农业装备自动驾驶技术研究现状与展望

农业装备自动驾驶技术可以显著提升作业质量，提高作业效率，降低作业成本，减轻劳动强度，已成为智能农业装备发展的重要方向。在政策和市场的共同推动下，我国农业装备自动驾驶技术发展迅速，并通过多场景、多层次的示范和应用推动技术熟化，逐步建立了完整的技术体系。农业装备自动驾驶技术系统主要包括环境感知、工况感知、决策规划、横向控制、纵向控制等关键技术。本文首先阐述了农业装备自动驾驶关键技术研究的现状，分析归纳了各技术领域有待解决的关键科学技术问题；结合农业装备自动导航技术产品和自动驾驶技术集成应用两方面，介绍了国内外农业装备自动驾驶技术研发和应用情况；从自动驾驶技术分级研究和建立标准规范角度，对比分析了农业装备自动驾驶与智能网联汽车行业的差距，指出了农业装备自动驾驶等级划分的迫切需求。为应对智慧农业生产非结构环境、高精度农艺和强农时约束三大挑战，建议突出农业生产应用中作业精准化和驾驶自动化双重需求的特点，有针对性地开展农业装备自动驾驶技术研发、应用示范和技术分级等方面工作。     

基于SM快速增量算法的HACCP控制点分类

支持向量机方法已经在HACCP体系关键控制点的智能发现中取得较为满意的结果,但是在样本不断增加的情况下分类效率不高.本文采用支持向量机增量学习算法,优先选择可能成为支持向量的边界向量,减少参与训练的样本数量,进而实现增量学习.实验证明,改进的支持向量机增量算法在保证分类精度的同时,显著提高了分类速度.     

利用微卫星分析康西草原马匹种群的遗传多样性和群体结构

旨在揭示康西草原马匹的品种来源以及群体遗传结构。本研究采集了当地60匹健康状况良好、体重适中、3～6岁之间不区分公母马的血液样品,试验分为6个种群并以纯血马等4个国外马品种、1个我国地方马品种作为对照， 通过设计引物并提取基因组DNA结合微卫星扩增法对染色体上12个微卫星位点的等位基因进行检测，并对各种群遗传多样性参数、群体分化指数、瓶颈效应以及群体结构进行分析。试验按照群体个数为依据分为6组，每组1个重复，每个重复以该组样本量为标准。分析6个种群马的遗传参数结果表明，其中共检测到221个等位基因,平均Shannon指数为1.691；有效等位基因数(Ne)为3.649～5.397；期望杂合度(He)为0.681～0.798；观测杂合度(Ho)为0.632～0.780；平均多态信息含量(PIC)为0.643～0.772。这些结果表明，6个群体都具有很高的遗传多样性。通过微卫星DNA位点的连锁不平衡及哈迪-温伯格平衡分析发现， 大多数位点的P值都大于校正值(P=0.006 5)，表示较多位点都处于哈迪-温伯格及连锁平衡状态。各群体间群体分化系数(Fst)表明，群体间分化程度较低(Fst<0.15)。基于Nei’s遗传距离与地理距离之间Mantel相关性检验显示二者之间呈现正相关性(R=0.502)，但未达到显著水平(P=0.310)；各马匹种群瓶颈效应分析表明，P值极显著(P_(IAM)<0.01)说明该地区的马群体受到过瓶颈效应的影响且该马群体历史上数量有大规模的减少。通过 FCA因子分析、基于Nei’s标准遗传距离UPGMA树状图以及Structure贝叶斯聚类分析发现，该地区马种群与纯血马和温血马聚为一类，说明该种群最有可能主要来源于温血马和纯血马。这些结果揭示，康西草原地区马匹具有较高的遗传多样性，该地马群体的血统与纯血马和温血马相近，这为当地马遗传资源评估以及开发利用打下了坚实的基础。     

基于CT图像和RAUNet-3D的玉米籽粒三维结构测量

玉米籽粒构成和精细结构与玉米产量及品质直接相关。本文提出一种基于CT图像的玉米籽粒三维结构自动测量方法，快速提取、统计玉米籽粒成分和结构性状，评估不同玉米品种籽粒间性状差异。首先，利用Micro-CT获取批量玉米籽粒CT图像，通过Watershed算法准确分割出单颗籽粒；进而，设计基于注意力机制RAUNet-3D网络准确提取出籽粒胚；最后，建立自动化玉米籽粒表型管道，计算籽粒、胚、胚乳和空腔的共23项性状，用于玉米籽粒性状分析和品种鉴定。选取4个玉米品种籽粒（登海605、京科968、先正达408和农华5号）共120颗籽粒进行验证，结果表明籽粒CT扫描成像效率提高到1min/粒，籽粒表型提取效率为10s/粒，胚分割精度可达93.4%，粒长、粒宽和粒厚的R2分别为0.902、0.926和0.904，籽粒品种分类精度达90.4%。本文方法实现了玉米籽粒及其胚、胚乳、空腔三维结构无损、快速测量，提取的性状能够表征不同玉米品种籽粒间表型差异，为开展大规模玉米籽粒三维表型鉴定奠定了基础。     

基于Micro-CT的玉米自交系茎秆维管束表型高通量获取与精准解析

针对玉米自交系茎秆不同节位形态特征差异大、维管束分布不同等特点，利用Micro-CT扫描技术及基于区带的维管束表型解析方法，对茎秆基部第3节、穗位节、顶位节节间进行显微图像获取，实现茎秆不同节间横切面、表皮区、周皮区、髓区、维管束相关表型的精准解析。研究结果表明，基于区带的维管束表型解析方法适用于茎秆不同节间维管束表型解析，可获得表征茎秆节间组织和维管束形态、几何性状、分布等共47项指标，获取效率高达20 s/张图像。同传统方法相比，基于区带的维管束表型解析方法效率高、通量大，且可获取的表型指标类型多。描述性统计分析结果显示，同茎秆横切面长轴长等传统指标相比，基于区带的维管束表型解析方法获取的功能区表型指标变异系数较大，能更好地反映出不同节间、不同自交系间的差异；且在不同自交系间，基部第3节的周皮区维管束数量(P=7.79×10^-29)和穗位节的周皮区维管束面积占比(P=1.79×10^-26)差异最显著。此外，从基部到顶部，表征横切面及各功能区几何、形态性状以及维管束数量、面积相关的表型指标呈依次减小的趋势；表征维管束分布的表型指标呈依次增加...     

基于全基因组重测序的岔口驿马分子遗传特性研究

本研究以岔口驿马为主要研究对象，分析了其群体结构以及其与百色马、哈萨克马品种的遗传关系和受选择位点。实验采用PCA分析、系统发育树分析、ADMIXTURE分析以探明群体遗传结构和品种间的遗传关系；采用群体遗传分化指数（Fst）、核苷酸多样性（θπ）和XP-EHH 3种方法检测岔口驿马受选择位点，提取相应的基因进行富集分析。研究结果表明，在这3个马品种中，岔口驿马与哈萨克马的遗传关系更近；使用3种分析方法所筛选到的岔口驿马与百色马的候选基因有110个，岔口驿马与哈萨克马的候选基因有25个；GO和KEGG富集分析结果显示，岔口驿马与百色马的差异基因主要富集在骨骼发育通路，而岔口驿马与哈萨克马的差异基因主要富集在神经发育相关通路。本研究初步揭示了岔口驿马的遗传特性，并为岔口驿马保种选育工作提供了参考依据。     

基于SVM快速增量算法的HACCP控制点分类

支持向量机方法已经在HACCP体系关键控制点的智能发现中取得较为满意的结果,但是在样本不断增加的情况下分类效率不高.本文采用支持向量机增量学习算法,优先选择可能成为支持向量的边界向量,减少参与训练的样本数量,进而实现增量学习.实验证明,改进的支持向量机增量算法在保证分类精度的同时,显著提高了分类速度.