基于注意力机制及多尺度特征融合的番茄叶片缺素图像分类方法

针对番茄早期缺素性状不明显及各生长期特征差异较大所导致的特征区域尺寸不一致、难提取、难辩别等问题，提出了一种基于注意力机制及多尺度特征融合卷积神经网络的番茄叶片缺素图像分类方法（Multi-Scale Feature Fusion Convolutional Neural Networks Based On Atte ntion Mechanism，MSFF-AM-CNNs）。首先根据番茄叶片缺素特点提出了多尺度特征融合结构（Multi-Scale Feature Fusion Module，MSFF Module）；其次在DenseNet基础上，结合浅层网络主要提取纹理、细节特征，深层网络主要提取轮廓、形状特征的特点分别提出具有针对性的特征提取方法，通过不同形式引入注意力机制及多尺度特征融合结构，使全局多尺度信息融合多个特征通道、选择性地强调信息特征并达到对特征精准定位的功能；同时引入Focal Loss函数以减少易分类样本的权重。试验结果表明，MSFF-AM-CNNs的平均召回率、平均F1得分、平均准确率较原模型DenseNet-121均大幅提升，其中缺氮和缺钾叶片的准确率分别提高了8.06和6.14个百分点，召回率分别提高了6.31和5.00个百分点，F1得分分别提高了7.25和5.55个百分点，平均识别准确率可达95.92%，具有较高的识别准确率及广泛的适用性，能够满足番茄叶片缺素图像的高精度分类需求，可为植物叶片缺素识别提供参考。     

A behavioural sensor for fish stress

Due to water turbidity, fish stress might be difficult to observe. Evaluation of fish stress by blood sampling requires removing a fish from the water, which is in itself a stressful event. Therefore, we designed and built a sensor to detect fish behaviour that reflects stress. The electronic sensor detected early signs of fish stress by scoring the fish's inactivity. LEDs and detectors are embedded on a steel wand that is held underwater by an operator. In this preliminary (feasibility) study, the new sensor was validated for Tilapia (Cichlidae) and Hybrid Striped Bass (Morone). We induced stressful situations in the fish tanks by manipulating oxygen and temperature levels.ResultsLowering the temperature and oxygen levels both significantly increased the average number of signals identified by the sensor, which indicate stress. The effect of reducing water temperature from 24 °C to 15 °C was three times stronger than was the effect of lowering the oxygen saturation level from 85% to 50%. The difference in the number of signals between the good and stressful conditions was statistically significant, amounting to approximately eight sensor signals, 10.57 compared to 2.49 respectively. Lowering the temperature increased the mean number of signals by 5.85 and 6.06 at 85% and 50% oxygen saturation respectively, whereas lowering oxygen levels increased the mean number of signals by 2.02 and 2.23 at 24 °C and 15 °C, respectively. The results indicate that the stress status of cultured fish can be evaluated using the proposed behavioural sensor. The new sensor may provide an earlier indication of a problem in a fish tank or pond than was heretofore possible. This early warning can enable the fish farmer to take action before many fish are harmed.     

一种新型卷积神经网络植物叶片识别方法

为提高植物叶片识别的准确率及减少计算代价,在Pytorch框架下提出一种融合了深度卷积生成式对抗网络(DCGAN)和迁移学习(TL)的新型卷积神经网络叶片识别方法。首先,对植物叶片图像进行预处理,通过DCGAN对样本数据库扩充;其次,利用迁移学习将Inception v3模型应用于图像数据处理上,以提高植物叶片识别的准确率;最后,通过对比实验对该方法的有效性进行验证。结果表明:该方法可以获得96.57%的植物叶片识别精度,同时参数训练的迭代次数由4000次缩短到560次。     

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。     

斑节对虾Toll9受体基因免疫功能的研究与表达分析

Toll受体蛋白(Toll receptors)是一类重要的模式识别受体,在无脊椎动物先天性免疫系统中发挥重要作用。文章对斑节对虾(Penaeus monodon)新型Toll9受体基因(Pm Toll9)进行了研究:以人源胚胎肾细胞(HEK293T)成功构建体外细胞免疫模型,通过免疫印迹方法证实Pm Toll9重组真核蛋白可在HEK293T中成功表达。双荧光素酶报告系统检测发现在200 ng转染浓度处Pm Toll9对NF-κB报告基因的激活效果显著。q RT-PCR数据证明PmToll9成功激活HEK293T细胞Toll-like receptor(TLR)信号通路,促进通路下游髓样分化因子(My D88)、肿瘤坏死因子(TNF-α)和白介素(IL-10)的上调表达,同时酶联免疫吸附测定结果证明Pm Toll9可促进TNF-α蛋白表达水平显著上调。斑节对虾体内细菌刺激实验结果显示无乳链球菌(Streptococcus agalactiae)可激活Pm Toll9在肝胰腺、肠、淋巴和鳃中的表达,哈维氏弧菌(Vibrio harveyi)可显著抑制Pm Toll9在肝胰腺中的表达。提示无乳链球菌可通过Pm Toll9激活Toll信号通路,引起机体免疫防御反应,而哈维氏弧菌对此过程具有一定的抑制作用。     

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。     

花龄期棉花虫害的电子鼻检测

棉花害虫具有隐蔽性、迁飞性和突发性特点，并且影响因素众多，棉花虫害准确地诊断是农业领域的难点问题。该研究以受到棉铃虫侵害的花铃期棉花为研究对象，采用电子鼻对不同处理的棉花挥发物进行检测。研究表明，主成分分析（Principal Component Analysis, PCA）和聚类分析结果显示健康棉花释放的挥发物具有明显的昼夜节律性，健康棉花与虫害棉花差异性显著。径向基函数神经网络（Radial Basis Function Neural Network, RBFNN）对8个不同时间的4组虫害棉花处理进行分析，测试集判别总的正确率为73.4%，健康棉花对照组测试集判别正确率100%，误判样本出现在3个虫害处理之间。当不考虑时间因素建立虫害棉花统一的预测模型，RBFNN模型对健康棉花对照组的预测正确率均达到了100%，分析结果可以作为花铃期棉花是否遭受棉铃虫侵害的依据，说明电子鼻可以作为棉花虫害发生的有效监测手段，在农作物虫害监测领域具有潜在的应用价值。     

基于机器视觉的马铃薯晚疫病快速识别

晚疫病是马铃薯的一种严重病害,可造成减产甚至绝收。因此马铃薯晚疫病的识别与控制对提高其产量有非常重要的意义。该文基于机器视觉技术对马铃薯叶部晚疫病进行检测,根据马铃薯叶片上晚疫病斑的颜色、纹理和形状特征参数的不同,提取叶片表面的特征参数,并建立数学模型对病害程度做出评价。在RGB、HSV颜色空间中,根据马铃薯叶片在患病早期叶片颜色发生变化且与健康叶片不同,利用颜色特征,建立马铃薯晚疫病的无病和患病模型,该模型对马铃薯患病早期的识别率为67.5%。利用灰度共生矩阵,采用纹理统计参数进行病害等级评价,用熵值和能量值描述晚疫病的严重程度,纹理特征对患病程度的识别率比较稳定,对患病中期与后期的识别率分别为72.5%与80%。利用形状特征的相对特征,根据病斑面积比进行晚疫病诊断,该方法对马铃薯叶片晚疫病患病后期的诊断取得较好效果,识别率为90%,但由于叶片患病早期的病斑面积小且分散,识别难度大,识别率仅为50%。针对颜色、纹理及形状特征在识别马铃薯叶片晚疫病时的优势与局限性,提出颜色纹理形状特征结合的识别方法,对患病中期与后期的识别率分别为90%和92.5%。通常马铃薯晚疫病的理化值检测法耗时数天,但利用机器视觉识别马铃薯晚疫病患病情况非常快速,根据颜色特征进行病害识别的时间约为4 s,纹理特征识别的时间为7 s,形状特征特征识别的时间为3 s,综合颜色纹理形状特征的识别由于计算量较大,识别时间为9 s。该研究可为基于机器视觉的马铃薯晚疫病的快速检测提供理论依据。     

基于显著性增强和迁移学习的鱼类识别研究

针对水下鱼类无法快速准确识别的难点,提出一种具有图像主体自动增强功能的鱼类迁移学习方法。该方法将鱼类RGB图像转换至Lab颜色空间后,利用中央周边算子计算得到整个输入图像的显著性值,进而提供鱼类目标的潜在区域,并结合GrabCut算法获取鱼类分割图像,最终将融合分割图的原始图像送入优化后的残差网络中进行训练。通过对23种鱼类进行识别试验,结果显示,固定ImageNet数据集上ResNet-50预训练模型的conv1层和conv2层参数,微调高层参数的方法能够取得最好的识别效果,且在公开的Fish4Knowledge数据集上,该模型取得了最高的识别准确率,平均识别精度达到99.63%。与其他卷积神经网络方法的对比结果显示,本方法在Fish4Knowledge和Fish30Image数据集上的识别精度和时间性能均具有较大优势,其中识别准确率至少提升4.98%。多个数据集上的试验验证了模型的有效性。     

桉树人工林中433MHz信道LoRa信号的传播特性

LoRa技术是最新出现的一种无线通信技术,具有低功耗、距离远、工作在非授权波段等特点,与ZigBee等现在常用的无线通信技术相比,其在人工林无线传感器网中更具潜力。然而由于LoRa的传输受环境影响较大,目前在人工林中传播特性的研究还处于空白。本研究基于Shadowing信号衰减模型,在广西东门林场中测试了433 MHz信道LoRa信号在两种天线高度下(1.5,2.0 m)和3种不同环境下(开阔环境、3 a林龄桉树人工林,5 a林龄桉树人工林)LoRa信号接收强度(RSSI)随距离变化的情况,每种条件下得到了两组数据。首先利用其中一组数据对模型进行拟合,拟合结果表明,LoRa信号传输遵从Shadowing模型,拟合度在0.886~0.982。然后利用另一组数据对模型的精度进行验证,验证结果表明,模型精度较高,模型的精度介于0.780~0.961。最后分析了桉树人工林中影响LoRa信号传输的主要因素。本研究的方法和获得的信号衰减系数可以为桉树人工林无线传感器网络监测中LoRa节点的组网和部署提供依据和参考。