基于作物病害叶片颜色的病斑提取方法

作物病害是影响作物产量和质量的重要因素,如何进行病斑的准确提取是后期病害识别的一个关键步骤。为了提高复杂环境下病斑提取的准确率,提出一种基于叶片颜色的病斑提取方法,利用叶片正常部位和病害部位的颜色信息的不同,进行基于支持向量机的分割处理,从而得到很好的分割效果,然后对得到的图像进行最大类间差法处理,完成病斑的提取。结果表明,该方法具有有效性。     

刈割对天然草地影响的研究进展

刈割是管理天然草地的重要方式,探讨刈割对天然草地的影响,进而采取合理的刈割技术,对于实现天然草地生态安全、畜牧业可持续发展具有重要意义。在综合国内外大量研究成果的基础上,主要综述了刈割对天然草地地上生物量和牧草品质、群落结构、物种多样性和土壤理化性质的影响及其作用机理。同时,根据目前研究中存在的不足,对该领域的研究进行了展望,以期更好地揭示刈割对天然草地的影响,从而为在生产实践中适当利用刈割提高天然草地生态、社会效应提供理论依据和实践指导。     

卷积神经网络在黄瓜叶部病害识别中的应用

针对传统黄瓜病害识别方法中提取到的分类特征容易受病害叶片形态多样性、光照和背景影响的问题,提出了一种基于卷积神经网络的黄瓜病害识别方法,并建立了一个具有6种黄瓜病害的155 000多幅训练叶片图像数据库。根据病害叶片图像的复杂性,利用卷积神经网络从该数据库中自动学习黄瓜病害叶片图像的属性特征,再利用Softmax分类器进行分类。试验结果表明,与基于特征提取的传统病害识别方法相比,该方法的识别性能较高。     

基于改进深度卷积神经网络的苹果病害识别

传统的深度卷积神经网络(DCNNs)使用3个全连接层将经过多次卷积层和池化层后提取到的特征图映射并连接为一个特征向量,然后利用Softmax分类器进行分类。该模型容易出现过拟合问题,而且由于在全连接层中参数太多,导致训练时间增加和泛化能力下降。针对传统的DCNNs模型在图像识别中出现的问题,提出一种改进的DCNNs模型,并应用于苹果叶部病害识别中。相比传统的DCNNs算法,改进的DCNNs利用一个全局平均池化层替代全连接层,并利用改进的Softmax分类器进行病害类别识别。在苹果病害叶片图像数据库上的实验结果表明,该模型能够克服过拟合问题,提高病害的识别率,大幅度降低模型的训练和识别时间。     

基于CiteSpace的我国草原生态保护补偿研究热点及演化趋势分析

[目的]全面了解我国草原生态保护补偿相关研究的发展现状及演变趋势。[方法]以中国知网数据库（CNKI）为数据来源,以“草原生态保护补助奖励政策”“草原生态补奖”“草原生态补偿”“草原补偿”为主题进行检索,时间跨度限定于2000—2022年,检索范围选取北大核心期刊、CSSCI期刊论文。采用CiteSpace(6.2.R4)软件对筛选到的301篇该领域文献的发文年度、来源期刊、作者分析、研究热点进行研究。[结果](1)从研究现状来看,草原生态保护补偿方面的相关文献发表从2007年开始,整体呈现波动式上升趋势;《干旱区资源与环境》《中国草地学报》《黑龙江畜牧兽医》是发文量前三的期刊;靳乐山、周升强、巩芳3位作者发表文献数量较多,均为11篇;不同作者之间的合作关系主要表现为以单位为团体的合作模式;不同机构之间合作关系具有明显的地域性,跨区域不同机构之间连线较少,合作关系较弱。(2)从研究热点来看,关键词主要分为三类,第一类是政策的补奖标准和补偿对象,对应的关键词有“补偿机制”“奖励机制”“农牧民”“牧户”等;第二类是政策评价指标体系设计,目前研究者构建评价体系主要从生态效益、经济效益、社会效...     

赤峰市牧草产业发展特点、存在的问题及发展对策

赤峰市是畜牧业生产大市,牧草产业经过几年的快速发展,在发展规模与产业化水平上均走在了内蒙古自治区乃至全国前列,成为我国牧草尤其是紫花苜蓿优势主产区之一。笔者对赤峰市牧草产业发展特点进行梳理,深入分析产业存在的问题,并提出相应的建议,探讨赤峰市牧草产业健康、可持续发展的对策。     

13个燕麦品种在科尔沁沙地的生产性能评价

为了丰富科尔沁沙地节水灌溉紫花苜蓿轮作倒茬燕麦品种资源,试验引进国内外13个燕麦品种,采用随机区组设计,对参试燕麦品种的生育期、株高、分蘖数、生长速度、鲜草产量、干草产量、营养成分及相对饲草品质(RFQ)进行了测定和比较。结果表明:参试品种中坝燕4号、丹麦444、花燕麦、林纳、梦龙和边锋6个品种能够达到完熟期,其他7个品种均未能达到完熟;林纳、梦龙、丹麦444和边锋具有生长速度快、分蘖多、干草产量高、干草品质好等特性,可作为适宜科尔沁沙地优良饲用燕麦品种进行推广种植。     

基于YOLOV3优化模型的复杂场景下茶树嫩芽识别

茶叶智能采摘的关键技术之一是待采摘嫩芽的识别,而嫩芽大小、环境光照、拍摄角度等因素都会给嫩芽的精准识别带来困难。针对复杂场景下传统茶树嫩芽识别方法准确率低的问题,文章提出一种基于YOLOV3深度卷积模型的识别方法,并通过增加SPP模块优化模型,提高模型对茶树嫩芽的识别能力。实验结果表明,YOLOV3模型和YOLOV3优化模型均能在复杂场景下实现茶树嫩芽识别,且YOLOV3优化模型的平均精度均值mAP比YOLOV3模型提高3.5百分点,达到91%,说明YOLOV3优化模型能够更好地应用于自然场景下的茶树嫩芽识别。