茉莉花香气成分及其加工应用研究进展

笔者阐述了茉莉花香气成分的释放机理,分析了影响茉莉花香气成分的因素,指出茉莉花香气成分的释放主要是酶促反应的进行,是由花香前体物质在温度、水分、氧气等作用下经生物酶水解释放出来,认为品种、花的开放程度、产地、环境因子、提取方法都对茉莉花香气成分的组成和含量具有不同程度的影响,其中以花的开放程度、环境因子和提取方法最为明显。文章还对茉莉花在食品、茶叶、香烟及其他方面的应用做了概述,最后对茉莉花的理论研究以及开发新产品方面做了展望。     

加工型辣椒新品种‘艳椒426’

加工型辣椒新品种‘艳椒426'是以‘754(2)-1'为母本,‘750-1'为父本配制而成的一代杂种。植株生长势强,平均株高102.0 cm,始花节位15节。果实朝天,单生,小尖椒形,果长6.0 cm,果宽1.0 cm,果肉厚0.1 cm,平均单果质量4.8 g,生物学成熟果红色。皮薄,味辣。中晚熟,平均鲜椒产量为25.5 t·hm~(-2)。对病毒病和疫病具有较强抗性。     

基于特征金字塔注意力与深度卷积网络的多目标生猪检测

在生猪饲养环境中,猪只黏连、杂物遮挡等给生猪个体多目标检测带来很大困难。该研究以猪圈群养生猪为研究对象,以视频帧为数据源,提出一种适用于生猪形体检测的特征金字塔注意力(FeaturePyramidAttention,FPA)与Tiny-YOLO相结合的模型FPA-Tiny-YOLO。该模型将注意力信息融入到特征提取过程,在不大幅增加计算量的前提下即可提升特征提取能力、提高检测精度。对8栏日龄20～105 d的45头生猪视频截取图像进行图像处理,获得标注图片4 102张,构建了4种深度FPA模块分别加入YOLOV3与Tiny-YOLO模型中。试验表明,深度为3的FPA模块(即FPA-3)的Tiny-YOLO模型在测试集上对群养生猪多目标检测的召回率Recall、F1与平均检测精度m AP指标值最佳,分别达到86.09%、91.47%和85.85%,比未引入FPA模块的Tiny-YOLO模型均有不同程度的提高。选用不同的IOU(Intersection Over Union)和score阈值超参数值对模型预测结果均有不同程度影响;将测试集图像按照是否黏连与遮挡划分4种场景来探究该模型的鲁棒性。试验表明,加入FPA-3模块后Tiny-YOLO的Recall、F1与m AP比Tiny-YOLO分别提升6.73、4.34和7.33个百分点,说明特征金字塔注意力信息有利于精确、有效地对不同场景群养生猪进行多目标检测。研究结果可为后续开展生猪身份识别和行为分析移动端应用提供参考。     

基于循环残差注意力的群养生猪实例分割

目的 在群养环境下，实现生猪粘连、杂物遮挡等不同条件下生猪个体的高精度分割。方法 对真实养殖场景下的8栏日龄20~105 d共45头群养生猪进行研究，以移动相机拍摄图像为数据源，并执行改变亮度、加入高斯噪声等数据增强操作获取标注图片3 834张。探究基于2个骨干网络ResNet50、ResNet101与2个任务网络Mask R-CNN、Cascade mask R-CNN交叉结合的多种模型，并将循环残差注意力(RRA)思想引入2个任务网络模型中，在不显著增加计算量的前提下提升模型特征提取能力、提高分割精度。结果 选用Mask R-CNN-ResNet50比Cascade mask R-CNN-ResNet50在AP_0.5、AP_0.75、AP_0.5-0.95和AP_{0.5-0.95-large}指标上分别提升4.3%、3.5%、2.2%和2.2%；加入不同数量的RRA模块以探究其对各个任务模型预测性能影响，试验表明加入2个RRA模块后对各个任务模型的提升效果最为明显。结论 加入2个RRA模块的Mask R-CNN-ResNet50模型可以更精确、有效地对不同场景群养生猪进行分割，为后续生猪身份识别与行为分析提供模型支撑。     

新疆春小麦育成品种遗传演变分析

【目的】研究新疆春小麦育成品种遗传演变规律,提高小麦资源的利用效率,为新疆春小麦品种选育和改良提供参考依据。【方法】以新疆春小麦育成品种为材料,对其主要性状进行综合评价分析,以春小麦90K芯片开展新疆春小麦育成种亲缘关系分析。【结果】新疆春小麦育成种遗传多样性丰富,平均遗传多样性指数2.005,变幅为1.902~2.181。相关性分析结果表明,蛋白质含量、湿面筋含量、穗粒数与育种年代呈极显著正相关。新疆春小麦品种选育主要是通过常规杂交育种、杂交辐射诱变育种、引种3种方式。利用小麦90K芯片将新疆春小麦育成种划分为3个类群,显示了各品种之间的亲缘关系。【结论】新疆春小麦育种遗传基础薄弱、遗传多样性逐渐散失,新疆小麦育种应加强资源收集与利用,扩大育种亲本选择,提高品种变异的丰度和广度,以多抗、高产稳产、优质高效的聚合育种,加快新品种选育进程,提高育种效率。     

基于机器视觉的马铃薯晚疫病快速识别

晚疫病是马铃薯的一种严重病害,可造成减产甚至绝收。因此马铃薯晚疫病的识别与控制对提高其产量有非常重要的意义。该文基于机器视觉技术对马铃薯叶部晚疫病进行检测,根据马铃薯叶片上晚疫病斑的颜色、纹理和形状特征参数的不同,提取叶片表面的特征参数,并建立数学模型对病害程度做出评价。在RGB、HSV颜色空间中,根据马铃薯叶片在患病早期叶片颜色发生变化且与健康叶片不同,利用颜色特征,建立马铃薯晚疫病的无病和患病模型,该模型对马铃薯患病早期的识别率为67.5%。利用灰度共生矩阵,采用纹理统计参数进行病害等级评价,用熵值和能量值描述晚疫病的严重程度,纹理特征对患病程度的识别率比较稳定,对患病中期与后期的识别率分别为72.5%与80%。利用形状特征的相对特征,根据病斑面积比进行晚疫病诊断,该方法对马铃薯叶片晚疫病患病后期的诊断取得较好效果,识别率为90%,但由于叶片患病早期的病斑面积小且分散,识别难度大,识别率仅为50%。针对颜色、纹理及形状特征在识别马铃薯叶片晚疫病时的优势与局限性,提出颜色纹理形状特征结合的识别方法,对患病中期与后期的识别率分别为90%和92.5%。通常马铃薯晚疫病的理化值检测法耗时数天,但利用机器视觉识别马铃薯晚疫病患病情况非常快速,根据颜色特征进行病害识别的时间约为4 s,纹理特征识别的时间为7 s,形状特征特征识别的时间为3 s,综合颜色纹理形状特征的识别由于计算量较大,识别时间为9 s。该研究可为基于机器视觉的马铃薯晚疫病的快速检测提供理论依据。     

无人机机载激光雷达提取果树单木树冠信息

定株管理是未来果园精准生产管理的趋势，果树单木树冠信息的提取是定株管理的关键。该研究利用无人机采集的苹果园激光探测与测量数据（Light Detection and Ranging，LiDAR）检测和测量每棵果树的树冠面积和树冠直径，并评价空间分辨率对于果树单木树冠检测与提取的影响。该方法主要包括使用反距离权重插值法间接生成冠层高度模型（Canopy Height Model，CHM）；使用局部极大值滤波算法和标记控制分水岭分割算法（Marked-Controlled Watered Segmentation，MCWS）对果树进行单木树冠检测与提取，通过与参考数据的比较，评估了该方法的精度，并定量分析了空间分辨率对于单木树冠检测与信息提取结果的敏感性。结果表明，该方法有效地实现果树单木树冠检测与信息提取，代表果树检测精度的F1得分为94.86%，树冠轮廓提取准确率为86.39%，树冠面积的提取数据集和参考数据集的线性拟合结果决定系数和归一化均方根误差分别为0.81和20.56%，树冠直径的提取数据集和参考数据集的线性拟合结果决定系数和归一化均方根误差分别为0.85和14.79%，树冠面积和直径不同程度地被高估。此外，冠层高度模型的空间分辨率接近果树平均树冠直径的1/10时精度最高，可以有效检测果树单木树冠及提取树冠轮廓，从而准确提取果树单木树冠信息。     

加工方式对非发酵面团小麦醇溶蛋白致敏性的影响

该研究探究了热加工(水煮、烘烤、微波、高温高压)、冷处理(液氮、速冻机速冻)和非热加工(超高静压、辐照、脉冲强光、臭氧和超声波)处理对非发酵面团小麦醇溶蛋白致敏性的影响。利用SDS-PAGE和双抗体夹心ELISA法研究各种加工处理后非发酵面团小麦醇溶蛋白的分子量和致敏性变化。结果表明:200和300 MPa的超高静压处理后,非发酵面团小麦醇溶蛋白的致敏性显著增加(P0.05),均增至125%左右;水煮、微波、高温高压、烘烤、液氮、速冻机处理、超高静压250MPa、辐照(7、13kGy)、臭氧熏蒸、脉冲强光和超声波处理均能显著降低非发酵面团小麦醇溶蛋白的致敏性(P0.05),其中以水煮、高温高压、液氮、臭氧和脉冲强光(PL-1)处理的脱敏效果最显著(P0.01),均降至60%左右。由此可知,加工方式能够显著影响非发酵面团小麦醇溶蛋白的致敏性,可作为食品中过敏原安全控制的有效手段,为脱敏食品的生产提供有效参考。进一步研究需要结合其他体内试验的评估,特别是小麦易敏人群的临床试验。     

基于图像处理的疏透度测定及结构关系研究

为快速、准确地测定防风林林带疏透度，建立林带疏透度与林带结构因子间的关系模型，为防风林建设及调整提供合理化意见。使用图像处理技术对获取的防风林林带照片进行自动识别，通过Otsu算法自动将树木实体区域和孔隙区域分割，从而测定林带疏透度。并采用相关性分析和逐步线性回归法建立疏透度与林带结构因子间的关系模型。结果表明，采用Otsu算法测定林带疏透度的方法与图像处理软件(Photoshop)测定结果无明显差异，该方法操作简单、效率高，能够快速、准确测定防风林林带疏透度。防风林疏透度与林带行数、棵数、枝下比例、株行距、密度存在显著性相关关系，构建疏透度与林带行数、密度间的关系模型:β=-0.060 1N-0.065 8ρ+0.810 9(R²=0.961 3,P=0.000 29)。根据建立的防风林林带疏透度与林带结构因子间的关系模型，可对防风林的建设提供科学合理化的指导，使其发挥更好的防护效应。