问题,提出了基于深度学习的方法来对不同树种的树皮图像进行识别。方法本文以5种常见树种的树皮纹理图像为例,采用基于卷积神经网络的深度学习方法,将原始图像直接作为输入,通过卷积和池化层对图像的低级、高级特征进行自动提取,解决了手动提取纹理特征的困难和问题;在此基础上,对CNN模型结构进行改进,采用带Maxout的ELU激励函数来代替ReLU函数,解决模型的偏移和零梯度问题;对损失函数进行改进,通过添加规范项来优化结构参数,并使用分段常数衰减法对学习率进行动态调控;最后采用softmax分类器对图像类别进行输出。结果对5个树种的树皮图像共计10 000张图像进行实验,其中每类选取200张图像作为测试集。最终训练准确率达到93.80%,测试集识别准确率为97.70%。另外,为验证本文方法的可行性,与传统人工特征提取法,提取HOG特征、Gabor特征和灰度共生矩阵统计法,训练SVM分类器。通过实验比较,本文方法识别准确率最高。结论本文提出的基于深度学习的树皮纹理图像识别方法是可行的,提高了识别效率和精度,为树种的智能化识别提供新的参考。      

基于多尺度特征提取深度残差网络的水稻害虫识别

【目的】在水稻生产过程中,针对不同虫害需要采用不同的防治方案,水稻害虫的准确识别分类是制定针对性防治方案的前提。【方法】采用深度学习结合机器视觉的方法,基于Res2Net结构提出了一种多尺度特征提取的深度残差网络,通过准确地提取害虫特征实现复杂自然背景下的水稻害虫识别;采用改进的残差结构,使用等级制的类残差连接取代了原本的3×3卷积核,增加了每个网络层的感受野,可以更细粒度地提取多尺度特征。【结果】本网络训练的模型能够有效地识别自然背景下的水稻害虫,在自建的包含22类常见水稻害虫的图像数据集上,平均识别准确率达到了92.023%,优于传统的ResNet、VGG等网络。【结论】本文提出的模型可应用于水稻虫情自动监测系统,为实现水稻害虫虫情的机器视觉监测提供参考。     

基于机器学习的落叶松树皮厚度预测

  目的  研究多个机器学习算法在树皮厚度预测中的应用,对比分析不同单木因子对树皮厚度预测的影响,为树皮厚度预测提供新的方法。  方法  以大兴安岭天然林落叶松为研究对象,基于树皮厚度数据,构建4个机器学习算法（神经网络ANN、支持向量回归SVR、决策树CART、随机森林RF）,并将其在预测树皮厚度方面的性能与6个传统树皮厚度模型比较。采用决定系数（R2）、均方根误差（RMSE）、平均绝对误差（MAE）和赤池信息准则（AIC）来评价不同模型和算法。  结果  （1）在6个基础模型中Model5预测效果较好。基础模型与机器学习模型比较中,除CART4模型,其他机器学习模型拟合精度均好于传统模型Model5;（2）机器学习模型中ANN4和SVR3拟合和预测精度相似,RF4拟合效果最好。（3）RF4的输入变量为胸径（DBH）、树高（H）、相对树高（H_r）。基于训练样本,与Model5相比,随机森林的R2从0.675 2提高到0.723 4,RMSE从0.575 5降低到0.531 0。随机森林检验结果与Model5相比R2从0.666 9调高到0.710 5,RMSE从0.616 9降低到0.544 6。  结论  相对于基础树皮厚度模型,机器学习算法中的随机森林,支持向量回归和人工神经网络都能提高树皮厚度的预测精度,其中随机森林的预测效果最好,适合该区域落叶松树皮厚度的预测。      

小样本条件下基于数据扩充和ResNeSt的雪豹识别

  目的  红外触发相机采集的雪豹监测图像质量参差不齐,且数量有限,为了提升小样本下雪豹的识别准确率,本研究提出一种雪豹监测图像自动识别方法。  方法  该方法基于具备注意力机制的ResNeSt50模型,使用祁连山国家公园的雪豹监测图像作为原始数据集,红外触发相机拍摄的非雪豹陆生野生动物图像作为扩充负样本,网络雪豹图像作为扩充正样本,生成3种数据集并依次进行对比实验,选择合适的扩充方式引导模型逐步关注到雪豹个体关键特征,使用梯度类激活热力图可视化进一步验证数据扩充后的有效性。  结果  使用原始数据集+扩充负样本+扩充正样本训练的模型识别效果最好,热力图可视化显示模型正确关注到雪豹个体花纹与斑点特征,对比基于Vgg16和ResNet50的识别模型,ResNeSt50的识别效果最好,测试集识别准确率达到97.70%,精确率97.26%,召回率97.59%。  结论  采用本研究提出的原始数据集+扩充负样本+扩充正样本数据扩充方法训练的模型,可以区分背景与前景,且对雪豹本身特征具有较强的判别能力,泛化能力最好。