基于U-Net模型的含杂水稻籽粒图像分割

含杂率是水稻联合收获机的重要收获性能指标之一,作业过程中收获籽粒掺杂的杂质包含作物的枝梗和茎秆等,为了探索籽粒含杂率和机器作业参数之间的关联,需要实时获取籽粒含杂率数据。该文基于机器视觉的U-Net模型对联合收获机水稻收获籽粒图像进行分割,针对传统分割算法中存在运算量大、耗时多、图像过分割严重和分割参数依赖人为经验难以应对各种复杂谷物图像等问题,采用深度学习模型多次训练学习各分割类别的像素级图像特征,提出基于U-Net深度学习模型的收获水稻籽粒图像中谷物、枝梗和茎秆的分割方法,采用改进的U-Net网络增加网络深度并加入Batch Normalization层,在小数据集上获得更丰富的语义信息,解决图像训练数据匮乏和训练过拟合问题。选取田间试验采集的50张收获水稻籽粒图像,采用Labelme方式进行标注和增强数据,裁剪1 000张256像素×256像素小样本,其中700张作为训练集,300张作为验证集,建立基于改进U-Net网络的收获水稻籽粒图像分割模型。采用综合评价指标衡量模型的分割准确度,对随机选取的60张8位RGB图像进行验证。试验结果证明,水稻籽粒的分割综合评价指标值为99.42%,枝梗的分割综合评价指标值为88.56%,茎秆的分割综合评价指标值为86.84%。本文提出的基于U-Net模型的收获水稻籽粒图像分割算法能够有效分割水稻籽粒图像中出现的谷物、枝梗和茎秆,时性更强、准确度更高,可为后续收获水稻籽粒图像的进一步识别处理提供技术支撑,为水稻联合收获机含杂率实时监测系统设计提供算法参考。     

木材加工自动化设备的进出口贸易策略分析

介绍了我国木材加工自动化设备进出口贸易概况,从国际贸易壁垒、单边主义以及贸易保护主义等方面,详细分析了木材加工自动化设备进出口贸易存在问题,在此基础上,提出一系列促进木材加工自动化设备的进出口发展策略。     

稻壳-鸡粪好氧高温堆肥体系中磷石膏消纳能力的研究

为探究堆肥体系中磷石膏的消纳能力,增加磷石膏资源化利用强度,该研究以稻壳作为主要原料,以鸡粪为辅料,添加基于堆肥有机物料(干质量)的0、10%、20%、30%和40%磷石膏(CK、P10、P20、P30和P40)作为堆肥调理剂,研究其对高温堆肥过程中堆肥的物理、化学、生物指标以及堆肥腐熟后堆料品质性状的影响,从肥料化的角度,探究稻壳-鸡粪堆肥体系中磷石膏的消纳能力。结果表明,相比于CK而言,磷石膏添加量在10%~30%明显促进了堆料温度的快速上升和高温时间,增加堆肥的发酵强度。当磷石膏的添加量超过20%以后,随着磷石膏添加量的增加,堆肥持续高温期的时间有明显减少。添加40%磷石膏处理稀释效应太明显,堆肥结束以后,堆肥的总有机碳的绝对含量较低,导致堆肥产物的有机质含量(34.3%)不达标。添加磷石膏可以提高堆体的种子发芽指数,到堆肥结束时,CK、P10、P20、P30和P40的种子发芽指数分别为65.43%、86.54%、97.52%、81.35%和71.40%。但P40处理到堆肥结束时,水溶性铵态氮含量还高达528.2 mg/kg。与CK处理相比,P10、P20和P30处理的养分含量增加显著,且均符合NY525-2012标准要求。各处理重金属含量均未超过NY525-2012标准的要求,但磷石膏的添加仍有增加堆肥重金属的风险。综合添加磷石膏对堆肥腐熟度的影响和堆肥品质的影响来看,在稻壳为主要原料的堆肥体系中,添加有机物料干质量的30%的磷石膏,是本堆肥体系磷石膏最大的消纳量。     

不同品种山药加工脆片适宜性评价

以13个山药品种为研究对象,测定其水分、淀粉和还原糖含量以及13个山药品种制得的干片及脆片的剪切力、色差等品质指标,以确定最适宜脆片加工的山药品种。结果表明,山药原料含水量和还原糖含量对脆片品质影响显著;筛选出适合用于脆片加工的山药品种有GZGY008和平坝双胞山药,这两种山药的含水量分别为84.59%和84.06%,还原糖含量分别为0.82%和0.84%,所得脆片色泽好,风味佳,口感酥脆,可为企业实际生产提供参考。     

以两个底线为依据的课程标准制定与实施

食品加工技术专业通过制定以两个底线为依据的课程标准，并对课程标准的措施进行探索与应用，寻求出适合职业院校人才培养的教育模式。     

基于图像处理技术的5种红树林叶片形态特征及叶绿素相对含量的估测

为研究基于计算机视觉的图像处理技术获得的红树林叶片形态特征和叶绿素相对含量,以5种红树林为研究对象,分析其叶片形态特征及建立叶片颜色参数和叶绿素相对含量的回归模型,为苗木培育及营养诊断提供理论依据。结果表明：基于图像处理技术获得红树林叶片形态特征值是可信的,5种红树林叶片形态特征（叶面积、叶长、叶宽、叶周长、叶片形态因子）存在显著差异。红海榄和木榄单片叶片最大,其次是秋茄和桐花树,白骨壤叶片最小,白骨壤叶片形态接近椭圆形,红海榄和秋茄2种红树叶片属于长条型,木榄和桐花树叶片形态类似,红海榄叶长和叶宽相关性最强。5种不同种类红树林的SPAD值和Dualex值差异性显著。利用数码相机获取5种红树林叶片彩色图像,通过图像处理软件提取RGB以及通过差值、比值、标准化值、归一化值等运算组合的28种颜色特征值,与叶绿素相对含量（SPAD值、Dualex 值）进行回归分析,B值与SPAD值极显著相关,(R+B+G)/3、R/B、G/B与SPAD值显著相关;18种颜色特征参数与Dualex值显著相关,其中相关系数最大的为G-B和G值。因此,可依据颜色特征参数（R、G、B）建立相应的统计模型进行红树林叶片叶绿素含量的估测,进而为检测红树林生长、诊断营养状况以及进行水肥精确管理提供理论依据和技术支持。     

基于高光谱的油茶籽含水量检测方法

为了快速精准检测油茶籽含水量,解决传统烘干检测法费时费力等问题,提出一种基于高光谱技术的油茶籽含水量无损检测方法。以油茶籽为研究对象,测定油茶籽含水量,建立光谱模型,对油茶籽光谱分别进行Savitzky-Golay(S-G)卷积平滑、一阶微分、二阶微分和多元散射校正(MSC)预处理,通过逐步回归提取有效敏感波长,并采用偏最小二乘回归(PLSR)、BP神经网络和径向基(RBF)神经网络方法分别建立预测模型,对模型进行外部验证,选出最优预测模型。研究表明:相关系数较高的光谱敏感波段为410~450、600~620、780~880、940~971 nm。基于MSC预处理光谱建立的PLSR模型,在校正集上的相关系数为0.953 4、均方根误差为0.22%,在验证集上的相关系数为0.939 9、均方根误差为0.27%,优于BP神经网络模型和RBF神经网络模型。结果说明,采用高光谱技术检测油茶籽含水量是可行的,研究内容可为油茶籽含水量的在线无损检测提供有效依据。     

烟薯25号气泡红薯加工工艺研究*

以烟薯25号为原料,研究并优化气泡红薯加工过程中食盐腌制时间、红薯切片厚度、烘烤温度以及烘烤时间对产品的影响。结合正交试验确定气泡红薯加工的最佳工艺为：烟薯25号去皮洗净后厚切1.5 cm,食盐腌制25 min,洗净晾干后,烤箱230℃烘烤20 min,此工艺制备的气泡红薯产品气味香,色泽呈浅金黄色,内部膨胀呈空心状,外部有薯片状的酥脆感。     

Time Costs to Digitize Print Agricultural Serial Publications

Time studies were conducted on the various steps in the digitization, quality control and ingestion into a DSpace institutional repository of Texas Agricultural Experiment Station Bulletins. The average time to scan each page was 0.92 minutes. The time to create Dublin Core metadata, assign NALT subject terms, and do item quality control of images was 20.48 minutes per item. PDF file creation was 16.4 minutes per item on average. The time to create a DSpace batch load for automated ingestion was 1.34 minutes. The time to do quality control checking on ingested items and publish the items was 2.03 minutes     

Development of an automatic monitoring system for rice light-trap pests based on machine vision

Monitoring pest populations in paddy fields is important to effectively implement integrated pest management. Light traps are widely used to monitor field pests all over the world. Most conventional light traps still involve manual identification of target pests from lots of trapped insects, which is time-consuming, labor-intensive and error-prone, especially in pest peak periods. In this paper, we developed an automatic monitoring system for rice light-trap pests based on machine vision. This system is composed of an intelligent light trap, a computer or mobile phone client platform and a cloud server. The light trap firstly traps, kills and disperses insects, then collects images of trapped insects and sends each image to the cloud server. Five target pests in images are automatically identified and counted by pest identification models loaded in the server. To avoid light-trap insects piling up, a vibration plate and a moving rotation conveyor belt are adopted to disperse these trapped insects. There was a close correlation(r=0.92) between our automatic and manual identification methods based on the daily pest number of one-year images from one light trap. Field experiments demonstrated the effectiveness and accuracy of our automatic light trap monitoring system.