玉米种子自动精选系统开发

种子精选是种子工程发展中需要解决的关键问题之一。该文设计了动态玉米籽粒品质检测分级系统,利用玉米籽粒的形态特征将种子分为4级,利用颜色特征将种子分为3级,分级合格率分别为81.8%和93.04%;设计了玉米籽粒品种识别系统,利用基于贝叶斯准则的分类器和基于支持向量机的模式识别方法,可实现农大80、农大108、高油115、农大4967、白糯6号共5个玉米品种的识别,平均识别准确率为92%;研制了玉米单倍体籽粒分拣系统,根据其颜色特征及模式识别技术进行玉米单倍体识别后使用二自由度并联机器人机构,采用气吸方式进行分拣,分拣精度为80%。     

基于核磁共振的玉米不同籽粒类型单粒质量和含油率分析

针对现有玉米单倍体核磁共振分选系统基于一个含油率阈值,无法对胚败育籽粒和单倍体籽粒正确分选的问题,分别对玉米生物诱导产生的二倍体、单倍体和胚败育3种不同籽粒类型的单粒质量和含油率进行分析,提出了利用籽粒含油率双阈值提高单倍体正确识别率的分选方法。该研究以2个普通玉米杂交种和3个自交系为母本,以高油型诱导系为父本,进行生物诱导产生的3种不同类型籽粒为研究对象,利用核磁共振分选系统分别对不同类型籽粒的单粒质量和含油率进行测定,结果表明：单粒质量整体表现为单倍体>二倍体>胚败育,除二倍体籽粒与胚败育籽粒间存在极显著差异外,其他籽粒类型间差异不显著;不同类型籽粒的单粒质量平均变异系数为16.62%,并且每个材料的3种籽粒类型间出现较大的重叠区域。而不同类型籽粒含油率整体表现为二倍体>单倍体>胚败育,变异性以二倍体最小,平均变异系数仅为12.52%,其次是单倍体,而胚败育籽粒最高（34.14%）,但其含油率最低且均≤2%;每个材料各自的3种类型籽粒间含油率呈现梯度分布,存在较明显的界限。由此可见,利用籽粒含油率能够区分玉米生物诱导的3种不同籽粒类型,而单粒质量则不能;通过设置二倍体籽粒的最小含油率为上限,胚败育籽粒的最大含油率为下限,利用含油率的双阈值可提高单倍体的正确识别率,为玉米生物诱导单倍体高效自动化分选提供依据。     

玉米单倍体种子胚部特征提取及动态识别方法

为了实现基于机器视觉方法的玉米单倍体种子识别,该文研究了一种玉米单倍体种子胚部特征提取及动态识别方法。采用一种基于B通道平均像素值的胚部特征提取方法,提取了具有Navajo标记的玉米种子的胚部图像,基于此在RGB颜色空间内提取了样本的Navajo标记图像,从而得到一套玉米单倍体种子快速识别RGB组合算法。在玉米分选试验台上进行了动态分选试验。试验结果表明,该算法对LC09124-UH400品种玉米单倍体的识别正确率为98.04%,对杂合体的识别正确率为94.44%。该文提出的玉米单倍体种子RGB组合快速识别算法与玉米分选试验台结合形成的动态分选系统,有助于实现玉米单倍体种子的自动化分选。     

诱导方式及基因型对小黑麦单倍体形成的影响

为探索小黑麦单倍体胚诱导方式及小黑麦基因型与玉米类型对小黑麦单倍体胚产生的影响,本文采用4种不同诱导方式、3个小黑麦基因型与3个不同类型的玉米分别对其在小黑麦单倍体胚诱导中的效果进行了研究。结果表明:以玉米花粉授粉后再辅以100mg/L 2,4-D+30ml/L二甲基亚砜对小黑麦单倍体胚的诱导效果最好,其单倍体诱导率为6.65%。不同小黑麦基因型在玉米花粉诱导小黑麦单倍体中的诱导效果是不同的,本研究中以基因型H09-4为最高;不同玉米类型远缘杂交的得胚率总趋势表现为:爆裂玉米ZPA 82/9(4.71%)>甜玉米新自31162(2.94%)>普通玉米103A(1.76%)。可见,除诱导方式外,小黑麦基因型及玉米类型对小黑麦单倍体胚的诱导效果具有重要影响。     

提高小麦X玉米杂交产生单倍体胚的频率

Laurie和Bennett（1986）用普通小麦与玉米杂交，并进行幼胚培养，获得了小麦单倍体植株。但要真正用于育种实践，必须首先获得较高并且相对稳定的得胚率。目前报道的单倍体胚诱导频率差异较大，最高的已达48．6％，最低的不足10％（顾坚等，2005）。本实验通过在2，4-D中加入不同体积浓度的二甲基亚砜，研究其对得胚率的影响。     

小麦×玉米胚培养产生小麦单倍体植株

通过小麦与玉米远缘杂交诱导小麦单倍体,经染色体人工加倍后第一代即可获得纯合稳定的加倍单倍体DH系,与花药培养获得的DH系相比,具有不受小麦基因型差异的影响、没有无性系变异发生等优点,因此在小麦的遗传研究和育种实践中具有重要意义.对小麦×玉米诱导单倍体胚的研究已有较多报道,而对单倍体胚培养再生成苗,特别是培养过程中环境温度和光照等对单倍体成苗率的影响国内尚无系统报道.     

基于改进卷积神经网络模型的玉米叶部病害识别(英文稿)

准确识别玉米病害有助于对病害进行及时有效的防治。针对传统方法对于玉米叶片病害识别精度低和模型泛化能力弱等问题,该研究提出了一种基于改进卷积神经网络模型的玉米叶片病害识别方法。改进后的模型由大小为3×3的卷积层堆栈和Inception模块与ResNet 模块组成的特征融合网络两部分组成,其中3×3卷积层的堆栈用于增加特征映射的区域大小,Inception模块和ResNet 模块的结合用于提取出玉米叶片病害的可区分特征。同时模型通过对批处理大小、学习率和 dropout参数进行优化选择,确定了试验的最佳参数值。试验结果表明,与经典机器学习模型如最近邻节点算法（K- Nearest Neighbor,KNN）、支持向量机（Support Vector Machine,SVM）和反向传播神经网络（Back Propagation Neural Networks,BPNN）以及深度学习模型如AlexNet、VGG16、ResNet 和Inception-v3相比,经典机器学习模型的识别率最高为77%,该研究中改进后的卷积神经网络模型的识别率为98.73%,进一步提高了模型的稳定性,为玉米病害检测与识别的进一步研究提供了参考。     

玉米单倍体化学加倍效果研究

利用单倍体诱导系获得玉米单倍体,再加倍获得自交系是当前应用最广泛的玉米育种方法,可以加快玉米育种的进程,提高育种效率,而单倍体加倍方法是其中的关键环节。采用大田注射法研究了秋水仙素不同配方对10个玉米材料的单倍体加倍效果。结果表明,秋水仙素具有很好的加倍作用,剂量以0.06%秋水仙素+2%二甲基亚砜(DMSO)为优,加倍率为6.5%～31.3%,平均加倍率17.47%。     

农产品品质无损检测技术研究进展

基于农产品的物理特性的无损检测技术是近几十年来国内外研究的一个热门课题,随着现代技术的发展,这些研究已经取得了较大的进展,为农产品的品质检测系统开发了一系列的无损检测技术.本文较为全面地介绍了国内外基于农产品物理特性无损检测技术的研究现状及方法,如电学特性检测技术、光学特性检测技术、声波振动特性检测技术、核磁共振(NMR)技术、电子鼻技术、撞击技术以及一些其他技术与方法,并对未来的发展方向予了展望,综合应用多种高科技技术进行农产品的无损检测与分拣是未来发展的趋势.     

小麦×玉米诱导小麦单倍体高效系统的建立

为建立一套高效的小麦×玉米单倍体诱导系统用于构建小麦DH群体,采用杂交后剪穗进行人工控制环境条件的室内离体培养法和田间常规杂交法诱导小麦×玉米单倍体,研究了不同培养环境、离体培养时环境温度、常规杂交法时T>10℃有效积温对单倍体成胚率和成苗率的影响。结果表明:就平均成胚率而言,离体培养法(23.6%)>常规杂交法(18.1%),获得最高成胚率的环境温度为21℃~23℃,T>10℃有效积温为188℃;就平均成苗率而言,离体培养法(18.7%)高于常规杂交法(15.1%),获得最高成苗率的环境温度为23℃,T>10℃有效积温为188℃。并在此基础上建立了一套高效、可靠、重复性好的小麦×玉米单倍体诱导系统。实验还表明大田条件下,授粉后12~14d的培养时间不宜作为小麦×玉米单倍体剥胚的时间标准,而应以授粉后外界环境提供的T>10℃有效积温作为剥胚的时间标准可能更准确。     

玉米单倍体胚性愈伤的诱导与鉴定

为建立一套适合玉米单倍体胚性愈伤培养和快速筛选体系,以单倍体诱导系MT-1为父本,18-599红为母本进行单倍体诱导,设置暗培养、全光照培养和光暗周期培养3种光照培养方式,均分别培养0、1、5、10、20、40 h后,观察幼胚形态和颜色。结果表明,自交系18-599红的单倍体和二倍体幼胚均能正常诱导形成胚性愈伤组织;不同光照培养方式对紫色(二倍体)愈伤率的检出效果依次为光培养>光暗周期培养>暗培养。通过光照筛选的方法可在早期鉴定愈伤组织,其二倍体愈伤的筛选率在培养20 h时可达68%,40 h时为71%,剔除了大部分非单倍体愈伤,综合分析确定光照强度为2 000 lx、20℃处理20 h为最适光照筛选处理。染色体压片技术获得的拟单倍体愈伤中有二倍体愈伤的检出,但经流式细胞仪检出获得的拟单倍体愈伤再经染色体压片检测,无二倍体愈伤,表明流式细胞仪检测单倍体愈伤的准确性高于染色体压片技术。通过光照初步筛选结合流式细胞仪的精确鉴定,迅速从3 000个单倍体愈伤中获得110个单倍体愈伤,单倍体愈伤率3.67%。本研究结果为以玉米单倍体愈伤为转基因受体,快速获得转基因植株提供了一定的技术支撑和理论参考。     

考虑作物生长状态的农田表面温度数据精量甄别与区分

农田表面温度是土壤、作物和大气之间进行水/热交换传输的重要参数,也是灌区遥感反演模型的重要参量。在利用热红外传感器连续获取农田表面温度数据时,由于作物的生长发育处于动态变化中,农田表面温度数据往往混合了作物冠层温度和土壤表面温度。为精准甄别和区分田间海量监测数据,该研究结合Logistic作物生长模型,通过考虑作物生长状态指标叶面积指数（Leaf Area Index,LAI）和作物冠层高度及其关键节点,构建了农田表面温度监测数据的甄别算法。以内蒙古永济试验站玉米和向日葵实测数据对算法进行验证,并利用解放闸灌域和吉林省长春试验站的玉米和向日葵田间观测数据进行校核。结果表明：考虑LAI和作物冠层高度并利用Logistic模型模拟的关键节点来建立甄别算法,能够为农田稀疏植被表面温度数据甄别提供高效判定。与人工测量值对比,冠层温度优化幅度在10%左右（相对误差）,土壤表面温度优化幅度超过5%;甄别方法可以明显提升冠层和土壤表面温度的获取精度。甄别算法中校正因子数值需根据作物种植密度及LAI确定,其中玉米校正因子选择作物冠层温度校正因子0.9,土壤表面温度校正因子1.1;向日葵校正因子以叶面积指数最大值4为基础,选取冠层温度校正因子0.7,土壤表面温度校正因子1.2;在不同地区应用时,向日葵叶面积指数最大值每增加1,推荐冠层温度校正因子调高0.35,土壤表面温度校正因子调低0.18。研究结果为精量灌溉提供技术支撑,提高了农田监测数据的性能,为无人机遥感和卫星遥感数据的精量甄别提供算法和验证。     

DNA content in embryo and endosperm of maize kernel (Zea mays L.): impact on GMO quantification

PCR-based techniques are the most widely used methods for the quantification of genetically modified organisms (GMOs) through the determination of the ratio of transgenic DNA to total DNA. It is shown that the DNA content per mass unit is significantly different among 10 maize cultivars. The DNA contents of endosperms, embryos, and teguments of individual kernels from 10 maize cultivars were determined. According to our results, the tegument's DNA ratio reaches at maximum 3.5% of the total kernel's DNA, whereas the endosperm's and the embryo's DNA ratios are nearly equal to 50%. The embryo cells are diploid and made of one paternal and one maternal haploid genome, whereas the endosperm is constituted of triploid cells made of two maternal haploid genomes and one paternal haploid genome. Therefore, it is shown, in this study, that the accuracy of the GMO quantification depends on the reference material used as well as on the category of the transgenic kernels present in the mixture.     

融合坐标注意力机制的轻量级玉米花丝检测

玉米花丝性状是玉米生长状态的重要表征,也是决定玉米果穗生长进而影响玉米产量的重要因素。为了提升无人巡检机器人视觉系统对玉米花丝的检测精度和速度,该研究提出一种融合坐标注意力机制的轻量级目标检测网络YOLOX-CA。将坐标注意力机制（coordinate attention,CA）模块嵌入到YOLOX-s主干特征网络（Backbone）部分,以加强对关键特征的提取,提升检测精度;在颈部特征加强网络（Neck）部分,将特征金字塔结构中的普通卷积,更改为深度可分离卷积,在降低网络参数量的同时保证精度不丢失;在预测头（Head）部分引入GIoU(generalized intersection over union)改进定位损失函数计算,得到更为精准的预测结果。基于自建玉米花丝数据集训练和测试网络,试验结果表明,YOLOX-CA网络平均检测精确度达到97.69%,参数量低至8.35 M。在同一试验平台下,相较于YOLOX-s、YOLOv3、YOLOv4等目前主流的目标检测网络,平均检测精确度分别提升了2.21、3.22和0.64个百分点;相较于YOLOv3、YOLOv4,每帧推理时间分别缩短4...     

基于籽粒RGB图像独立分量的玉米胚部特征检测

玉米胚部特征是重要的农艺性状之一,目前主要通过手工方法进行测量。为实现通过机器视觉图像处理的方法进行玉米胚部特征的自动检测,提出一种基于独立分量分析ICA的玉米胚部测量方法,并建立了检测模型。首先对玉米籽粒的RGB图像进行ICA分析,发现具有最大熵的独立分量IC代表着胚部与籽粒其他部分的对比。根据此IC能够实现玉米胚部的准确分割。然后,提取了玉米胚部面积等9个特征。和手工检测结果相比,面积误差为0.7%,决定系数达0.984,其他8个特征的误差总体也都在2%以下。与前人的基于颜色模型区域生长的检测结果比较,检测准确度有明显提高。表明采用基于ICA的方法检测的结果准确可靠,能够用于玉米胚部的自动检测。     

基于自生成标签的玉米苗期图像实例分割

在植物图像实例分割任务中，由于植物种类与形态的多样性，采用全监督学习时人们很难获得足量、有效且低成本的训练样本。为解决这一问题，该研究提出一种基于自生成标签的玉米苗期图像实例分割网络（automatic labelling based instance segmentation network，AutoLNet），在弱监督实例分割模型的基础上加入标签自生成模块，利用颜色空间转换、轮廓跟踪和最小外接矩形在玉米苗期图像（俯视图）中生成目标边界框（弱标签），利用弱标签代替人工标签参与网络训练，在无人工标签条件下实现玉米苗期图像实例分割。试验结果表明，自生成标签与人工标签的距离交并比和余弦相似度分别达到95.23%和94.10%，标签质量可以满足弱监督训练要求；AutoLNet输出预测框和掩膜的平均精度分别达到68.69%和35.07%，与人工标签质量相比，预测框与掩膜的平均精度分别提高了10.83和3.42个百分点，与弱监督模型（DiscoBox和Box2Mask）相比，预测框平均精度分别提高了11.28和8.79个百分点，掩膜平均精度分别提高了12.75和10.72个百分点；与全监督模型（CondInst和Mask R-CNN）相比，AutoLNet的预测框平均精度和掩膜平均精度可以达到CondInst模型的94.32%和83.14%，比Mask R-CNN模型的预测框和掩膜平均精度分别高7.54和3.28个百分点。AutoLNet可以利用标签自生成模块自动获得图像中玉米植株标签，在无人工标签的前提下实现玉米苗期图像的实例分割，可为大田环境下的玉米苗期图像实例分割任务提供解决方案和技术支持。     

基于背景板比例尺的玉米果穗图像特征测量

玉米果穗图像特征的精确测量是实现玉米自动考种的关键技术,但玉米背景图像的复杂性,难以快速、准确测量出玉米的几何特征（玉米果穗的总长度、宽度、体积、秃尖等）。该文根据玉米灰度图像的分布特点,构造了三区域图像增强模型,采用形态学图像处理方法对增强后的图像进行分割,计算出背景板比例尺,以此为参考实现了精确计算玉米的几何参数。文中对计算结果进行了误差分析,表明该文提出的基于背景板比例尺的图像处理算法能够准确地测量出玉米图像中的几何特征值,准确率可达到96.01%,可实现玉米自动考种,替代传统的玉米手工考种,对于玉