4种荒漠植物种子出苗和幼苗生长对沙埋深度的响应

通过室内试验测定了黑果枸杞、沙冬青、沙蒿、霸王4种荒漠植物的种子生理特征以及沙埋深度（0、1、2、3、4、5 cm）对4种荒漠植物种子出苗及幼苗生长的影响。结果表明，体积较大的沙冬青和霸王种子萌发率与其重量、含水量、形状及活性间存在正相关关系；体积较小的黑果枸杞、沙蒿萌发率与种子重量、含水量、形状之间为正相关关系，与种子活性负相关。随着沙埋深度增加，4种植物种子出苗率下降、首次出苗时间延迟，茎高、绝对株高和根长及根冠比总体呈先增大后减小的趋势；幼苗生长方面，黑果枸杞和沙蒿分别适宜于1～2、0～1 cm的浅层沙埋，均在沙埋深度5 cm时种子几乎不萌发；沙冬青、霸王则适宜于3～4 cm较深层沙埋，在沙埋0 cm时均不萌发。此外，在荒漠区采用这4种植物进行植被恢复时，除考虑种子自身性状外，还应充分考虑当地的沙埋、降雨等条件，以提高出苗率、增大幼苗定植率。     

基于卷积神经网络的水稻钵体软盘穴播量检测

为避免水稻钵体软盘穴播量检测过程中的秧盘背景分割和稻种特征的手工设计及提取,本文提出了一种基于卷积神经网络的水稻钵体软盘穴播量检测方法,该方法可自动学习和提取不同穴播量的水稻种子特征,实现常规稻、杂交稻和超级杂交稻钵体软盘穴播量为0、1、2、3、4、5、6及7粒以上共8种播量的自动检测。本文在每层卷积单元网络结构参数保持固定的前提下,选取2～4层共3种不同卷积单元数量的网络结构对RiceCountCNN模型性能进行试验,试验结果表明随着模型深度加深,模型检测精度逐渐提高。本文在3层RiceCountCNN模型网络框架下,按卷积核的大小递减和数量递增原则选择得出不同的卷积核网络参数组合方式,最终优化得出网络结构为9C16-AP2-7C32-AP2-5C64的模型性能最佳,平均正确率达到98.76%。为测试RiceCountCNN模型的性能,每个水稻品种选取1幅19穴×14穴的图像作为测试集对模型进行测试,试验结果得出模型针对常规稻、杂交稻和超级杂交稻的检测正确率分别达到97.37%、98.12%和90.98%,每幅图像的检测时间小于2.33 s。研究结果满足精密育秧播种实际工况检测要求,该研究为实现水稻精密衡量播种作业提供参考。     

基于部分亲和场的行走奶牛骨架提取模型

在奶牛关键点预测的基础上,通过点、线重构奶牛骨架结构,可为奶牛跛行检测、发情行为分析、运动量估测等提供重要参考。本研究基于部分亲和场,以养殖场监控摄像头拍摄的视频为原始数据,使用1 600幅图像训练了奶牛骨架提取模型,实现了奶牛站立、行走状态下关键点信息和部分亲和场信息的预测,并通过最优匹配连接对奶牛骨架结构进行准确提取。为了验证该模型的性能,采用包含干扰因素的100幅单目标奶牛和100幅双目标奶牛图像进行了测试。结果表明,该模型对单目标行走奶牛骨架提取的置信度为78.90%,双目标行走奶牛骨架提取的置信度较单目标下降了10.96个百分点。计算了不同关键点相似性(Object keypoint similarity,OKS)下的模型准确率,当OKS为0.75时,骨架提取准确率为93.40%,召回率为94.20%,说明该模型具有较高的准确率。该方法可以提取视频中奶牛骨架,在无遮挡时具有高置信度和低漏检率,当遮挡严重时置信度有所下降。该模型的单目标和双目标图像帧处理速度分别为3.30、3.20 f/s,基本相同。本研究可为多目标奶牛骨架提取提供参考。     

多变环境下基于多尺度卷积网络的猪个体识别

【目的】通过实现复杂多变环境下非接触式猪个体身份识别,提高畜牧行业的生产效率。【方法】以猪舍环境下猪的脸部图像为基础,提出了一种基于多尺度卷积神经网络在多变环境下的猪个体身份识别模型。利用改进的多尺度网络结构,该模型实现了深度和宽度的扩展,网络深度达到了86层。网络不仅使用了对称和非对称的两种方法拆分卷积核和多通道的方法并行提取猪脸特征,还利用网络融合技术和Batch Normalization结构过滤掉通道中的冗余信息。避免了深层网络参数激增,增强了模型对猪脸特征的提取能力并提高模型的识别速度。利用预处理后的11 695张猪脸数据集训练并验证模型,通过设置7组不同环境下的对比实验,分析改进的模型在复杂环境下的识别效果。【结果】86层的基于多尺度分类网络的识别模型权重大小和每轮样本的训练时间分别为498.4 M和66 s,比16层的VGG网络权重小1140 M,每轮训练速度快8 s。利用7组测试集的对比实验的结果表明,提出的模型在7种环境下的识别率都高于其他网络,尤其是在真实养殖环境下识别率高达99.81%。当猪脸图像中出现遮挡和旋转的情况时,提出的模型识别率皆高于92%。【结论】提出的针对脸部特征的猪个体身份识别模型是有效的,并在多变环境下具有较高的识别率和鲁棒性,为实现一体化管理及追踪溯源的研究提供参考。     

基于多尺度卷积神经网络的轴承故障诊断研究

针对现有的轴承故障诊断数据特征提取单一的问题,本文提出了一种基于多尺度卷积神经网络的轴承故障诊断方法,以轴承运行时采集的故障信号为研究对象,使用多个尺寸的卷积核提取原始信号,使提取到的信号更加丰富,有效解决特征提取能力不强的问题,无需人工提取故障特征。试验结果表明,该方法具有较高的轴承故障诊断准确率。     

基于涝水过程的水稻灌区受涝损失评估方法

提供了一种基于涝水过程的水稻受涝损失估算方法,将受涝淹水数据中第1天淹水深度和淹水历时数据代入水稻受涝减产率函数,得到第1天的水稻受涝减产率;根据受涝淹水过程数据,代入水稻受涝减产率增量函数,计算得到水稻逐日受涝减产率增量;将计算结果代入水稻受涝减产率累积叠加公式,计算水稻逐日受涝累积减产率.该方法基于淹水深度、淹水历时与水稻受涝减产率之间的函数关系,通过插值、增量叠加的一套计算流程,能够计算逐日水深变化条件下逐日水稻受涝累积减产率,进而得到一次变淹水深度过程下稻田受涝减产率的累积过程.减产率函数计算的产量损失与试验观测值的均方根误差均小于15％,其相关系数大于0.84,模型模拟效率超过0.71,模型模拟精度已达到乙等精度以上.该方法可应用于水稻种植区涝灾损失计算和评估,为水稻种植区灾后补救以及灾前预测提供了科学的计算方法.     

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。     

大豆主要病害症状与防治措施

<正>大豆植株直立,有分枝,高度从几厘米到2米以上。自花授粉,花白色或微带紫色。种子为黄、绿、褐、黑或双色,每个荚果内含1至4粒种子。大豆在各类土壤中均可栽培,但在温暖、肥沃、排水良好的沙壤土中生长旺盛。现将大豆主要病害与防治措施介绍如下。一、大豆猝倒病1.症状靠近地表的幼茎上初现水渍状病斑,后幼茎变细腐软,呈黑褐色,导致幼苗迅速折倒死亡,严重时可引起根部发生腐烂,使病株矮化。2.防治方法     

益生菌与黄芪提取液联合对腹泻模型小鼠肠道功能的影响

本试验以抗生素与致病大肠杆菌来诱导肠道菌群失调性腹泻模型,考察黄芪提取液和益生菌联合应用对小鼠肠道菌群和形态结构的影响。结果表明,灌服氨苄西林钠(浓度为250 mg/m L)0.3 m L/只,处理8 h后腹腔注射大肠杆菌菌液0.3 m L(1.0×108CFU/m L),制备腹泻模型成功。联合组与益生菌组和黄芪提取液组相比,联合组腹泻显效率率为90%,抑制肠道中大肠杆菌和沙门氏菌,增殖乳酸杆菌和双歧杆菌,促进肠黏膜损伤的恢复,增加肠道绒毛长度48.94%(P0.01)和131.52%(P0.01),降低隐窝深度8.47%(P0.05)和29.70%(P0.05),促进小鼠免疫机能恢复,最终降低腹泻率。     

层积时间和深度及贮藏年限对黄瑞香种子萌发的影响

为了找到探索有效打破黄瑞香种子休眠、提高种子发芽率的方法,以黄瑞香种子为试材,研究3种不同层积期、4种不同层积深度以及不同贮藏年限对黄瑞香种子发芽率的影响。结果表明,贮藏1 a或2 a对黄瑞香种子发芽率的影响差异不显著;不同层积期、不同层积深度对黄瑞香种子发芽率有显著影响。层积期10月20日发芽率最高,11月9日发芽率最低;层积深度80 cm效果最好,40 cm发芽率最低;黄瑞香种子生理休眠属深度生理休眠。由于各因素间对打破种子休眠无交互作用,因此层积期为1 0月20日至10月30日、层积深度为60~100 cm,可获得较高的发芽率。