果园有机肥深施机分层变量排肥控制系统设计与试验

果园不同深度的土壤养分不同，果树根系分层吸肥能力不同，有机肥分层变量深施可以解决传统施肥存在的养分分布不均和肥料利用率低等问题。针对有机肥分层变量深施的排肥控制问题，本文设计了排肥控制系统，可以根据用户设置的各层理论排肥量和作业速度，实时计算液压马达的理论转速，并采用PID算法控制比例流量阀开度，调节马达转速驱动螺旋输送器排肥，实现分层变量排肥。将AMESim中建立的液压系统模型与在Matlab/Simulink中建立的控制模型进行联合仿真，整定PID参数。液压马达转速调节性能试验中最大超调量为14r/min，达到稳定转速的时间最大为6s，控制性能较好，表明通过AMESim-Matlab/Simulink联合仿真，能够快速便捷地整定PID参数，结果准确可靠。排肥控制性能试验中排肥量相对误差最大6.20%，变异系数最大8.69%，排肥量准确性和均匀性均达到要求。设计的控制系统具有较好的性能，能为果园有机肥分层变量深施提供技术支撑。     

基于深度学习的小浆果一体化智能采摘与分选研究进展

小浆果因具有较高的营养价值和保健作用深受人们喜爱，被国际市场誉为第3代水果。随着市场需求量的增加，林业小浆果的智能采摘与分选成为一种新的趋势。目前，由于现有技术自动化和智能化程度不高，导致大量人力、物力的投入。深度学习方法的飞速发展促进了检测技术的精确作业和检测精度的提高。文中概述了深度学习的发展进程，通过总结国内外关于深度学习方法在小浆果采摘与分选中的应用，提出深度学习方法在实际应用过程中存在的问题及解决措施，并展望深度学习方法在小浆果智能采摘与分选检测方面的发展趋势。     

Calibration and validation of optical chlorophyll‐measuring devices for use in predicting crude protein concentration in tropical grass herbage

The objective of this experiment was to evaluate the Fieldscout CM 1000 NDVI and Yara N‐Tester as easy‐to‐use and cost‐effective tools for predicting foliar chlorophylls (a, b and total) and crude protein (CP) concentrations in herbage from three tropical grass species. Optical chlorophyll measurements were taken at three stages (4, 8 and 12 weeks) of regrowth maturity in Guinea grass (Panicum maximum) and Mulato II (Brachiaria hybrid) and at 6 and 12 weeks maturity in Paspalum spp (Paspalum atratum). Grass samples were harvested subsequent to optical measurements for laboratory analysis to determine CP and solvent‐extractable chlorophylls (a, b and total) concentrations. Optical chlorophyll measurements and CP concentrations were highly correlated (Yara N‐Tester: r² = 0·77–0·89; Fieldscout CM 1000 NDVI: r² = 0·52–0·84). Crude protein prediction models from the Yara N‐Tester and Fieldscout CM 1000 NDVI accounted for 70–89% and 44–73% CP variability, respectively, in Mulato II and Guinea grass. The Yara N‐tester produced more accurate and reliable CP estimates based on very high concordance correlation coefficient [CCC (0·73–0·91)] and low rMSPE, mean and regression bias. It is concluded that the Yara N‐Tester produces more accurate and reliable CP estimates of tropical pastures.     

煮熟和干燥处理对黄藤笋抗氧化活性的影响

通过测定黄藤熟笋、生笋(鲜切笋)、熟笋干和生笋干的水和4种不同浓度乙醇提取物中的自由基清除能力、总还原能力、总多酚含量和总黄酮含量,研究了煮熟、干燥加工方法对黄藤笋提取物抗氧化活性的影响。结果表明,煮熟处理能保持或提高提取物的抗氧化活性,干燥处理则相反。乙醇提取物比水提取物具有更高的抗氧化活性,以50%~75%的乙醇提取溶剂效果最好。熟笋在所有溶剂中的自由基清除能力、总还原能力、总多酚含量和总黄酮含量均表现出最高水平,表明煮熟是黄藤笋适宜的加工利用方式。     

基于深度学习的大豆生长期叶片缺素症状检测方法

为了检测作物叶片缺素,提出了一种基于神经网络的大豆叶片缺素视觉检测方法。在对大豆缺素叶片进行特征分析后,采用深度学习技术,利用Mask R-CNN模型对固定摄像头采集的叶片图像进行分割,以去除背景特征,并利用VGG16模型进行缺素分类。首先通过摄像头采集水培大豆叶片图像,对大豆叶片图像进行人工标记,建立大豆叶片图像分割任务的训练集和测试集,通过预训练确定模型的初始参数,并使用较低的学习率训练Mask RCNN模型,训练后的模型在测试集上对背景遮挡的大豆单叶片和多叶片分割的马修斯相关系数分别达到了0.847和0.788。通过预训练确定模型的初始参数,使用训练全连接层的方法训练VGG16模型,训练的模型在测试集上的分类准确率为89.42%。通过将特征明显的叶片归类为两类缺氮特征和4类缺磷特征,分析讨论了模型的不足之处。本文算法检测一幅100万像素的图像平均运行时间为0.8 s,且对复杂背景下大豆叶片缺素分类有较好的检测效果,可为农业自动化生产中植株缺素情况估计提供技术支持。     

振捣提浆与侧深施肥技术模式对寒地水稻产量性状及肥水效率的影响

为解决北方寒地传统搅浆平地耕作模式造成稻田泡田灌溉水量大和肥料利用效率低等问题,于2018—2019年以稻田水整地环节振捣提浆机与侧深施肥机为材料,采用2种耕整地模式和2种施肥模式的正交试验设计：搅浆平地耕整地模式(WPF)、振捣提浆耕整地模式(VEP)、基肥撒施模式(CFA)和侧深施肥模式(SDF),分析振捣提浆+侧深施肥技术模式对泡田期灌水量、干物质积累量、产量指标、肥料利用率及经济效益的影响。结果表明：与常规搅浆平地耕整地+基肥撒施(WPF+CFA)相比,搅浆平地耕整地+侧深施肥(WPF+SDF)、振捣提浆耕整地+基肥撒施(VEP+CFA)和振捣提浆耕整地+侧深施肥(VEP+SDF)3种技术模式对水稻泡田灌溉量、产量性状、肥料利用效率和经济效益均产生显著的影响,以VEP+SDF增幅最大,WPF+SDF次之,VEP+CFA最小。与WPF+CFA相比,VEP+SDF模式能显著提高肥水效率,节约泡田灌溉水11.4%,减少肥料施用量10%,产量和经济效益分别提高7.3%和1628.7元/hm²。本研究表明,VEP+SDF模式显著改善肥水利用效率,提高植株产量和经济效益,是北方寒地水稻较为理想的机械化整地施肥技术模式。     

沉淀法制备的紫杉醇白蛋白微粒包封率测定

采用沉淀法制备紫杉醇白蛋白微粒,采用高效液相色谱法(HPLC)测定紫杉醇质量浓度,以二氯甲烷为有机相,采用萃取法分离白蛋白微粒与游离药物,测定其包封率。结果表明:紫杉醇在10~100 mg·L-1范围内线性良好,平均回收率可达到97.6%~101.0%;有机溶剂萃取法测定紫杉醇白蛋白微粒包封率的平均回收率,达94.80%~101.67%。这种方法测定紫杉醇白蛋白微粒回收率准确可靠,适用于沉淀法制备的白蛋白微粒的包封率测定。     

基于机器视觉的奶牛发情行为自动识别方法

及时检测奶牛发情、适时人工授精、减少空怀奶牛，是奶牛养殖场增加产奶量的关键手段。针对基于运动量和体温等体征的接触式奶牛发情识别方法会造成奶牛应激反应且识别准确率不高的问题，提出了一种非接触式奶牛发情行为自动识别方法。该方法首先使用改进的高斯混合模型实现运动奶牛目标检测，然后基于颜色和纹理信息去除干扰背景，再利用AlexNet深度学习网络训练奶牛行为分类网络模型，识别奶牛爬跨行为，最终实现对奶牛发情行为的自动识别。在供试数据集上的试验结果表明，本文方法对奶牛发情的识别准确率为100%，召回率为88.24%。本文方法可应用于奶牛养殖场的日常发情监测中，为生产管理提供辅助决策。     

基于信息抽取的食品安全事件自动问答系统方法研究

针对从海量食品安全事件新闻报道中很难抽取出所需答案的问题，以食品安全事件语料库为研究对象，提出了一种基于信息抽取技术的自动问答系统。首先，利用深度学习模型TextCNN对用户输入的问题进行分类，得到其所属类型。其次，对于输入问题，借助Lucene搜索引擎找到其最佳匹配文档。再次，根据输入问题的类型，从食品安全事件数据库（采用信息抽取技术自动提取的一个结构化数据库）中筛选出该文档所包含的答案候选句集合。最后，利用深度学习模型Bi LSTM及基于答案候选句上下文的特征提取方法构建一个答案抽取模型，该模型能从给定的答案候选句集合中提取出最终答案。为检查基于食品安全事件数据库的答案候选句筛选方式及基于答案候选句上下文的特征提取方式对整个自动问答系统性能的影响，进行了多种比较实验，结果表明含有基于食品安全事件数据库的答案候选句筛选方式和基于答案候选句上下文的特征提取方式的问答系统表现最佳，其回答准确率达到44%。这相比于传统的问答系统，具有明显的优势。     

医学图像精细化分割方法研究

指出了深度学习方法在医学图像分割中取得较大的进展,但医学图像处理的复杂性使得全自动分割方法难以取得较好的分割效果。在卷积网络分割的基础上,结合应用场景使用适当的后处理手段来提升图像的分割效果是一种比较有临床意义的研究方法。主要研究了基于概率图的全连接条件随机场模型和基于用户交互的深度编辑网络,并分析总结了这两种方法的实现原理和各自优势,并对未来的研究工作进行了一些展望。