Traditional fallows in Latin America

Traditional fallow systems of Latin America have not been extensively studied from either a socioeconomic or biophysical viewpoint. Only in the past decade have some of these systems — modified shifting cultivation in the Amazon, the bracatinga (Mimosa scabrella) fallow of southeastern Brazil, the babassu (Attalea spp.) system of the Amazon margins, and short bush fallows mostly for Phaseolus bean (the so-called frijol tapado) — received any attention. Over the past century, traditional cultivators have adopted several legumes such as Mucuna spp., Lathyrus nigrivalis, Canavalia spp., and Senna guatemalensis as green manures or managed fallows in food crop production systems, which have recently been the object of studies by social and biological scientists. Longer, monospecific fallows involving woody legumes have been studied to varying degrees. The legumes include Senna guatemalensis, Mimosa tenuiflora, and Gliricidia sepium. Systems in which crop production is alternated with animal grazing of secondary vegetation include the caatinga of Northeast Brazil, the espinales of Chile, the matorrales of northern Mexico, and the chaco of Argentina, Paraguay, and Bolivia. A classification is proposed depending on the nature of the species (woody or nonwoody) and their composition (mono- or multispecies) and land management (burned or not). Much work is still needed in more complete characterization, determination of economic importance and potential, understanding the relationships among components, studies of nutrient cycling, and verification of the effects of shorter fallow periods of these systems.This revised version was published online in November 2005 with corrections to the Cover Date.     

基于改进ResNet18模型的饲料原料种类识别方法

为了解决饲料生产过程中入仓原料种类采用人工取样感官识别所存在的问题,实现原料种类自动识别,以玉米、麸皮、小麦、豆粕、鱼粉等大宗饲料原料为研究对象,自主设计搭建了多通道入仓原料种类自动识别装置,采集饲料原料图像数据集,并使用数据增强的方法增加样本多样性。基于ResNet18网络模型加入通道注意力机制、增加Dropout函数,并嵌入余弦退火法的Adam优化器,引入迁移学习机制训练模型,构建适用于饲料原料种类识别的CAM-ResNet18网络模型。CAM-ResNet18网络模型的原料种类验证准确率达99.1%,识别时间为2.58ms。与ResNet18、ResNet34、AlexNet、VGG16等网络模型相比,模型验证集准确率分别提升0.6、0.2、3.7、1.1个百分点。针对混淆矩阵结果分析,测试集识别平均准确率达99.4%,具有较高的精确度和召回率。结果表明,构建的CAM-ResNet18网络模型在饲料原料种类识别方面具有较高的识别精度和较快检测速度,自主研发的多通道入仓原料种类自动识别装置具有实际应用价值。     

基于改进SSD卷积神经网络的苹果定位与分级方法

为实现苹果果径与果形快速准确自动化分级,提出了基于改进型SSD卷积神经网络的苹果定位与分级算法。深度图像与两通道图像融合提高苹果分级效率,即对从顶部获取的苹果RGB图像进行通道分离,并提取分离通道中影响苹果识别精度最大的两个通道与基于ZED双目立体相机从苹果顶部获取的苹果部分深度图像进行融合,在融合图像中计算苹果的纵径相关信息,实现了基于顶部融合图像的多个苹果果形分级和信息输出;使用深度可分离卷积模块替换原SSD网络主干特征提取网络中部分标准卷积,实现了网络的轻量化。经过训练的算法在验证集下的识别召回率、精确率、mAP和F1值分别为93.68%、94.89%、98.37%和94.25%。通过对比分析了4种输入层识别精确率的差异,实验结果表明输入层的图像通道组合为DGB时对苹果的识别与分级mAP最高。在使用相同输入层的情况下,比较原SSD、Faster R-CNN与YOLO v5算法在不同果实数目下对苹果的实际识别定位与分级效果,并以mAP为评估值,实验结果表明改进型SSD在密集苹果的mAP与原SSD相当,比Faster R-CNN高1.33个百分点,比YOLO v5高14.23个百分点...     

基于改进YOLO v7的生猪群体体温热红外自动检测方法

针对当前生猪规模化养殖过程中基于热红外技术的生猪体温测量效率低的问题,提出了一种基于改进YOLO v7的生猪群体体温检测方法。改进YOLO v7算法在Head层引入VoV-GSCSP结构,降低网络结构复杂度;使用内容感知特征重组(Content-aware reassembly of features,CARAFE)替换模型原始上采样算子,提高特征图放大后的品质,强化生猪头部区域有效特征;引入感受野增强模块（Receptive field enhancement module,RFE）,增强特征金字塔对生猪头部特征的提取能力。本文改进YOLO v7算法对于生猪头部的检测精确率为87.9%,召回率为92.5%,平均精度均值（Mean average precision,mAP）为94.7%。与原始YOLO v7相比,精确率提高3.6个百分点,召回率提高7.0个百分点,mAP提高3.6个百分点。该方法首先自动检测生猪头部区域,再利用头部最大温度与耳根温度的高相关性,最终自动获取生猪体温。温度提取平均绝对误差仅为0.16℃,检测速度为222f/s,实现了生猪群体体温的实时精准检测。综合上述试验结果表明,该方法能够自动定位生猪群体的头部区域,满足生猪群体体温测定的高效和高精度要求,为群养生猪体温自动检测提供了有效的技术支撑。     

基于智能软开关的农村配电网无功优化

农村配电网建设是农村电气化和电力发展规划的重要组成部分。目前农村配电系统整体电压低,无功补偿不足,损耗大,使得供电质量低。为了优化农村低压配电网,本研究提出了1种电容器组与智能软开关(Soft openpoint,SOP)共存的双层优化模型,上层进行电容器组的选址定容,使得配电网节点电压偏差最小,下层利用上层优化得出的电容器位置与容量,规划出SOP的位置,使得网络有功损耗最小。采用改进狼群算法对所提模型进行求解,并在IEEE33节点系统中进行仿真,验证算法可行性。     

夏大豆优质高产栽培技术

介绍了夏大豆优质高产栽培技术,主要包括种子选择及处理、播种、田间管理、肥水运筹、病虫草害防治等内容,以供种植户参考。     

基于人工神经网络的PV/T热电联供系统性能预测

为研究太阳能PV/T热电联供系统的性能和针对太阳能PV/T系统复杂的能量平衡方程,搭建了太阳能PV/T系统试验台,同时建立了基于改进灰狼优化的BP神经网络(back propagation neural network model based on improved grey wolf algorithm, IGWO-BP)预测模型,在晴朗天气下进行试验,并采用该模型对系统电功率以及蓄热水箱内水温进行预测。结果显示,晴朗日系统的电效率8.7%～12.2%、热效率51.7%;预测结果与BP神经网络预测模型、基于粒子群优化的BP神经网络(back propagation neural network based on particle swarm optimization, PSO-BP)预测模型和卷积神经网络（convolutional neural network, CNN）预测模型预测结果进行比较,结果显示IGWO-BP预测模型电效率预测模型的绝对百分比误差(mean absolute percentage error, MAPE)、决定系数(determination coefficient, R ² )、均方根误差(root mean square error, RMSE)、效率因子(efficient factor, EF)和Pearson相关系数(pearson related coefficient, r )分别为4.5E-05、0.99、0.24、0.99和1.00,在储热罐温度预测中,上述指标分别为8.90E-04、0.98、0.07、0.98、0.99,均优于其他预测模型,IGWO-BP神经网络预测模型具有更好的预测性能。研究结果可为太阳能PV/T热电联供系统性能预测与优化控制提供参考。     

不同环境因子联接方法对崩岗易发性评价的影响

[目的] 研究不同联接方法对崩岗易发性的影响,为区域崩岗的精细化空间预测提供理论依据,进而为合理、经济、高效地做好防灾减灾提供科学支持。[方法] 基于随机森林模型,选择改进频率比(ALSA)与传统频率比(FR)两种不同联接方法,通过地理探测器选取年平均降雨量、年平均降雨侵蚀力、土壤可蚀性、坡长因子、黏粒含量、坡度、砂粒含量、标准化VH通道后向散射系数(表征地表覆被的性质)作为评价指标,以江西省兴国县永丰镇为例开展崩岗易发性评价。[结果] ①ALSA-RF模型较FR-RF模型精度更高,ACC,AUC值分别为83.89%,0.893 0; ②研究区极高、高易发区主要分布于其西南区域,这与实际崩岗分布情况较吻合。[结论] 改进频率比的联接方法较传统频率比方法可以更好地体现区域崩岗的分布规律,可为滑坡研究领域中的类似问题提供借鉴。     

采用改进Mask R-CNN算法定位鲜食葡萄疏花夹持点

为实现鲜食葡萄疏花机械化与自动化,该研究提出了一种鲜食葡萄疏花夹持点定位方法。首先基于ResNeXt骨干网络并融合路径增强,改进Mask R-CNN模型,解决鲜食葡萄花穗、果梗目标较小难以检测的问题;进而针对花穗、果梗生长姿态的复杂性与不确定性,提出一种集合逻辑算法,该算法采用IoU函数剔除重复检测的花穗与果梗,建立花穗、果梗对,并对果梗掩模进行形态学开运算,利用集合关系获取主果梗掩模,确定以主果梗质心附近的中心点为果梗的夹持点。最后,随机选取测试集中的图像进行试验。试验结果表明：果梗夹持点平均定位准确率为83.3%,平均定位时间为0.325 s,夹持点x、y方向定位误差及定位总误差最大值分别为10、12和16像素,能够满足鲜食葡萄疏花的定位精度与速度要求,可为实现鲜食葡萄疏花机械化与自动化提供理论支撑。     

仿真教学在现阶段数控编程课程教学中的优缺点

文章依托仿真教学的方法对当前数控编程的课程教学进行探讨。介绍了现阶段数控编程教学中,如何有效利用仿真教学法的工具(仿真软件)对学生进行数控编程方面的教学,分析了此种方法在实际教学中的应用效果及存在的问题,并提出了相对应的解决方案,和大家共同探讨。