采用双模态联合表征学习方法识别作物病害

基于深度卷积神经网络的视觉识别方法在病害诊断中表现出色,逐渐成为了研究热点。但是,基于深度卷积神经网络建立的视觉识别模型通常只利用了图像模态的数据,导致模型的识别准确率和鲁棒性,都依赖训练数据集的规模和标注的质量。构建开放环境下大规模的病害数据集并完成高质量的标注,通常需要付出巨大的经济和技术代价,限制了基于深度卷积神经网络的视觉识别方法在实际应用中的推广。该研究提出了一种基于图像与文本双模态联合表征学习的开放环境下作物病害识别模型(bimodalNet)。该模型在病害图像模态的基础上,进行了病害文本模态信息的嵌入,利用两种模态病害信息间的相关性和互补性,实现了病害特征的联合表征学习。最终bimodalNet在较小的数据集上取得了优于单纯的图像模态模型和文本模态模型的效果,最优模型组合在测试集的准确率、精确率、灵敏度、特异性和F1值分别为99.47%、98.51%、98.61%、99.68%和98.51%。该研究证明了利用病害图像和病害文本的双模态表征学习是解决开放环境下作物病害识别的有效方法。     

基于迁移学习的GoogLeNet果园病虫害识别与分级

为提高果树病虫害危害程度分级精度进而更好地指导果园病虫害防治，采用迁移学习技术与GoogLeNet模型相结合的方法，对6种果园作物的25类病虫害样本进行识别与危害程度分级研究；同时，探究不同数据集大小以及不同优化算法对模型性能的影响；基于MATLAB平台设计了一款可视化的病虫害识别与分级系统。结果表明:1)基于迁移学习的GoogLeNet模型，对病虫害识别精度可达99.35%，危害程度分级精度可达92.78%；2)在相同训练参数下，本研究模型比AlexNet、VGG-16、ResNet-18、SqueezeNet、原GoogLeNet及MobileNet-v2模型验证精度提高了2.38%~11.44%，并且收敛速度最快；3)本研究模型识别精度随着数据集的增大而提高；在3种优化算法中SGDM算法耗时最短且精度最高，更适合本研究模型。通过拍摄果树叶片病害区域图像，本研究设计的系统能够在0.43 s左右准确识别出果树种类、病害类型以及危害等级等信息。     

基于HSV与形状特征融合的花椒图像识别

光照条件变化会对花椒目标识别率产生影响,关系到机器视觉技术能否有效应用于生产现场的花椒采摘。通过对HSV特性图像识别技术的分析,提出HSV和形状特征融合的花椒识别算法。该算法采用同态滤波方法对光照进行补偿,解决因为光照不均匀而导致的花椒识别率低的问题,最后利用花椒圆度特征,排除树枝及树叶等的干扰,实现花椒的准确识别。利用同态滤波方法对光照进行补偿,对于光照不强或者发生遮挡的花椒图像有较大改善,通过试验得出其平均识别率达到94.0%,比单独采用HSV特性识别时,在顺光,背光和遮阴条件下,识别率分别提高4%,13%和21%,此外在遮阴条件下运行时间缩短14.6%。为遮阴条件下提高花椒识别率提供一种方法。     

基于PLC的火灾报警控制系统设计

随着我国社会经济的飞速发展,在石油生产装置建设的过程中,由于其规模数量巨大,所以易燃易爆化学产品引发火灾事件屡屡发生。所以需要对自动报警系统进行严格的管控,从而保证化工生产装置的安全性。因此,针对由PCL做核心控制器的火灾报警系统自动化做出描述,并与消防系统联动控制的同时对其组成部分工作原理及相关工作进行了详细介绍。     

基于多分类器DS证据理论融合的水果识别研究

针对不同分类器对不同水果种类识别准确率的不均衡问题,提出一种基于多分类器DS证据理论融合的水果识别方法。该研究选择kaggle上fruits360数据集中的5种水果作为研究对象,首先对预处理后的5种水果图像的颜色、纹理、形状特征进行提取,分别选用BP神经网络、K均值、SVM三种分类器,结合被测图像在每种分类器上的识别结果和各个分类器对不同水果的分类准确率,构建基本概率函数(BPA函数),通过DS证据融合规则对分类器融合后对被测图像进行识别。试验结果表明:该方法对5种水果的识别平均准确率为95.2%,总体标准偏差为0.02993,在提高单分类器识别准确率的同时,解决了分类器对各种水果识别的不均衡问题。对10组测试集识别的平均准确率为93.5%,总体标准偏差为0.055,该方法对水果种类的识别更准确和稳定。     

AM真菌改善植物磷营养吸收和转运机制的研究进展

旨在深入了解丛枝菌根(Arbuscular mycorrhizae,AM)真菌在植物吸收和转运磷元素方面的机制。本研究归纳了近年来关于AM真菌能够促使植物改善磷营养（如磷酸盐转运蛋白、磷酸酶基因等）相关的最新研究成果,着重分析了AM真菌的菌根吸收途径,总结了国内外关于AM真菌对水溶性无机磷、难溶性无机磷和有机磷等3种土壤磷存在形态下的利用机制。最后指出该领域仍存在的一些问题以及未来的研究侧重点。     

水稻钵盘育秧播种机自动分盘装置设计与试验

针对当前水稻育秧过程中,播种设备采用人工逐盘供秧导致工人劳动强度大、易疲劳等问题,在448穴水稻钵盘育秧播种机研究基础上,设计一种机械式自动分盘装置。该装置通过托手承接钵盘、拨指分离钵盘、凸轮控制托手与拨指运动规律配合方式,可将成摞钵盘逐个自动分离并连续供给育秧播种设备,以人工逐摞供盘取代人工逐个供盘,大幅度降低人工供盘劳动强度。结果表明,在作业效率300～420盘·h-1,每次按每摞秧盘数目10～20盘供盘条件下,分盘成功率为100%,达到设计要求。为水稻钵盘育秧播种机自动化研究提供参考。     

Functional Metagenomics to Mine Soil Microbiome for Novel Cadmium Resistance Genetic Determinants

Metal resistance genes are valuable resources for genetic engineering of bioremediation tools. In this study, novel genetic determinants involved in cadmium (Cd) resistance were identified using a small-insert metagenomic DNA library constructed from an arable soil microbiome. A total of 16 recombinant plasmids harboring 49 putative open reading frames (ORFs) were found to be associated with enhanced Cd tolerance. In addition to several ORFs for ion transport/chelation and stress response, most ORFs were assumed to be associated with non-direct metal resistance mechanisms such as energy metabolism, protein/amino acid metabolism, carbohydrate/fatty acid metabolism, and signal transduction. Furthermore, 13 ORFs from five clones selected at random were cloned and subject to Cd resistance assay. Eight of these ORFs were positive for Cd resistance when expressed in Escherichia coli, among which four ORFs significantly reduced Cd accumulation and one increased Cd enrichment of the host cells. Notably, C1-ORF1, potentially encoding a histidine kinase-like adenosine triphosphatase, was the most effective Cd resistance determinant and reduced host Cd accumulation by 33.9%. These findings highlight the vast capacity of soil microbiome as a source of gene pool for bioengineering. The novel genetic determinants for Cd resistance identified in this study merit further systematic explorations into their molecular mechanisms.     

土壤微生物生物地理学：国内进展与国际前沿

土壤微生物生物地理学是研究土壤中微生物空间分布格局及其随时间变化的一门科学,是土壤微生物学和微生物生态学等领域的研究前沿。近年来,尽管土壤微生物生物地理学研究取得了巨大进展,目前仍面临诸多难题与挑战。本文简要回顾了土壤微生物生物地理学的发展历程,重点介绍近年来我国在森林、草地和农田生态系统中土壤微生物生物地理学研究的主要进展。同时进一步阐述了目前土壤微生物生物地理学研究的国际前沿方向,包括微生物群落空间分布及其驱动机制、群落构建过程与共存网络、微生物地理分布与生态系统功能的关联以及预测微生物群落对全球变化的响应。最后,对土壤微生物生物地理学未来的研究方向进行了展望,强调了清晰的微生物物种定义、微生物群落的时间动态、多组学与合成生物学技术以及高精度的预测模型在土壤微生物生物地理学研究中的重要性。     

基于CNN的小麦籽粒完整性图像检测系统

为了快速、准确识别小麦籽粒的完整粒和破损粒,设计了基于卷积神经网络(CNN)的小麦籽粒完整性图像检测系统,并成功应用于实际检测中。采集完整粒和破损粒两类小麦籽粒图像,对图像进行分割、滤波等处理后,建立单粒小麦的图像数据库和形态特征数据库。采用LeNet-5、AlexNet、VGG-16和ResNet-34等4种典型卷积神经网络建立小麦籽粒完整性识别模型,并与SVM和BP神经网络所建模型进行对比。结果表明,SVM和BP神经网络所建模型的验证集识别准确率最高为92. 25%; 4种卷积神经网络模型明显优于两种传统模型,其中,识别性能最佳的AlexNet的测试集识别准确率为98. 02%,识别速率为0. 827 ms/粒。基于AlexNet模型设计了小麦籽粒完整性图像检测系统,检测结果显示,100粒小麦的检测时间为26. 3 s,其中,图像采集过程平均用时21. 2 s,图像处理与识别过程平均用时为5. 1 s,平均识别准确率为96. 67%。