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。     

基于超星学习通的混合式教学模式应用研究——以发酵工程课程为例

为了提高发酵工程课程的教学质量和教学效果,针对发酵工程课程的内容和特点,将互联网+技术与教学相结合,进行了基于超星学习通平台的混合式线上线下教学方式的改革,结果表明:在增强了学生自主学习能力的同时,也促进了教师的自我提升。     

机器学习及其在农业中应用研究的展望

机器学习是一种面向机器的数据分析方法,自动化机器学习的研究促进了人工智能的发展。大数据的快速积累,促进了机器学习算法的井喷式发展。如何选择合适的机器学习算法解决行业问题,成为了当前应用的难点。笔者整理了机器学习新材料,对各种机器算法的特点和算法之间的差异,进行了仔细的梳理,总结了各种算法的需求背景和优缺点,以及主要的应用场合。在此基础上,分析了机器学习在农业应用的案例,综述了机器学习在农业应用,指出了目前存在的发展瓶颈,并提出了进一步研究应用的建议。     

不同温度下TMV侵染枯斑三生烟的LncRNA差异表达

【目的】 筛选不同温度下烟草花叶病毒（Tobacco mosaic virus,TMV）侵染后枯斑三生烟（Nicotiana tabacum var. Samsun NN）差异表达的长链非编码RNA（long non-coding RNA,lncRNA）,研究lncRNA在枯斑三生烟抗性反应中的作用。【方法】 N基因的温度敏感性使枯斑三生烟在25℃时具备对TMV的抗性、在31℃抗性丧失,在这两个温度条件下对枯斑三生烟接种TMV和磷酸盐缓冲盐水（phosphate buffered saline,PBS）,48 h后提取系统叶总RNA,构建链特异性文库后进行深度测序。对测序结果进行过滤后利用HTSeq将有效数据与近缘品种TN90（N. tabacum var. TN90）基因组比对,筛选得到lncRNA后利用FPKM法估计lncRNA的表达水平。通过edgeR筛选差异表达lncRNA（differentially expressed lncRNA,DElncRNA）,并利用qRT-PCR技术对这一结果进行验证。通过共定位及共表达分析预测DElncRNA的靶基因,通过参考基因组注释、GO和KEGG富集分析研究靶基因的功能。【结果】 4个处理共12个样本经lncRNA-seq各测得约8 000万条clean reads,共获得4 737条已知lncRNA、40 169条新lncRNA。其中64个lncRNA在不同温度条件下TMV侵染后存在差异表达,qRT-PCR测定结果显示这些lncRNA的测序正确率在80%左右,表明本研究所得测序数据具备较高的可信度。对DElncRNA进行靶基因预测,发现一些基因同时被25℃下调和31℃上调的DElncRNA靶向。靶基因注释功能丰富,主要参与植物抗病、激素和代谢等生理过程。部分可能与激素通路相关的lncRNA,在25℃下TMV侵染时呈现下调趋势,而在31℃下TMV侵染则呈现上调趋势。GO富集分析显示靶基因主要参与构成膜、囊泡等组分,具备钙、钾离子通道抑制剂活性等分子功能,使相应离子得以转运引发随后的反应,同时也参与发病、抗原加工和呈现、细胞分裂素代谢等生理过程。KEGG分析发现靶基因显著富集在植物激素信号转导通路,25℃下调和31℃上调的DElncRNA靶基因同时富集在激素信号传导、ABC运输蛋白、苯丙烷类生物合成等通路。【结论】 不同温度（25℃和31℃）条件下TMV侵染枯斑三生烟后,长链非编码RNA差异表达,DElncRNA通过作用于激素信号传导、物质转运等过程参与寄主系统获得性抗性反应。研究结果可为揭示植物系统获得性抗性中lncRNA的调控功能以及新型抗病毒技术开发提供依据。     

基于主成分和隶属函数分析的高粱品种耐深播性综合评价

采用盆栽试验,分别设置1、3、5、7 cm播深,对34个高粱品种在不同播深下的出苗率、幼苗形态和幼苗干物质量进行分析,筛选耐深播性鉴定指标,综合评价高粱品种的耐深播性。研究结果表明,随着播种深度的加大,出苗率、苗长、根长、根数和苗重均呈下降趋势,3、5、7 cm与1 cm播深上述指标测定值的比值分别为0.84～0.60、0.96～0.75、0.83～0.53、0.88～0.64和0.95～0.85;中胚轴长、根重和根冠比呈上升趋势,3、5、7 cm与1 cm播深上述指标测定值的比值为1.52～3.30、1.10～1.25和1.17～1.50;胚芽鞘长在播深间差异不显著。主成分分析结果表明,前4个主成分的累积方差贡献率为77.647%,相对根冠比、相对根长、相对中胚轴长和相对出苗率载荷量最大,将其作为高粱耐深播性筛选的主要指标并计算隶属函数值。根据隶属函数值对高粱品种进行聚类分析,结果显示,34个高粱品种可聚为3类,晋粱白2号等11个品种为耐深播品种,红青壳等14个品种为中等耐深播品种,吉品609等9个品种为深播敏感品种。品种间耐深播性差异明显,杂交种较常规种耐深播性强。     

家畜环境卫生学课程线上教学模式的研究

随着互联网信息技术发展和智能手机的普及,顺应时代发展的需要,线上教学成为未来高校教学活动开展一种必然途径。本文基于学习通和QQ群课堂平台构建了家畜环境卫生学课程的教学设计方案,并详细介绍了教学活动的实施办法,分析了线上教学面临的困难,并提出了相应对策,以期为高等学校线上教学改革提供参考。     

基于YOLO v3与图结构模型的群养猪只头尾辨别方法

在利用视频监控技术对群养猪只进行自动行为监测时,对猪只准确定位并辨别其头尾位置对提高监测水平至关重要,基于此提出一种基于YOLO v3(You only look once v3)模型与图结构模型(Pictorial structure models)的猪只头尾辨别方法。首先,利用基于深度卷积神经网络的YOLO v3目标检测模型,训练猪只整体及其头部和尾部3类目标的检测器,从而在输入图像中获得猪只整体及头尾部所有的检测结果;然后,引入图结构模型,描述猪只的头尾结构特征,对每个猪只整体检测矩形框内的头尾部位组合计算匹配得分,选择最优的部位组合方式;对部分部位漏检的情况,采取阈值分割与前景椭圆拟合的方法,根据椭圆长轴推理出缺失部位。在实际猪场环境下,通过俯拍获得猪舍监控视频,建立了图像数据集,并进行了检测实验。实验结果表明,与直接利用YOLO v3模型相比,本文方法对头尾定位的精确率和召回率均有一定提高。本文方法对猪只头尾辨别精确率达到96.22%,与其他方法相比具有明显优势。     

黄瓜花叶病毒浙江白术分离物全基因组序列测定与分析

正白术(Atractylodes macrocephala Koidz.)为菊科(Compositae)苍术属(Atractylodes)多年生草本植物,其根茎入药具补脾健胃、燥湿利水、止汗安胎等功效,在我国广泛栽培,并以于术(浙江临安于潜)品质最佳[1]。近年来白术生产由于品种单一,长期连作等因素导致病毒病害日趋严重。据报道,黄瓜花叶病毒(Cucumber mosaic virus,CMV)~([2])、蚕豆萎蔫病毒2号(Broad bean wilt virus 2,