鲜切马铃薯保藏中微生物的抑制方法

以鲜切大西洋马铃薯为试验材料,研究pH值、苯甲酸钠、二氧化氯和紫外线4种对鲜切马铃薯保藏中微生物的控制效果,试验结果表明,降低pH能使鲜切产品的菌落总数降低,当pH降至4时,菌落总数显著低于对照;0.02 g/kg苯甲酸钠1、0 mg/kg二氧化氯和15 min紫外线处理也能显著控制鲜切产品的菌落数,其中以10 mg/kg二氧化氯和15 min紫外线处理可分别使鲜切马铃薯保存4 d和5 d而不超过该产品的微生物指标。     

辣椒染色体倍性水平的快速检测

为了寻求简便、快速的辣椒染色体倍性鉴定方法,以辣椒纯系B19、B23花药培养产生的单倍体植株(n=x=12)及用其种子长成的二倍体植株为试材,对用气孔保卫细胞叶绿体计数法鉴定其倍数性进行了研究。结果表明,单倍体和二倍体辣椒植株气孔保卫细胞叶绿体数平均值的差异极显著,单倍体的叶绿体数在13以下,二倍体的叶绿体数等于或大于13;气孔叶绿体数目随染色体倍数性的增加而增加,用气孔保卫细胞叶绿体数目预测植株倍性的准确率可达92.68%。表明采用气孔保卫细胞叶绿体计数法可以在苗期快速、准确地确定植株的染色体倍性。     

水稻单株脱粒计数仪的研制

介绍了水稻单株脱粒并实现计数仪器的结构和性能特点,对其脱粒和计数工作原理、过程进行了分析.通过对主要部件工作参数的试验及分析,确定了水稻单株脱粒叶片最佳工作转速,并确定了计数装置电机转速,可使机器对水稻破损率降到最低,且保证了计数的准确率,使仪器性能达到最佳工作状态.     

基于感应计数的甘蔗种切割防伤芽系统的设计与试验

针对目前甘蔗种植机切种伤芽率高的难题,该文设计了一种基于感应计数的甘蔗种切割防伤芽系统。在甘蔗种输送过程中,该系统利用自行设计的电阻式感应计数装置将相对于甘蔗茎秆凸起的甘蔗种芽信号转换为可识别的电信号后,利用单片机对其执行种芽计数操作;根据农艺要求及其计数结果,进而控制甘蔗种切断刀切断甘蔗种。为优化该系统性能,以保证蔗种和种芽的完好性为前提,对系统的切割过程进行受力及防伤芽分析,进而确定感应计数装置与切刀的最佳安装距离,以确保计数达到要求后切刀完全避开种芽,从而实现蔗种切割防伤芽功能。试验表明:该系统对种芽的计数准确率达98.87%,平均伤芽率为1.57%,较无防伤芽系统的2Cz-2甘蔗种植机的伤芽率低6.3%,系统的防伤芽性能显著,满足设计要求。该研究为甘蔗种植机械的设计提供了参考。     

一株解磷青霉菌在土壤中的定殖动态和解磷效果分析

【目的】以解磷菌 Penicillium brocae 为对象,研究其在土壤中的定殖动态和解磷效果,为菌剂的 开发和应用提供参考。【方法】利用携带多种筛选标记的 P. brocae 转化子 Z3 开展土壤培育试验,结合筛选标记, 通过平板计数法统计该菌在土壤中存活数量随时间的变化,同时分析土壤有效磷随时间的变化。【结果】绿色 荧光（gfp）、潮霉素抗性（hph）及 β- 葡萄糖苷酸酶（gus）基因在转化子 Z3 中均可正常表达,且转化子 Z3 和野生型菌株的生长曲线和解磷能力无显著差异。转化子 Z3 以 1×106 CFU/g 接种土壤后,在定殖数量上随时间 呈下降、上升和下降的总体趋势。接种后 3 周,转化子 Z3 的数量达到峰值 4.3×106 CFU/g,后期逐步下降并在 接种后 10 周达到 1.4×103 CFU/g。土壤有效磷含量呈先升后降趋势,接种后 6 周达到峰值 14.7 mg/L,较初始增 加 41.3%。接种 7 周后有效磷含量逐步下降,接种后 10 周降至 12.7 mg/L,较初始值仍高出 22.1%。对转化子 Z3 定殖数量和土壤有效磷数据的分析发现,有效磷含量上升期转化子 Z3 的数量维持在 1×105 CFU/g 左右或以上, 当转化子 Z3 数量下降并低于 1×105 CFU/g 时,土壤有效磷也随之降低。【结论】转化子 Z3 接种到土壤后可存 续 10 周以上,表现出良好的定殖能力,并且能够显著提高有效磷含量。另外,转化子 Z3 的定殖数量对维持解 磷效果具有积极作用。     

基于多尺度感知的高密度猪只计数网络研究

猪只盘点是生猪规模化养殖和管理中的重要环节,人工计数方法费时、费力,在大数据量的猪只盘点中容易出错。本文使用多尺度感知网络对高密度猪群图像中的猪只进行计数。通过对人群计数网络CSRNet的改进,得到猪只计数网络（Pig counting net, PCN）,PCN采用VGG16作为前端网络提取特征,中间层采用空间金字塔（Spatial pyramid）结构对图像中的多尺度信息进行提取与融合,后端网络采用改进的膨胀卷积网络。PCN增加了多尺度感知结构、扩大了后端网络感受野,通过感知多尺度特征得到预测密度图,预测密度图反映了猪只空间分布,通过对密度图积分实现了猪只数量的估计。结果表明,在平均猪只数为 40.71的测试集图像上,PCN的计数准确率优于人群计数网络 MCNN、CSRNet和改进Counting CNN 的猪只计数网络,MAE和RMSE 分别为1.74和 2.28,表现出较高的准确性和鲁棒性;单幅图像平均识别时间为0.108s,满足实时处理要求。     

基于密度估计和VGG-Two的大豆籽粒快速计数方法

为快速准确计数大豆籽粒,提高大豆考种速度和育种水平,本研究提出了一种基于密度估计和VGG-Two（VGG-T）的大豆籽粒计数方法。首先针对大豆籽粒计数领域可用图像数据集缺乏的问题,提出了基于数字图像处理技术的预标注和人工修正标注相结合的快速目标点标注方法,加快建立带标注的公开可用大豆籽粒图像数据集。其次构建了适用于籽粒图像数据集的VGG-T网络计数模型,该模型基于VGG16,结合密度估计方法,实现从单一视角大豆籽粒图像中准确计数籽粒。最后采用自制的大豆籽粒数据集对VGG-T模型进行测试,分别对有无数据增强的计数准确性、不同网络的计数性能以及不同测试集的计数准确性进行了对比试验。试验结果表明,快速目标点标注方法标注37,563个大豆籽粒只需花费197 min,比普通人工标注节约了1592 min,减少约\mathrm{96}\%的人工工作量,大幅降低时间成本和人工成本;采用VGG-T模型计数,其评估指标在原图和补丁（patch）情况下的平均绝对误差分别为\mathrm{0.6}和\mathrm{0.2},均方误差为0.6和0.3,准确性高于传统图像形态学操作以及ResNet18、ResNet18-T和VGG16网络。在包含不同密度大豆籽粒的测试集中,误差波动较小,仍具有优良的计数性能,同时与人工计数和数粒仪相比,计数11,350个大豆籽粒分别节省大约\mathrm{2.493}\text{?}\mathrm{h}和\mathrm{0.203}\text{?}\mathrm{h},实现大豆籽粒的快速计数任务。     

基于圆心定位的籽粒计数方法研究

作物籽粒数常用于评价农作物的产量和品质。为此,利用机器视觉技术,提出了一种基于圆心定位的籽粒计数方法。针对不粘连、简单粘连和复杂粘连3种情况,各拍摄15张大豆照片,利用Mat Lab进行图像预处理、粒径统计、Freeman链码提取、圆心定位、圆心筛选和聚类等处理后,计算大豆的籽粒数。实验表明:不粘连和简单粘连准确率均为100%,复杂粘连的平均准确率为97.8%;此方法对于圆形籽粒的计数具有很好的效果。     

基于RGB图像与深度学习的冬小麦田间长势参数估算系统

为准确、快速获取冬小麦田间长势信息,该研究设计并实现了一种基于深度学习的冬小麦田间长势参数估算系统。该系统主要包含长势参数估算模块和麦穗计数模块。长势参数估算模块基于残差网络ResNet18构建长势参数估算模型,实现了冬小麦苗期叶面积指数（Leaf Area Index,LAI）和地上生物量（Above Ground Biomass,AGB）的估算,并基于迁移学习进行泛化能力测试;麦穗计数模块基于Faster R-CNN并结合非极大值抑制（Non Maximum Suppression,NMS）构建麦穗计数模型,实现了开花期麦穗准确计数。结果表明,针对2017-2018和2018-2019两个生长季数据,基于ResNet18的长势参数估算模型对LAI估算的决定系数分别为0.83和0.80,对AGB估算的决定系数均为0.84,优于基于传统卷积神经网络（Convolutional Neural Networks,CNN）、VGG16和GoogLeNet构建的估算模型,并且泛化能力测试表明该模型对数据的季节性差异鲁棒。基于Faster R-CNN的麦穗计数模型,在利用NMS优化后决定系数从0.66增至0.83,提升了25.8%,NRMSE从0.19降至0.05,下降了73.7%。相较于基于CNN构建的分类计数模型,基于Faster R-CNN+NMS的麦穗计数模型表现更优,决定系数为0.83,提升了33.87%,单个麦穗识别时间为1.009 s,效率提升了20.55%。综上所述,该系统能够满足冬小麦田间长势参数估算需求,为冬小麦田间精细化管理提供支撑。     

基于K-means聚类和椭圆拟合方法的白粉虱计数算法

为了能够对害虫的准确计数,该文以白粉虱为例,提出了一种基于K-means聚类和椭圆拟合方法的白粉虱计数算法。该方法首先利用K-means聚类算法对白粉虱图像进行分割,使白粉虱从背景图像中分离,然后利用基于最小二乘法的椭圆拟合方法对分割结果进行椭圆拟合,统计椭圆的个数,提取椭圆中心点的颜色特征值,将其作为新的分类中心,重新对白粉虱图像进行分割和椭圆个数的统计,最后将算法收敛时的椭圆个数作为当前白粉虱的个数。对辣椒、黄瓜、番茄和茄子4种作物叶片上附着的白粉虱进行了计数试验,该算法在这4种作物上的平均计数错误率依次为2.80%,8.51%,5.00%,1.56%,并且分别比阈值化方法和K-means聚类方法的平均计数错误率降低了11.65%和70.18%。试验结果表明:所提方法能够实现对不同作物上白粉虱的准确计数,且算法具有很好的泛化性。该研究结果可为虫害的检测以及采取正确的防治措施提供重要依据。