面向养殖水体分布差异的COD光谱法检测研究

面向养殖水体，传统光谱法对化学需氧量（Chemical Oxygen Demand，COD）检测模型构建的基础：源域（现有样本库）与目标域（检测地水体）间光谱数据独立同分布。但是当源域与目标域分布间存在差异时，由源域得到的低误差模型常在目标域上表现下滑。针对该问题，提出面向UV Vis光谱的域对抗训练网络（DAUVwpNet），将分布不同的源域和目标域数据映射至相同分布的特征空间中，使其在该空间的分布距离尽可能接近，从而在特征空间中对源域训练的目标函数也可以迁移至目标域上，以降低模型在目标域的误差。试验表明：面向同一批测试数据，DAUVwpNet的预测误差为0.78，要低于传统模型的预测误差（0.85）；DAUVwpNet预测值与实测值间相关系数为0.95，要高于传统模型的相关系数（0.89）。表明了该网络能够较好对齐两域特征空间数据分布，降低因分布差异带来的COD检测误差。     

深度贫困地区精神扶贫路径

脱贫不是最终目标,巩固现有脱贫成果时刻不能大意。近年来,“输血”扶贫使部分贫困户等靠要思想严重,以精神扶贫为重心的“造血”扶贫刻不容缓。本文梳理现有脱贫成果,引出“输血”扶贫的短期效果和“造血”扶贫的长远效应,建议从教育扶贫、文化扶贫等方面加强精神扶贫对脱贫的贡献。     

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。     

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。     

基质深度及基质袋摆放方式对春季袋培番茄产量、品质和养分吸收的影响

为探究不同栽培深度基质和基质袋摆放对春季袋培番茄产量、品质、养分吸收和基质养分利用率的影响,以‘巴宝丽’番茄为试材,设置不同基质深度(7.5、10.5和13.5cm)及基质袋不同摆放方式(地面摆放和地面下沉20cm),共6个处理,测定了番茄的生长发育、产量、品质和养分吸收等指标。结果表明:栽培基质深度对产量、果实品质均有显著影响;基质袋摆放方式对产量影响不显著,但显著影响果实可溶性蛋白、番茄红素、硝酸盐和有机酸含量;基质深度和基质袋摆放方式对果实硝酸盐含量的影响有显著的交互作用。随着栽培基质深度的增加,产量显著提高,品质明显改善;基质深度13.5cm时,番茄单株产量最高,达3.83kg/株。基质袋摆放方式和基质深度对番茄开花期、初果期及盛果期P和K的累积吸收影响显著,基质深度对番茄开花期、初果期和盛果期N的吸收也有显著影响,基质深度和基质袋摆放方式对开花期和初果期番茄植株N、P和K的累积吸收存在显著的交互作用。基质内N、P和K养分利用率均是基质深度为13.5cm的处理最高,且不同基质袋摆放方式对基质养分利用率无显著影响。综上,为实现省工省力且高产优质载培,在实际生产中推荐将春季栽培番茄的基质深度设置为13.5cm(即基质供应量为9L/株)且地面摆放。     

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。     

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。     

基于快速卷积神经网络的果园果实检测试验研究

近年来,基于数字图像处理和机器学习算法的果实自动识别检测研究已经越来越成熟。针对传统检测方法检测过程中难以满足实时性要求的缺点,采用了基于Faster-RCNN的果实快速检测模型。模型由卷积神经网络(CNN)和区域提议网络(RPN)组成,首先由CNN进行卷积和池化操作提取特征,然后由RPN选取候选区域,通过网络全连接层参数共享,由目标识别分类器和边界框预测回归器得到多个可能包含目标的预测框,最后通过非极大值抑制挑选出精度最高的预测框完成目标检测。分别对桃子、苹果和橙子的三种果实进行检测,采用迁移学习方法,使用已经预训练好的两种深度神经网络模型ZFnet和VGG16,通过数据集的训练对Dropout及候选区域数量进行参数调整完成网络调优。检测并分析果实不同布局形态下模型的检测效果。试验结果表明,当Dropout取值为0.5或0.6,候选区域数量为300时网络模型最佳,ZFnet网络中,苹果平均精确度为92.70%,桃子为90.00%,而橙子为89.72%。VGG16网络中,苹果平均精度为94.17%,桃子为91.46%,橙子为90.22%。且ZFnet和VGG16的图像处理速度分别达到17 fps和7 fps,能够达到果实实时检测的目的。     

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。