基于YOLO v3与图结构模型的群养猪只头尾辨别方法

在利用视频监控技术对群养猪只进行自动行为监测时,对猪只准确定位并辨别其头尾位置对提高监测水平至关重要,基于此提出一种基于YOLO v3(You only look once v3)模型与图结构模型(Pictorial structure models)的猪只头尾辨别方法。首先,利用基于深度卷积神经网络的YOLO v3目标检测模型,训练猪只整体及其头部和尾部3类目标的检测器,从而在输入图像中获得猪只整体及头尾部所有的检测结果;然后,引入图结构模型,描述猪只的头尾结构特征,对每个猪只整体检测矩形框内的头尾部位组合计算匹配得分,选择最优的部位组合方式;对部分部位漏检的情况,采取阈值分割与前景椭圆拟合的方法,根据椭圆长轴推理出缺失部位。在实际猪场环境下,通过俯拍获得猪舍监控视频,建立了图像数据集,并进行了检测实验。实验结果表明,与直接利用YOLO v3模型相比,本文方法对头尾定位的精确率和召回率均有一定提高。本文方法对猪只头尾辨别精确率达到96.22%,与其他方法相比具有明显优势。     

黄腐酸联合黄连解毒散对肉鸡肠道功能影响的研究

试验以黄腐酸和黄连解毒散为材料,将150只肉鸡随机分成空白组、抗生素组、黄腐酸组、黄连解毒散组、混合组Ⅰ、混合组Ⅱ及混合组Ⅲ,通过考察鸡肠道结构(肠绒毛高度、隐窝深度)、菌群(双歧杆菌、乳酸杆菌、大肠杆菌)数、消化酶(蛋白酶、脂肪酶、淀粉酶)活力,以及肠道pH值等指标,探讨黄腐酸联合黄连解毒散对肠道功能影响。结果显示,与空白组相比,42 d混合组Ⅱ可使肠道乳酸杆菌数量、淀粉酶活力分别提高了6.83%(P<0.05)、15.23%(P<0.05);混合组Ⅰ与空白组相比,肠道蛋白酶活力、隐窝深度分别提高了77.94%(P<0.01)、15.84%(P<0.01),与抗生素组相比,肠绒毛高度增加了32.74%(P<0.01);混合组Ⅱ与混合组Ⅲ相比,V/C值升高33.06%(P<0.01)。结果表明,肉鸡日粮中添加适量的黄腐酸和黄连解毒散能显著提高肉鸡消化酶活力,改善肉鸡肠黏膜结构及菌群组成,从而提高肉鸡的生长性能。     

基于卷积神经网络的水稻钵体软盘穴播量检测

为避免水稻钵体软盘穴播量检测过程中的秧盘背景分割和稻种特征的手工设计及提取,本文提出了一种基于卷积神经网络的水稻钵体软盘穴播量检测方法,该方法可自动学习和提取不同穴播量的水稻种子特征,实现常规稻、杂交稻和超级杂交稻钵体软盘穴播量为0、1、2、3、4、5、6及7粒以上共8种播量的自动检测。本文在每层卷积单元网络结构参数保持固定的前提下,选取2～4层共3种不同卷积单元数量的网络结构对RiceCountCNN模型性能进行试验,试验结果表明随着模型深度加深,模型检测精度逐渐提高。本文在3层RiceCountCNN模型网络框架下,按卷积核的大小递减和数量递增原则选择得出不同的卷积核网络参数组合方式,最终优化得出网络结构为9C16-AP2-7C32-AP2-5C64的模型性能最佳,平均正确率达到98.76%。为测试RiceCountCNN模型的性能,每个水稻品种选取1幅19穴×14穴的图像作为测试集对模型进行测试,试验结果得出模型针对常规稻、杂交稻和超级杂交稻的检测正确率分别达到97.37%、98.12%和90.98%,每幅图像的检测时间小于2.33 s。研究结果满足精密育秧播种实际工况检测要求,该研究为实现水稻精密衡量播种作业提供参考。     

基于深度学习的高鲁棒性恶意软件识别研究

提出了一种基于深度学习的高鲁棒性恶意软件识别算法,该算法利用软件的操作码序列来检测恶意软件。首先采用类信息增益进行特征选择,然后提出了基于启发式规则的图生成算法,并将图转换为矢量空间,最后应用基于堆叠自编码器的深度学习框架对恶意和正常软件进行分类。实验评估结果说明了与现有的算法相比,恶意软件识别算法具有较高的鲁棒性。     

福建北部山区中稻浸种催芽技术

介绍了闽北山区水稻生产的现状,种子发芽基本条件,中稻浸种催芽技术及种子催芽过程中常见问题及解决办法。     

开沟起垄措施对植烟土壤和烟叶产值的影响

为探明烟稻轮作制度下,烟田起垄开沟对植烟土壤化学性质及烟株生长、产质量等影响,以稻茬烟田为试验平台,设置2个开沟深度[A1：浅沟（垄间开沟15cm）;A2：深沟（垄间开沟25cm）]和2个起垄时间[B1：移栽前10d起垄（常规起垄）;B2：翻耕后起垄],于2018年取样,系统分析不同处理对土壤pH、主要养分含量和烟株农艺性状、干物质积累及经济性状的影响。研究结果表明,烟株各个主要生育时期深沟+翻耕后起垄处理（A2B2）的有效叶片数、烟叶最大叶长、叶宽和株高均优于其他处理;且该处理能有效改善土壤速效养分含量,土壤pH处于优质烤烟生产要求范围;同时烟株物质生产能力强,干物质积累多,在各器官间分配合理;烤烟经济性状也表现为该处理的烟叶产量、产值及上等烟比例较高,表现较优。总之,翻耕后起垄+深开沟处理（A2B2）有利于烟株生长,提高烟株的品质,为烟叶优质适产奠定了生物学基础。     

基于非接触式的牛只身份识别研究进展与展望

快速精准确定牛个体身份对疾病防控、品种遗传改良、奶制品和肉制品质量溯源以及改善农业假保险索赔等方面具有重要意义。传统的牛个体识别使用诸如烙印、耳纹、耳标和无线射频识别等方法，易遭受设备损失/工作重复、标记欺诈、动物福利安全以及监测成本和距离等方面的挑战；而基于生物特征的非接触识别由于其独特性、不变性、低成本易操作以及动物福利高，成为牛身份识别的新趋势。主要介绍了几种基于非接触式的牛身份识别的研究进展，重点关注牛脸识别的最新成果，讨论当前牛脸识别在实际应用中面临的挑战，在此基础上对深度学习在牛脸身份识别研究中的应用进行了设计构思与展望。     

秸秆还田深度对土壤温室气体排放及玉米产量的影响

【目的】秸秆还田是培肥地力、增加土壤有机质和改善土壤结构的重要技术手段,但以往的研究表明秸秆还田会加速土壤温室气体的排放。本研究通过对秸秆不同还田深度下农田土壤温室气体排放特征和产量的研究,明确降低温室气体排放量的最佳还田深度,以期为合理利用秸秆、提高作物产量,实现农业可持续发展提供科学依据。【方法】采用大田微区试验,以玉米为供试作物,设置4个还田深度,采用静态箱-气相色谱法测定整个玉米生长季不同还田深度下温室气体（CO₂、CH₄、N₂O）的排放特征,产量及产量构成因素。试验共设5个处理,还田深度分别为0—10 cm（T1）、10—20 cm（T2）、20—30 cm（T3）和30—40 cm（T4）,同时以不还田处理作为对照（CK）。【结果】（1）在整个玉米生长季CO₂和N₂O均表现为排放,CH₄表现为吸收。CO₂累积排放量为T3处理最高,较CK显著增加了28.6%,T4处理增加最少,较CK显著增加了17.1%（P<0.05）,但T1与T4处理之间差异不显著;而N₂O的累积排放量T2处理为最高,与CK相比,累积排放量显著增加111.3%,T4处理增加最少,与CK相比显著增加了12.8%（P<0.05）;CH₄则表现为吸收,且秸秆还田后降低了农田土壤对CH₄的吸收能力,吸收量表现为CK处理>T4处理>T3处理>T1处理>T2处理,且各还田处理与CK之间差异显著（P<0.05）。（2）秸秆不同还田深度下,与对照相比,各处理玉米产量均显著增加,增产在5.6%—20.8%（P<0.05）,但各处理之间的穗长、穗粗和行粒数差异不显著。当秸秆还至30—40 cm时,产量最高,较CK增加了20.8%,表明秸秆还田对提升土壤肥力及作物增产有重要作用。（3）从温室气体综合增温潜势（GWP）和温室气体排放强度（GHGI）来看,在100年尺度上,GWP表现为T2处理>T3处理>T1处理>T4处理>CK处理,而GHGI表现为T2处理>T3处理>T1处理>CK处理>T4处理,表明与CK相比,各处理均增加了玉米季温室气体的综合增温潜势,而T4处理则降低了玉米季温室气体排放强度,说明秸秆深还至30—40 cm可在一定程度上缓解全球增温潜势。【结论】秸秆还田会显著增加CO₂和N₂O排放,降低对CH₄的吸收能力;秸秆深还至30—40 cm可相对降低综合增温潜势,降低温室气体排放强度,同时显著增加玉米产量。因此,为实现较高的玉米产量和较低的温室气体排放强度,秸秆深还至30—40 cm是较为合理的土壤改良培肥方式。     

一种改进深度卷积神经网络的海岛识别方法

受不规律潮汐的影响,现有的海岛地物类别自动识别方法存在精度低和时效性差等问题,通过改进深度卷积神经网络提出了一种基于遥感影像的海岛快速识别方法:(1)在深度卷积神经网络的卷积层中增设1×1的卷积核作为瓶颈单元,对多波段的遥感影像进行降维;(2)在池化层引入了重采样方法,基于灰度值对海量的遥感影像进行特征压缩。以300景Landsat-8遥感影像为源数据,分别采用CNN、RCNN和本文改进的深度卷积神经网络对遥感影像中的海岛进行识别,实验结果表明:(1)改进的深度卷积神经网络降低了海岛识别的计算耗时,其计算耗时仅为CNN的4.56%和RCNN的5.60%;(2)改进的深度卷积神经网络较CNN和RCNN提高了海岛识别的精度,识别精度分别为96.0%、93.3%和95.0%。结果说明,改进的深度卷积神经网络适用于面向遥感影像的海岛自动识别。