复杂背景与天气条件下的棉花叶片图像分割方法

为实现自然条件下棉花叶片的精准分割,提出一种粒子群(Particle swarm optimization,PSO)优化算法和K-means聚类算法混合的棉花叶片图像分割方法。本算法将棉花叶片图像在RGB颜色空间模式下采用二维卷积滤波进行去噪预处理,并将预处理后的彩色图像从RGB转换到目标与背景差异性最大的Q分量、超G分量、a*分量;随后在K均值聚类的一维数据空间中,利用PSO算法向全局像素解的子空间搜寻,通过迭代搜寻得到全局最优解,确定最佳聚类中心点,改善K均值聚类的收敛效果;最后,对像素进行聚类划分,从而得到棉花叶片分割结果。按照不同天气条件和不同背景采集了1 200幅棉花叶片样本图像,对本研究算法进行测试。试验结果表明:该算法对于晴天、阴天和雨天图像中目标(棉花叶片)分割准确率分别达到92.39%、93.55%、88.09%,总体平均分割精度为91.34%,并与传统K均值算法比较,总体平均分割精度提高了5.41%。分割结果表明,本研究算法能够对3种天气条件(晴天、阴天、雨天)与4种复杂背景(白地膜、黑地膜、秸秆、土壤)特征混合的棉花叶片图像实现准确分割,为棉花叶片的特征提取与病虫害识别等后续处理提供支持。     

基于可见光谱色彩指标Otsu 法的水稻冠层图像分割

水稻冠层数字图像分析技术在水稻生长监测、氮营养诊断及产量预测上具有应用潜力,而水稻像元精确分割、提取是水稻冠层数字图像分析结果准确、稳定、可靠的前提。最大类间方差法(Otsu法)具备分割质量稳定、自适应强的特性,分割效果较好,是一种常用的阈值分割方法。通过提取计算水稻冠层图像9种图像色彩指标R、G、B、CIEL*a*b*色彩空间的L*、a*、b*分量、HSV色彩空间的H分量、绿度叶片指数(GLD)以及植被指数(VIGreen),并以各种图像色彩指标的Otsu法对水稻冠层图像进行分割,比较其图像分割效果。结果表明,水稻和土壤像元的a*、b*、GLD、VIGreen色彩指标双峰性明显,且重叠性小,可作为分割水稻与土壤背景的候选图像色彩指标;基于a*、GLD、VIGreen色彩指标的Otsu法的分割精度较高,且基于a*色彩指标的Otsu法对水稻冠层图像分割效果的信噪比最大、误差率最低,其次是基于VIGreen色彩指标的Otsu法;基于CIEL*a*b*色彩空间的a*色彩指标是Otsu法的水稻冠层图像分割中较优的图像色彩指标。     

支持向量机和最大类间方差法结合的水稻冠层图像分割方法

针对田间多变光照强度给水稻冠层图像分割带来的难题,探讨了一种基于支持向量机(SVM)和最大类间方差法(OTSU法)相结合的水稻冠层图像分割算法。首先,从不同光强条件下的水稻冠层图像中采集代表性水稻和背景像元构建训练图像S1和S2,通过分析水稻S1和背景S2两类图像在RGB色彩空间中R、G、B色彩特征值的分布频率,rgb(标准化RGB)色彩空间中r、g、b色彩特征值的分布频率,CIE L*a*b*色彩空间中L*、a*、b*色彩特征值的分布频率,以及HSV色彩空间中H、S、V色彩特征值的分布频率,筛选出具有明显双峰特征的g、a*、b*和S作为关键色彩特征;然后,在由g、a*、b*和S色彩特征构成的多维色彩空间中采用支持向量机学习算法获得分隔水稻和背景像元的优化超平面Z(Z=0.421g+0.753 a*+0.152 b*+0.051S+0.085);最后,计算水稻冠层图像中每一像元的Z值,并用最大类间方差法计算分割阈值Z_t,从而实现水稻冠层图像分割。为了评价该分割方法,以90幅不同光强(阴天、多云和晴天)条件下采集到的田间水稻冠层图像作为测试图像,并以常用的ExGOTSU分割方法作为对比,分析该分割方法的分割精度和光强稳健性。结果表明,Ex GOTSU方法的精确度显著受光强条件影响,随着光强强度的提高而显著降低,光强稳健性差;该研究所提分割方法对阴天、多云和晴天条件下水稻冠层图像的分割误差为7.30%、8.72%和8.98%,分割精确度较高,且具有良好的光强稳健性。因此,该基于支持向量机和最大类间方差法相结合的水稻冠层图像分割方法具有较高的分割精度和光强稳健性,可为田间多变光照条件下水稻冠层图像精准分割提供技术参考。     

基于改进C-V模型的棉花叶片目标提取方法

为解决自然条件下棉花叶片因其轮廓几何边缘长势不均匀所导致的叶片目标提取不精准问题,提出一种基于改进C-V模型的棉花病害叶部目标提取方法。在传统C-V模型的基础上,将长度惩罚项和符号距离函数的约束能量项引入能量模型中,以达到对演化曲线长度变化的约束目的,从而完成对整幅图像目标特征的提取。本研究算法先对待分割的图像设置初始曲线,并利用高斯滤波算子对待分割图像进行平滑滤波处理,然后根据图像全局灰度信息和局部二值匹配信息建立能量方程,根据其离散化形式,对水平集函数进行演化,并从中提取演化曲线,最后根据水平集函数演化过程所满足的终止条件,输出图像分割结果。按照不同天气条件和不同背景采集了1 200幅棉花叶片样本图像,对本研究算法进行测试。试验结果表明:本研究算法对于晴天、阴天和雨天图像中目标(棉花叶片)轮廓提取准确率分别达到82.23%、82.73%和84.60%。分割结果表明,本研究算法能够对3种天气条件(晴天、阴天、雨天)与4种复杂背景(白地膜、黑地膜、秸秆、土壤)特征混合的棉花叶片图像目标特征轮廓实现准确提取。     

基于多颜色空间的麦田监控图像分割技术研究

快速有效地对农作物图像(特别是大田监控图像)进行绿色植被分割,在图像处理技术在农业中的应用中具有重要意义。小麦是我国一个重要的粮食作物,小麦田中植物呈现绿色,与土壤背景颜色有明显的差异,合适的选取颜色空间可进行有效分割,进而计算特定时段麦田的植被覆盖度,长势等信息。本研究首先通过对常见颜色模型各单通道图像进行初步对比分析,选取HSV的H分量、YCb Cr的Cr分量、L*a*b*的a*分量、RGB颜色空间的G与R减运算量,通过2013年11月至2014年3月的大量小麦监控图像,人工选取34幅图像进行植被分割,并从结果数据中统计分析每种彩色分量的分割准确度和标准差。最终得出了在对麦田监控图像进行植被分割中,L*a*b*颜色模型的a*通道具有最准确和最稳定的结果:34幅不同时点的麦田监控图像,图像分割平均准确度近90%,分割准确度标准差在0.08以下。     

基于改进SLIC的光照干扰下茶树冠层图像分割

针对自然环境下获取农作物图像时极易受到光照干扰的问题,提出一种改进的简单线性迭代聚类(SLIC)方法,以[L~*,R,G-S,x,y]作为聚类向量对茶树冠层图像进行超像素分割,提取超像素块的R、G、B、H、S、V、L~*、a~*、b~*、熵、能量、对比度、逆差矩等13个图像特征参数;将超像素块分为正常区域、反光区域、背景3类,分别选择线性、多项式和RBF核函数的SVM进行分类,得到仅包含正常区域的茶树冠层图像,进而提取正常区域的图像特征参数。试验结果表明,在光照变化情况下,改进的SLIC与RBF-SVM结合得到的图像特征最为稳定。     

基于多阈值算法的包装箱内香蕉区域的图像分割方法

采用基于阈值技术的自动分割算法实现香蕉包装箱图像的分割。在手动分割的区域内离散选取香蕉和背景区域的像素点,并分别提取RGB,HSV和CIE L*a*b*3个色彩空间内共计9个颜色特征值,通过统计分析确定使用3个分别来自B,L*和b*分量的阈值进行自动分割算法的设计。采用直观对比的方法进行定性评价,其结果显示,手动和自动分割区域的轮廓基本相似;采用面积比作为指标进行定量评价,其结果显示,该算法对10个测试样本的平均面积比为80%以上。测试结果表明,该自动分割算法对香蕉包装箱图像的总体分割效果良好,可以为香蕉催熟房实时品质监控系统的实现提供关键技术。     

檀香咖啡豹蠹蛾虫害的树干区域分类研究

目的檀香是一种典型的珍贵树种,但不易成活且常遭受病虫害的干扰。本研究针对受咖啡豹蠹蛾危害的檀香,为提高受害檀香树干区域的分类效果,根据不同区域在颜色和纹理方面的特点,提出了一种复杂背景下受咖啡豹蠹蛾危害的檀香树干区域分类方法。方法(1) 本文首先结合高斯高通滤波、Otsu法、2G-R-B因子以及形态学运算,将树干从复杂背景中提取出来,再通过L*a*b*系统中的L*通道和a*通道将树干分割为健康区域、虫害区域和排泄物区域。(2)提出“多纹理”并使用“相对颜色”特征变换方法以提取图像特征。(3)提出BP神经网络和RBF-SVM相结合的方法对区域进行识别。结果(1) 本文提出的图像分割算法有效地将受虫害危害的檀香从背景中提取出来,并成功分割为健康区域、虫害区域和排泄物区域。(2)与传统PCA处理相比,使用“多纹理”和“相对颜色特征”得到的分类精度有所提高。其中,“多纹理”特征通过差异扩大的方法构建出的图像特征,明显增加了类间方差;“相对颜色特征”则减小了光照对样本的影响,从而减小了类内方差。(3)通过将RBF-SVM与BP神经网络方法相结合,对比发现,使用一种方法进行三分类的精度较低,分别为74.44%和81.11%;两次二分类后提高了精度,分别为87.77%和85.56%;而两种方法相结合的方式所得到的分类精度最高,总体可达91.11%。结论本文通过数字图像对受咖啡豹蠹蛾危害的檀香树干区域进行分类,为该虫害的早期识别以及受损率计算提供了方法,可以有效地减小檀香生长所受危害,提高心材质量,也为数字图像技术在林业中的应用提供了参考。      

基于支持向量机的水稻稻瘟病图像分割研究

水稻稻瘟病图像的分割是水稻稻瘟病自动分析与识别的关键环节,其分割效果直接影响后续处理。提出一种基于支持向量机的水稻稻瘟病病害彩色图像分割方法。首先选取叶子正常部分的像素点以及颜色相对复杂的病斑像素点作为负训练样本和正训练样本,提取像素R、G、B彩色分量作为特征向量,对支持向量机进行训练,然后在RGB空间利用训练好的支持向量机对待分割图像的所有像素点进行分类,实现水稻稻瘟病彩色图像的分割。为了获得最佳的分割效果,采用网格搜索法对径向基核函数下的不同核参数分割效果和性能进行比较与分析,确定最佳模型参数。利用此模型进行水稻稻瘟病图像分割实验,获得较好的分割精度,结果优于最大类间方差分割算法。     

基于全卷积网络的葡萄病害叶片分割

[目的]本文旨在解决不同光照和复杂背景下葡萄病害叶片图像的自动分割。[方法]使用了一种全卷积网络(FCN)的葡萄病害叶片图像的自动分割算法。该算法在结构上将传统的卷积神经网络(CNN)后3个全连接层换成3个卷积层。通过多层的卷积,对输入葡萄叶片图像的特征进行提取;通过池化层,对特征信息进行筛选,缩减特征尺寸,以达到减少网络参数的目的。再通过反卷积对特征上采样,从高维、小尺寸特征恢复到图像原始尺寸,对具有原始尺寸的特征进行逐像素分类,确定原图像中每个像素位置的标签是背景还是前景。因只经过上采样处理后的分割图像会较粗糙,故通过跳跃结构将较为粗糙的原图进行局部信息与整体信息的整合,达到对分割结果进行精细化处理的目的。[结果]本算法对葡萄病害叶片有较好的分割效果,单叶片和复杂多叶片图像的马修斯相互系数(MCC)分别为0.821和0.747,MCC平均值较对比算法提高了6.5%。[结论]本算法能够较精确地分割自然条件下成像的葡萄病害叶片图像,为后续在叶片精准分割病害区域和提取病害特征创造了良好的条件。     

Crop segmentation from images by morphology modeling in the CIE L*a*b* color space

Crop segmentation from the images taken in the outdoor fields is a complex task. In this paper, a new morphology modeling method is utilized to establish the crop color model in the CIE L^*a^*b^* (or Lab for simplification) color space and to realize the crop image segmentation. In the supervised learning stage, morphology modeling is applied to deal with the color characteristics of the crop with respect to the pixel lightness component and establish the crop color model. To verify the performance of the proposed method, 56 test images which in size of 601 × 601 and taken from April 27, 2011 to May 21, 2011 are utilized to compare the proposed method with eight other famous approaches. Experiment shows that the segmentation quality of the proposed method is approximately 87.2% for the Automatic Target Recognition Working Group (ATRWG) evaluation method and 96.0% for another evaluation method. Moreover, the segmentation performance for images taken on cloudy, overcast and sunny days is analyzed. Experiment demonstrates that our method is robust to the variation of illumination in the field and performed better than eight other approaches. Furthermore, the impact of different structuring element types to the proposed method is compared. Overall, the proposed crop segmentation method can be used to crop segmentation in the field effectively.     

基于机器视觉的脐橙品质在线分级检测系统

针对脐橙自动分级检测中存在正确识别率偏低、实时性不强的问题,提出一种综合特征提取方法:在对图像颜色模型进行转换后,用H分量图像提取脐橙的大小特征;S分量图像通过背景分割、边缘灰度补偿、整体亮度变换后提取脐橙的果面缺陷特征;采用R、G、R-G3个分量的均值和标准差提取脐橙的颜色特征。以脐橙的大小特征、果面缺陷特征和颜色特征为支持向量机(Support vector machine,SVM)的试验输入向量,进行脐橙分级检测试验,以实现提高脐橙自动分级正确识别率和增强实时。试验结果表明:该SVM分类器对脐橙分级的正确识别率为91.5%,处理时间为160ms,适合于实时环境下的分级检测。     

基于数码图像的甜菜氮素近地遥感监测模型

为定量研究利用数码图像进行甜菜冠层叶片氮含量(Leaf nitrogen content,LNC)时空变化监测的适宜性及准确性,以2014年内蒙古赤峰市松山区太平地镇田间试验为基础,在甜菜各生长阶段采集甜菜冠层数码图像,利用数字图像处理技术对图像进行分割并提取红光值(R)、绿光值(G)和蓝光值(B)。分析R/B、G/B等9个颜色参数与不同生育期冠层LNC的相关性,并研究冠层LNC随施氮量的变化规律,探寻适宜于甜菜氮素营养监测的关键生育时期及最佳颜色参数。分别利用支持向量机(Support vector machine,SVM)和BP人工神经网络(BackPropagation artificial neural network,BP-ANN)建立甜菜冠层LNC预测模型。研究结果表明,BP-ANN预测模型具有较高且较稳定的预测精度,其验证集的决定系数R~2和均方根误差RMSE分别为0.74和2.35,与SVM模型相比,BP-ANN模型的决定系数R~2提高了12.12%,均方根误差RMSE降低了8.09%。     

基于光谱与图像信息的杏鲍菇多糖含量检测

【目的】利用高光谱成像技术实现杏鲍菇Pleurotus eryngii多糖含量的快速无损检测。【方法】利用高光谱图像采集系统获取350～1 021 nm波长范围内的杏鲍菇高光谱图像,同时利用苯酚–硫酸法测定对应样本的多糖含量。通过波段运算和阈值分割构建掩膜图像,使样本与背景相分离。采用主成分分析(PCA)处理原始高光谱图像,获得代表原始图像99%信息的2个主成分图像(PC1、PC2),然后利用连续投影算法(SPA)选出554.4、772.8、811.4、819.1、855.6、986.3和1 019.5 nm 7个特征波长及对应的光谱特征,分别提取7个特征波长图像和2个主成分图像的纹理与颜色特征,最后利用偏最小二乘回归(PLSR)建立杏鲍菇样本基于不同图像特征与多糖含量之间的关系模型。【结果】从校正集决定系数(Rc2)来看,基于特征光谱+特征波长图像特征+主成分图像特征的模型效果最好,Rc2=0.954,RMSEc=0.341;从预测集决定系数Rp2来看,基于特征光谱+特征波长图像特征的模型效果最好,Rp2=0.868,RMSEP=0.539。【结论】该研究结果可为杏鲍菇多糖含量的快速、无损检测提供一定的参考。     

21～42日龄肉鸡能量和蛋白质需要量的研究

以商品代艾维茵肉鸡为供试动物,设置3个日粮代谢能(ME)水平,分别为12.55、12.97和13.38 MJ/kg;4个粗蛋白(CP)水平,分别为18.5%、19.0%、19.5%和20.0%.采用3×4因子设计进行饲养试验, 研究日粮ME和CP水平对22～42日龄肉鸡生产性能、胴体性能以及肉品质的影响.结果表明:(1)日粮ME水平对22～42日龄肉鸡的日均采食量、平均日增体质量、料重比和21日体质量影响极显著(P<0.01);日粮CP水平对22～42日龄肉鸡的日均采食量影响不显著(P>0.05),但对平均日增体质量、42日体质量和料重比影响极显著(P<0.01).日粮ME和CP的互作对22～42日龄肉鸡料重比影响极显著(P<0.01);较高的日粮ME水平和CP水平可获得理想的生产性能;(2)日粮ME水平对22～42日龄肉鸡半净膛率、腿肌率和腹脂率影响极显著(P<0.01),对屠宰率影响显著(P<0.05),对全净膛率和胸肌率影响都不显著(P>0.05);日粮CP水平与22～42日龄肉鸡的胸肌率呈正相关,对其他胴体性能指标影响不显著(P>0.05);(3)随日粮ME水平增加,腿肌的红度(a*)先降低后增加,但对胸肌红度(a*)影响不显著(P>0.05);胸肌和腿肌的黄色度值(b*)都与日粮ME和CP水平呈正相关;日粮ME水平对胸肌的亮度(L*)影响不显著(P>0.05);(4)胸肌的PH值与日粮ME水平呈负相关,腿肌的pH值随日粮CP水平的升高呈先上升后下降趋势;腿肌的持水率与日粮ME水平呈正相关.通过本试验并结合生产实际认为: 22～42日龄肉鸡适宜的ME水平为12.97MJ/kg,CP水平为19.0%～20.0%之间.     

梨不同品种果实冻藏品质性状分析与适宜品种筛选

【目的】选取梨不同品种果实为研究对象,分析不同品种梨果冻藏后品质指标差异,旨在找出影响冻梨品质的关键指标并筛选出适宜冻藏的梨品种。【方法】分别测定59种梨果实冻藏后的13项品质指标(果皮L*、果肉L*、果肉a*、果肉b*、果肉h值、可溶性固形物(SSC)、可滴定酸(TA)含量、SSC/TA值、出汁率、p H、石细胞含量、乙醇含量、汁液流失率),并进行感官评价。对所测的各项指标进行相关性分析,揭示各指标间的关联程度;运用主成分分析确定影响冻梨品质的关键指标;运用模糊综合评判法中隶属函数值的大小进行排名,筛选适宜冻藏的梨品种。【结果】通过相关性分析得出不同梨品种冻藏后各项指标存在差异,其中果皮L*值与汁液流失率呈显著正相关(P0.05),果肉L*值与果肉a*、b*值呈极显著相关(P0.01),果肉h值与果肉a*值呈极显著负相关(P0.01),SSC、TA、SSC/TA值、出汁率、p H、乙醇含量互相呈显著或极显著相关,石细胞含量与出汁率呈极显著负相关(P0.01),在冻梨各项指标中,果肉L*值、TA含量、SSC/TA、石细胞含量、汁液流失率与感官评价呈极显著相关(P0.01)。主成分分析结果表明,前4个因子特征值均大于0.9,累积贡献率达74.257%。第1主成分口味因子,包含了原始信息量的37.272%,其大小主要由SSC含量、TA含量、p H决定;第2主成分褐变因子,包含了原始信息的19.687%,其大小主要由果肉a*值、果肉h值决定;第3主成分粗糙度因子,包含了原始信息的10.074%,其大小主要由石细胞含量决定;第4主成分外观因子,其大小主要由果皮L*值决定。13个品质指标中有7个指标对前4个因子贡献率最大,包含了所有指标的信息,因此筛选SSC、TA含量、p H、果肉a*值、果肉h值、石细胞含量、果皮L*值、汁液流失率作为评价冻梨的关键指标。模糊综合评判结果表明,以‘尖把梨’‘砂糖梨’‘软儿梨’‘八里香’‘晚三吉’‘白八里香’‘红南果’‘热梨’等梨品种冻藏最优(剔除了石细胞含量过高的品种黄金对麻);以‘香黄’‘红麻槎’‘丰水’‘黄花’‘石井早生’‘晚三吉’‘酥木梨’‘早生赤’‘新梨7号’等品种品质较差,其特点是酸度低、糖度低。通过感官评价得出适宜冻藏的梨果应具备高糖高酸、果肉褐变程度低等特点,这与口味因子的特征和优选品种的性状基本一致。【结论】通过对冻梨指标的分析,综合考虑梨果实的价格、市场占有率等因素,以秋子梨系品种更适宜做冻梨(石细胞含量过高、酸度过低的品种除外)。     

基于图像分割的苹果叶片几何参数计算

针对传统方法和叶面积仪法测定作物叶面积、叶长、叶宽等参数费时费力,成本高等问题,提出苹果叶面积、叶长、叶宽和周长的图像测定法。首先采用颜色空间转换法转换RGB(红、绿、蓝)图为HIS(色调、亮度、饱和度)图,并以大津法(Otsu)阈值色调(H)获取二值图像;再根据二值图中苹果叶边缘像素坐标分布特征,计算叶长、叶宽和叶周长,根据苹果叶片像素数计算叶面积;最后对叶长、叶宽和叶面积的计算值与实测值之间进行均方根误差(RMSE)和决定系数(R~2)计算,并以测定硬币周长的方式验证周长算法。结果表明:苹果叶面积、叶长、叶宽的RMSE值分别为0.58cm~2、0.46和0.10cm,R~2值分别为0.99、0.93、0.97,测定的1元、5角、1角硬币的周长分别为7.68、6.42和6.10cm。RMSE取值较小和R~2取值较高表明叶面积、叶长和叶宽算法结果可靠,周长算法验证结果表明周长计算值与实测值之间差异较小。     

小麦TaLox-B等位变异对脂肪氧化酶活性和面粉色泽的影响

【目的】小麦籽粒脂肪氧化酶(Lox)与面粉色泽密切相关,研究TaLox-B位点上的不同等位变异类型对Lox活性和面粉色泽的影响,为面粉色泽的改良和相关的品质育种工作提供参考依据。【方法】选用122份河南小麦品种(系)为试验材料,用紫外分光光度计和色差仪分别测定其Lox活性和面粉色泽,并利用控制脂肪氧化酶活性位于4BS上的TaLox-B1、TaLox-B2和TaLox-B3位点上的功能标记Lox16、Lox18和Lox-B23对参试材料的Lox基因型进行鉴定。【结果】不同品种间Lox活性及其色泽性状差异达到极显著水平。基因型鉴定结果表明,参试材料的TaLox-B1位点存在TaLox-B1a和TaLox-B1b两种等位变异,所占比例分别为63.9%和39.1%,TaLox-B2位点存在TaLox-B2a和TaLox-B2b两种等位变异,所占比例分别为57.4%和42.6%,TaLox-B3位点也存在TaLox-B3a和TaLox-B3b两种等位变异,所占比例分别为41.8%和48.2%。分析其基因型组合发现,参试材料中共有6种基因型组合类型,依次为TaLox-B1a/TaLox-B2a/TaLox-B3a、TaLox-B1a/TaLox-B2a/TaLox-B3b、TaLox-B1a/TaLox-B2b/TaLox-B3b、TaLox-B1b/TaLox-B2a/TaLox-B3a、TaLox-B1b/TaLox-B2a/TaLox-B3b和TaLox-B1b/TaLox-B2b/TaLox-B3b,所占比例分别为41.8%、15.6%、6.6%、28.7%、5.7%和1.6%。分析不同TaLox-B位点基因与Lox活性及红度(a*值)、黄度(b*值)、亮度(L*值)、白度(Wht值)等面粉色泽性状的关系表明,单基因等位变异对Lox活性和面粉色泽的影响不同,3个基因等位变异a*值差异均不显著,对Lox活性的效应,TaLox-B2a高于TaLox-B2b(P0.05),TaLox-B3a高于TaLox-B3b(P0.01),TaLox-B2a基因型的Wht值低于TaLox-B2b基因型(P0.01),TaLox-B3a基因型的Wht值也低于TaLox-B3b基因型(P0.05)。说明TaLox-B2和TaLox-B3对Lox活性和面粉色泽具有重要影响。进一步分析发现,拥有TaLox-B1a/TaLox-B2a/TaLox-B3a基因型组合的小麦品种(系)的Lox活性和b*值最高,a*值和Wht值最低,而TaLox-B1b/TaLox-B2b/TaLox-B3b基因型组合的小麦品种(系)的L*值、a*值和Wht值最高,其Lox活性和b*值最低。【结论】河南小麦中所发现的6种不同Lox基因型组合中,拥有TaLox-B1a/TaLox-B2a/TaLox-B3a基因型组合的小麦品种(系)的Lox活性相对较高,Wht值相对较低(P0.05),而拥有TaLox-B1b/TaLox-B2b/TaLox-B3b基因型组合的小麦品种(系)的Lox活性相对较低,Wht值相对较高(P0.05)。Lox活性的遗传控制在面粉色泽品质改良进程中发挥着关键作用。     

基于迁移学习和卷积神经网络的生菜鲜重估测

为提高设施生产中对各生长阶段生菜鲜重的无损估测精度进而更好地指导生产，提出一种利用生菜冠层图像为输入，基于迁移学习技术和卷积神经网络估测鲜重的方法，对比分析AlexNet、VGG-16、GoogLeNet和ResNet-18模型迁移学习后在生菜鲜重估测任务上的效果；同时，对比不同迁移学习方法对模型性能的影响，通过冻结卷积层和减少全连接层改善模型的参数量和训练速度。结果表明:1)AlexNet和VGG-16两种模型能较好的实现生菜鲜重的估测，AlexNet模型的决定系数R²为0.928 0，标准均方根误差NRMSE为19.08%，VGG-16模型的R²为0.938 0，NRMSE为17.71%，但VGG-16模型存在参数量大训练慢的问题，综合考虑选取AlexNet模型迁移学习后作为生菜鲜重估测模型；2)与全新学习方法相比，在预训练模型基础上对生菜鲜重数据集进行迁移学习，可以明显提升生菜鲜重估测模型的训练速度和准确度；3)冻结卷积层能显著加快模型的训练速度，训练时间可减少18%，减少全连接层在保持精度的前提下能大幅度减少模型的参数量。基于迁移学习的卷积神经网络模型可用于生菜鲜重的快速估测，该方法也可以拓展应用到其他叶类蔬菜的鲜重估测中。