草果微波干燥过程中介电特性研究

采用TG-DTG热重分析技术和材料介电参数测试系统研究了草果脱水过程和草果含水率与介电常数、介电损耗、损耗角正切及穿透深度的关系。结果表明,草果的热失重过程分为自由水脱除阶段和束缚水脱除阶段,其介电常数和介电损耗随着含水率的降低存在平缓下降和急剧下降的分段变化趋势。草果自由水存在时,介电常数和介电损耗平缓下降;当草果只剩束缚水时,介电常数和介电损耗急剧下降。物料含水率越大,微波能损耗越大,穿透深度越小;相反,物料含水率越小,微波能损耗越小,穿透深度越大。物料穿透深度Dp与含水率ωt存在y=Ae-ax+y0,符合指数关系。      

玉米籽粒深度等穗部性状QTL定位及上位性效应分析

[目的]为从分子水平上解析玉米穗长、穗粗和籽粒深度的遗传基础,[方法]以豫82×豫87-1衍生的一套重组近交系(RIL)群体为材料,通过多点的表型鉴定,采用SNP标记构建的遗传连锁图谱进行QTL定位及上位性效应分析,[结果]结果表明,3个穗部性状共检测到的18个QTL,这些QTL与环境的互作均未达到显著水平,说明所检测到的控制穗长、穗粗和粒深的QTL在三个环境间的遗传是稳定的。在这些QTL中,位于第1染色体调控穗长的qEL1-1和第2染色体调控粒深的qKD2-1、qKD2-2,分别解释表型变异的6.11%和10.22%、8.88%,说明这三个主效QTL是调控穗部性状的重要区域。上位性效应分析结果表明,共检测到三对位点间互作,互作效应为1.23%~6.54%,其中有一对位点属于显著QTL位点对互作。[结论]由此可见,上位性互作效应在穗部性状的遗传中占有一定的比例,但作用比重相对较小。这些研究结果为进一步图位克隆相关关键基因及分子标记辅助育种提供了重要的参考价值。     

基于参数指数非线性残差神经网络的脐橙病变叶片识别

提出一种参数指数非线性(PENL)函数来改进残差网络,利用深度学习的新方法识别脐橙叶面病变,减少了整流线性损失,提升了训练效果。以脐橙叶面图像为样本,进行CNN训练,以区分出病变、缺素、正常及非此类物种4种类型,实现了对于脐橙疾病检测迅速且方便应用的分类模型,相比于传统植物病变识别方法具有极大的优势,最终识别准确率达到了97.18%~98.86%。     

农业害虫自动识别与监测技术

随着计算机和互联网技术的发展,信息技术已被广泛地应用于植物保护领域,推动农业害虫的监测走向信息化、智能化和精准化。我们综述了农业害虫自动识别与监测技术的最新研究进展,分析了各种技术的特点与优势。这些技术均需要特定的设备获取农业害虫及其生境的信息,提取昆虫信息特征,并利用这些特征进行昆虫种类的识别与计数,达到害虫监测的目的。图像识别技术适合于自动识别与监测栖息于作物表面的害虫,昆虫雷达(厘达或激光雷达)技术特别适合于自动识别与监测高空中飞行的害虫,而声音识别技术在自动识别与监测隐蔽害虫方面具有优势。最近发展起来的基于深度学习的害虫识别方法避免了传统的手工设计特征方法,提高了害虫识别的鲁棒性,展示了一旦建立完整的昆虫信息库就可以实现害虫自动识别与监测的可能;这给昆虫学家提出了一个艰巨的任务,即鉴定和正确标识机器学习所需的大量的昆虫信息。     

新郑市高产田土壤养分变化研究

一、土壤采集与测试方法 （一）土壤采集 样品采集应按照具有一定代表性的要求,根据耕地面积、茬口、质地、灌溉条件在辛店镇、观音寺镇、梨河镇、城关乡等乡镇进行合理分布,采用“S”形或对角线形多点取样,采样深度0-20cm,混合样品质量1kg,每个土样代表面积13.33hm^2.     

基于YOLO v2的莲蓬快速识别研究

受莲蓬形状外观和生长环境影响,传统计算机视觉算法识别莲蓬存在效率与精度不佳的问题。本文研究采用YOLO v2算法进行莲蓬识别的方式,通过扩充莲蓬检测数据集、K-means维度聚类、深度可分离卷积网络结构和多分辨率图像对模型微调等方法实现提高识别精度、鲁棒性与识别速度。对比Darknet-19、Tiny Darknet与DS Tiny Darknet算法,结果表明,本文研究的识别方式可以达到102.1 fps的识别速率,可实现在复杂环境下对莲蓬的快速识别,满足莲蓬采摘机器人在采摘过程中对实时视觉信息的需求。     

基于多特征融合和深度置信网络的稻田苗期杂草识别

杂草的准确识别是田间杂草精准防控管理的前提,机器视觉技术是实现杂草准确识别的有效手段。该文以水稻苗期杂草为研究对象,采集稻田自然背景下和不同光照条件下的6种杂草图像共928幅,包括空心莲子草、丁香蓼、鳢肠、野慈姑、稗草和千金子。采用1.1G-R颜色因子将杂草RGB图像进行灰度化,选择自动阈值自动分割得到杂草前景二值图像,通过腐蚀膨胀形态学操作进行叶片内部孔洞填充,应用面积滤波去除其他干扰目标,最后将杂草二值图像与RGB图像进行掩膜运算得到去除背景的杂草图像;提取杂草图像的颜色特征、形状特征和纹理特征共101维特征,并对其进行归一化处理。在双隐含层和单隐含层的深度置信网络(deep belief networks,DBN)结构基础上,对DBN隐含层节点数选择方法进行研究。针对双隐含层DBN节点数,选择恒值型、升值型和降值型3种节点组合方式进行优化研究,当网络结构为101-210-55-6时杂草识别率为83.55%;通过对单隐含层节点参数优化得到网络结构为101-200-6时杂草识别率达到91.13%。以同一测试样本的运行时间值作为模型的测试时间对3种不同模型进行耗时测试,SVM模型、BP模型和DBN模型测试结果分别为0.029 7、0.030 6和0.034 1 s,试验结果表明基于多特征融合的DBN模型的识别精度最高,且耗时较其他2种模型相差不大,可满足实时检测的速度要求,所以在实际应用中应优先选择基于多特征融合的DBN模型。该研究可为稻田杂草识别与药剂选择性喷施提供参考。     

基于TOF深度传感的植物三维点云数据获取与去噪方法

为提高植物三维重建的精度,更好地实现植物数字化研究,提出了基于TOF(time of flight)深度传感的植物三维点云数据获取与去噪方法。首先通过TOF深度传感来获取植物点云数据,采用直通滤波器对点云数据进行预处理,减少背景噪声;其次采用改进密度分析的离群点去噪算法,该算法通过结合邻近点平均距离和邻域点数数量2个特征参数,对点云数据中的离群点噪声进行检测和去除;最后采用双边滤波算法对点云内部的小尺寸噪声进行检测和去除。以番茄植株进行相关试验,试验结果表明:与传统双边滤波算法比较,该文算法最大误差降低了11.2%,平均误差降低了23.2%;与拉普拉斯滤波算法比较,最大误差降低了20.6%,平均误差降低了39.2%,表明该文提出的算法在保持点云特征的情况下,能简单高效地去除植物三维点云数据中的不同尺度噪声。     

基于深度动态学习神经网络和辐射传输模型地表温度反演算法研究

【目的】地表温度反演是一个典型的病态反演问题,深度动态学习神经网络的出现提供了一条新的地表温度反演途径。文章以MODIS中红外和热红外波段作为参照模拟研究对象,利用深度动态学习神经网络和辐射传输模型(MODTRAN)进行地表温度反演研究,选择最适合于MODIS地表温度反演的波段组合,从而为国产卫星风云系列和高分数据红外波段反演地表温度提供参考算法。【方法】根据中红外波段受太阳的影响以及水汽波段的特征,将反演组合波段分成3组。第1组适合白天和晚上同时反演地表温度的组合(MODIS波段29、31、32和33);第2组适合白天的热红外波段和水汽波段组合(MODIS波段29、31、32、33和水汽波段);第3组是只适合晚上的中外波段(MODIS 20、22、23)与热红外波段(MODIS 29、31、32和33)的组合。【结果】利用辐射传输模型(MODTRAN)和深度动态神经网络(NN)反演分析表明,深度动态学习神经网络能够被用来精确地从单景MODIS数据中反演地表温度,克服了传统MODIS白天/黑夜产品算法的缺陷。3种类型的组合地表温度的平均反演误差都在1 K以下,最高精度为热红外波段与水汽波段的组合,平均最高精度为0.251 K,标准差是0.255 K,相关系数是1。【结论】利用深度动态学习神经网络和辐射传输模型彻底解决了地表温度和发射率病态反演难题,为风云系列卫星和高分数据地表温度反演算法提供参考算法模式,深度动态学习神经网络与辐射传输模型相结合反演地表温度和发射率在地表温度反演史上具有里程牌意义。     

丘陵山区农机深松作业深度和面积远程监测系统

为了提高农机在丘陵山区深松作业深度和面积的监测准确性,研究设计了一种深松作业远程监测系统.该系统以角位移传感器间接测量作业深度,利用北斗/GPS定位数据计算深松面积,并在此基础上搭建了基于·NET分布式深松作业远程监测服务平台,实现多台农机深松作业深度和面积的远程监控,为政府补贴资金计算与核实提供了便利,提高了深松作业监测效率.试验结果表明,使用角位移传感器适用于丘陵山区农机深松作业深度测量,深度测量平均误差为0.98cm,使用北斗/GPS定位基于多边形解析法计算小地块面积相对误差为3.2%,满足丘陵山区农机深松作业监测要求.