自然条件下茶叶嫩芽图像分割方法的研究

探讨茶叶嫩芽自动分割方法,为茶叶智能采摘提供技术支持。以自然环境下茶叶嫩芽图像为研究对象,比较了基于颜色的阈值分割与聚类分割方法对茶叶嫩芽自动分割的影响。首先,选择了R-B和b分量进行茶叶阈值分割;其次在Lab颜色模型下进行K-means聚类分割;最后,通过形态学处理实现茶叶嫩芽自动识别。基于聚类的茶叶分割方法不仅能够抑制颜色阈值分割受光照的影响,且实现了自然环境下茶叶嫩芽的有效分割。     

石河子地区初试棉花裸根育苗移栽技术

在一定的光热条件下,用常规栽培模式已经很难使棉花的产量得到较大提高。而棉花育苗移栽技术可以使棉花在特定环境下的光热资源得到充分利用,延长棉花有效铃期,避开棉苗受开春低温、霜冻、冰雹等天气影响,从而提高棉花品质与产量,达到增产增效的目的。2007—2008年新疆兵团在农八师开展“杂交棉育苗移栽试验示范”项目,取得了较好的效果。     

石河子地区棉花水浮育苗移栽技术

棉花水浮育苗技术是湖南农业大学陈金湘教授研究发明的棉花育苗新技术。是以营养液水体为苗床进行的漂浮育苗技术．是棉花耕作栽培的一项新技术。在一定的光热条件下用常规栽培模式已经很难使棉花的产量得到较大提高．棉花育苗移栽技术可以使棉花在特定环境下的光热资源得到充分利用．延长棉花有效铃期,避开棉苗受开春低温、霜冻、冰雹等天气影响．从而提高棉花品质与产量．     

母猪厌食症的治疗方法

本文结合对某猪场母猪厌食症的治疗,分析了母猪产后厌食症发生的原因,并提出了预防和治疗母猪厌食症的方法。     

红松人工林的主要病虫害防治

对红松人工林主要病害和虫害的种类、病害症状、危害程度进行分析,提出有针对性的防治方法。     

小麦AQPs蛋白TaPIP1基因cDNA克隆及其表达分析

为探索小麦水通道蛋白在氮素处理过程中的生物学功能,以0.1%尿素处理6.0 h的周麦19幼根为材料,利用RTPCR方法克隆了小麦PIPs类型的水通道蛋白基因TaPIP1,并分析了该基因的组织表达特性及其在尿素处理过程中的表达特征。TaPIP1全长1 062 bp,包括61 bp的5′非翻译区,128 bp的 3′非翻译区和一个长度为873 bp、编码290个氨基酸的开放阅读框。序列分析表明,TaPIP1基因与已知小麦（GQ452384和AAM00368）、大麦（BAA23746,CAA54233和BAA23745）、水稻（BAA24016）和玉米（AAK26754 ,ACG39699,ACG37183,CAA57955和AAK26756）等单子叶植物来源的同类基因同源性较高,相似性为85.9%～99.3%。半定量RTPCR表达谱分析显示,TaPIP1在抽穗期小麦的根、茎和旗叶中均能表达。氮素处理下该基因表达分析结果显示,TaPIP1在萌发期小麦根系中的表达受尿素的诱导。     

石河子地区育苗移栽棉苗形成僵苗的原因及对策

棉花育苗技术是新疆耕作栽培的一项新技术。但在生产中移栽苗往往受土壤温度、土壤湿度、病害、机力作业、日光强度、操作不当等因素影响,移栽后形成僵苗,达不到预期的效果,形成生产风险。目前常使用的育苗方式有水浮育苗、穴盘育苗、裸根育苗、营养钵育苗。在育苗和移栽过程中,     

企业内外网安全接入平台建设

随着信息化的深入,很多企业需要从外网获取信息,但又不希望被外网访问。防火墙或代理服务器可以满足一定的需要,但存在安全隐患。为解决这一问题,本文通过整合网闸、VPN、防火墙和数据库同步等多项技术,完成安全接入平台建设。     

高产优质鲜食型甘薯新品种陕薯 1 号栽培技术

陕薯 1 号是陕西大地种业（集团）有限公司用济薯 26 放任授粉育成的中熟鲜食型甘薯新品种,商品性状优良,蒸煮、烘焙口感好,适宜在北方薯区的陕西、山东、河南、山西、安徽的春、夏季种植。2023 年 6 月通过国家非主要农作物品种登记,登记编号：GPD 甘薯（2023）610023。对该品种特征特性、产量表现、栽培技术等进行介绍,以期为其推广提供借鉴。     

基于改进YOLOv4-tiny的茶叶嫩芽检测模型

精准检测茶叶嫩芽是茶叶机械智能采摘的重要前提。针对茶叶大小不一、遮挡造成的小尺度嫩芽特征显著性弱、漏检率高等问题,提出一种基于改进YOLOv4-tiny的茶叶嫩芽检测模型。该模型在颈部网络添加52×52的浅层特征层以提高YOLOv4-tiny网络对小目标嫩芽的关注度,通过引入卷积块注意力机制（Convolutional block attention module,CBAM）以抑制背景噪声,提高嫩芽特征的显著性,采用双向特征金字塔网络（Bidirectional feature pyramid network,BiFPN）以融合不同尺度的特征信息,从而提出一个高性能轻量化的茶叶嫩芽检测模型YOLOv4-tiny-Tea。对同一训练集与测试集进行模型训练与性能测试,结果表明YOLOv4-tiny-Tea模型检测精确率和召回率分别为97.77%和95.23%,相比改进之前分别提高了5.58个百分点和23.14个百分点。消融试验验证了网络结构改进对不同尺度嫩芽检测的有效性,并将改进后的YOLOv4-tiny-Tea模型与3种YOLO系列算法进行对比,发现改进后的YOLOv4-tiny-Tea模型F1值比YOLOv3、YOLOv4、YOLOv5l模型分别提高了12.11、11.66和6.76个百分点,参数量仅为3种网络模型的13.57%、13.06%和35.05%。试验结果表明,YOLOv4-tiny-Tea模型能有效提高不同尺度下嫩芽检测的精确率,大幅度减少小尺寸或遮挡嫩芽的漏检情况,在保持轻量化计算成本的基础上获得较为明显的检测精度,能够满足农业机器人的实时检测和嵌入式开发的需求,可以为茶叶嫩芽智能采摘方法提供参考。