机械化深耕深松栽培对甘蔗生长及产量的影响

为评价机械化深耕深松栽培模式的保水保肥效果和对甘蔗生产的影响,进行了机械化深耕深松栽培和常规耕作栽培对甘蔗生长及产量的影响试验。结果显示,机械化深耕深松栽培能明显增加土壤的含水量;深耕深松栽培比常规耕作栽培的甘蔗出苗率高17.8%,分蘖率高13.4%;甘蔗生长速度加快、根系发达;甘蔗成熟期的株高、茎径、蔗糖分、青叶数提高;每公顷增产原料蔗7.22 t,增收2346.5元,增糖1.35 t。机械化深耕深松栽培甘蔗增产增收效益显著,可在甘蔗生产中推广应用。     

高等农业院校优秀教学团队建设

高等农业院校建设优秀的教学团队对于教师的专业发展和人才培养的提高具有十分重要的意义。吉林农业大学数据结构教学团队依托各级各类教学改革项目,通过深入的研究与实践形成了较系统的课程建设理念和教学实施方案,注重师德与团队的文化建设,营造了一种教学相长的团队文化氛围。在教学实践中,专业教师参与专业基础教学,一线教师参与实验室建设,使理论教学与实验教学队伍相互融合,提高了实验教学队伍的整体素质。     

基于GA-RBF融合算法的玉米病虫害产量损失预测研究

鉴于玉米病虫害等影响因素在预测玉米产量损失时所具有的复杂及非线性等特点,采用传统的径向基函数(radial basis function,简称RBF)神经网络预测起来相对较难,且其预测精度较低。针对上述问题,提出1种基于遗传算法(genetic algorithm,简称GA)和径向基函数神经网络相融合的优化算法,对病虫害所造成的玉米产量损失进行预测。该融合算法利用人工神经网络的非线性拟合能力强和遗传算法寻优能力强的优点,建立最优产量损失预测模型,将该模型的估算值与玉米产量的实际值进行拟合,得到较好的拟合效果图。为了验证算法的可行性,以国家863计划示范基地榆树市弓棚镇13号村的试验数据为样本数据进行仿真预测。结果表明,经过GA-RBF融合算法的预测误差为0.207,较优化前误差降低了0.151,预测精度得到提高,实现对玉米病虫害产量损失的有效预测。预测结果可为农民进行科学有效的病虫害防控提供科学依据,经济有效地降低受灾程度,提高玉米产量。     

高等农业院校计算机网络课程创新型人才培养探索

针对当前高等农业院校培养创新人才的问题,分析了当前的社会需求,提出了以农为特色的课程改革思路,阐述了计算机网络课程在创新型人才培养方面所采取的方法与手段,对计算机网络课程的改革进行了初步探讨。     

基于C4.5决策树算法的农安县农田管理区划分

针对吉林省长春市农安县2012年耕地地力调查数据,使用数据挖掘中的C4.5决策树算法(以下简称C4.5算法)对土壤中速效氮、速效磷和速效钾3种主要养分含量进行分析,并根据各养分间差异划分管理区。结果表明,使用C4.5算法对农安县924、1 840、2 756组土壤速效养分数据进行分析得到的模型精度分别为95.81%、95.59%、95.13%,对测试样本的分类精度分别为88.25%、90.50%、91.57%。使用C4.5算法对农安县进行管理区划分准确度高、效率高、易于推广,是一种指导农安县精细农业实施的有效管理区划分方法。     

烟后种植西兰花施肥效应研究

烤烟是一种喜钾作物,为保证烤烟品质,种植过程中磷、钾肥的施用水平相对较高,一般P2O5和K2O的施用水平分别是纯N的1.5～2.5倍。通过分析烤烟种植后土壤N、P、K含量表明,土壤P、K含量较高,进一步开展肥效试验结果表明,P肥利用率均为负值,除无N区K肥利用较高外,其余各处理利用均为负值,说明烟后种植西兰花,应重点施用氮素肥料,不必施用磷、钾肥。烟后种植西兰花在交通便利且土壤肥力较高的地区,是一种既可充分利用烤烟种植后富集在土壤中的磷、钾肥,达到节本增效目的,又可减轻施肥对土壤环境的污染的重要措施。     

基于迁移学习与卷积神经网络的玉米植株病害识别

大数据背景下产生了海量图像数据,传统的图像识别方法识别玉米植株病害准确率较低,已远远不能满足需求。卷积神经网络作为深度学习中的常用算法被广泛用于处理机器视觉问题,能自动识别和提取图像特征。因此,本研究提出一种基于数据增强与迁移学习相结合的卷积神经网络识别玉米植株病害模型。该算法首先通过数据增强方法增加数据,以提高模型的泛化性和准确率;再构建基于迁移学习的卷积神经网络模型,引入该模型的训练方式,提取病害图片特征,加速卷积神经网络的训练过程,降低网络的过拟合程度;最后将该模型运用到从农田采集的玉米病害图片,进行玉米病害的精确识别。识别试验结果表明：使用数据增强与迁移学习的卷积神经网络优化算法对玉米主要病害（玉米大斑病、小斑病、灰斑病、黑穗病及瘤黑粉病）的平均识别准确度达96.6%,和单一的卷积神经网络相比,精度提高了25.6%,处理每张图片时间为0.28s,比传统神经网络缩短了将近10倍。本算法的精确度和训练速度上比传统卷积神经网络有明显提高,为玉米等农作物植株病害的识别提供了新方法。     

饲料级β-甘露聚糖酶对肉仔鸡生长性能的影响

试验研究日粮中添加饲料级β-甘露聚糖酶对肉仔鸡生长与生产性能的影响。选择体重、健康状况基本一致的AA肉仔鸡360只，随机等分为试验组与对照组2个组，每组设3个重复，每重复60只，试验组饲喂在基础日粮中添加0.01％含50000 u/g的饲料级β-甘露聚糖酶的日粮，进行为期42 d的试验。结果表明，与对照组相比，试验组日增重提高10.40％（P〈0.05）；料重比降低7.14％（P〈0.05）；死淘率降低24.77％（P〈0.01），试验组毛利润高于对照组4.79元，提高幅度为17.95%。说明在日粮中添加饲料级β-甘露聚糖酶可显著提高肉仔鸡的生长性能，提高养殖经济效益。     

基于优化卷积神经网络的玉米螟虫害图像识别

【目的】随着人工智能和大数据技术的不断发展,针对常规玉米虫害识别方法存在的准确率和效率低等问题,本文提出了一种基于改进GoogLeNet卷积神经网络模型的玉米螟虫害图像识别方法。【方法】首先通过迁移学习将GoogLeNet的Inception-v4网络结构知识转移到玉米螟Pyrausta nubilalis虫害识别的任务上,构建模型的训练方式;然后通过数据增强技术对玉米螟虫图像进行样本扩充,得到神经网络训练模型的数据集;同时利用Inception模块拥有多尺度卷积核提取多尺度玉米螟虫害分布特征的能力构建网络模型,并在试验过程中对激活函数、梯度下降算法等模型参数进行优化;最后引入批标准化(BN)操作加速优化模型网络训练,并将该模型运用到玉米螟虫害识别中。【结果】基于TensorFlow框架下的试验结果表明,优化后的神经网络算法对玉米螟虫害图像平均识别准确率达到了96.44%。【结论】基于优化的卷积神经网络识别模型具有更强的鲁棒性和适用性,可为玉米等农作物虫害识别、智能诊断提供参考。