基于弱监督学习的玉米苗期植株图像实例分割方法

基于有监督深度学习的图像分割任务通常利用像素级标签来保证模型的训练和测试精度,但受植株复杂形态影响,保证像素级标签精度的同时,时间成本也显著提高。为降低深度模型训练成本,同时保证模型能够有较高的图像分割精度,该研究提出一种基于边界框掩膜的深度卷积神经网络（Bounding-box Mask Deep Convolutional Neural Network,BM-DCNN）,在有监督深度学习模型中融入伪标签生成模块,利用伪标签代替真值标签进行网络训练。试验结果表明,伪标签与真值标签的平均交并比为81.83%,平均余弦相似度为86.14%,高于Grabcut类方法生成伪标签精度（与真值标签的平均交并比为40.49%,平均余弦相似度为61.84%）;对于玉米苗期图像（顶视图）计算了三种人工标注方式的时间成本,边界框标签为2.5 min/张,涂鸦标标签为15.8 min/张,像素级标签为32.4 min/张;利用伪标签样本进行训练后,BM-DCNN模型的两种主干网络当IoU值大于0.7时（AP70）,BM-DCNN模型对应的实例分割精度已经高于有监督模型。BM-DCNN模型的两种主干网络对应的平均准确率分别为67.57%和75.37%,接近相同条件下的有监督实例分割结果（分别为67.95%和78.52%）,最高可达到有监督分割结果的99.44%。试验证明BM-DCNN模型可以使用低成本的弱标签实现高精度的玉米苗期植株图像实例分割,为基于图像的玉米出苗率统计以及苗期冠层覆盖度计算提供低成本解决方案及技术支持。     

基于自生成标签的玉米苗期图像实例分割

在植物图像实例分割任务中，由于植物种类与形态的多样性，采用全监督学习时人们很难获得足量、有效且低成本的训练样本。为解决这一问题，该研究提出一种基于自生成标签的玉米苗期图像实例分割网络（automatic labelling based instance segmentation network，AutoLNet），在弱监督实例分割模型的基础上加入标签自生成模块，利用颜色空间转换、轮廓跟踪和最小外接矩形在玉米苗期图像（俯视图）中生成目标边界框（弱标签），利用弱标签代替人工标签参与网络训练，在无人工标签条件下实现玉米苗期图像实例分割。试验结果表明，自生成标签与人工标签的距离交并比和余弦相似度分别达到95.23%和94.10%，标签质量可以满足弱监督训练要求；AutoLNet输出预测框和掩膜的平均精度分别达到68.69%和35.07%，与人工标签质量相比，预测框与掩膜的平均精度分别提高了10.83和3.42个百分点，与弱监督模型（DiscoBox和Box2Mask）相比，预测框平均精度分别提高了11.28和8.79个百分点，掩膜平均精度分别提高了12.75和10.72个百分点；与全监督模型（CondInst和Mask R-CNN）相比，AutoLNet的预测框平均精度和掩膜平均精度可以达到CondInst模型的94.32%和83.14%，比Mask R-CNN模型的预测框和掩膜平均精度分别高7.54和3.28个百分点。AutoLNet可以利用标签自生成模块自动获得图像中玉米植株标签，在无人工标签的前提下实现玉米苗期图像的实例分割，可为大田环境下的玉米苗期图像实例分割任务提供解决方案和技术支持。     

豫东农区农户宅基地退出意愿及影响因素分析——以扶沟县为例

了解农户宅基地退出意愿及其影响因素对促进乡村振兴、耕地保护和国家粮食安全具有重要意义。本文以扶沟县为例,采用分层抽样和Logistic二元回归模型对豫东典型农区农户的宅基地退出意愿及影响因素做了研究。结果表明：（1）农户对宅基地退出政策的认知水平较低,52.7%的农户完全不了解国家的宅基地政策、47.3%的农户部分了解;受访农户对宅基地认知存在较大误区,超过50%的农户认为宅基地能够买卖。（2）农户宅基地退出意愿较低,仅有28.57%的农户愿意退出宅基地,不愿退出的主要原因为“习惯在这里居住”、“退出后务农不便”、“想要留给下一代居住”以及“无能力购买新房”,分别占总数的34.4%、21.6%和20.8%、18.4%。（3）最受农户认可的补偿方式是安置补偿,占总人数的68.0%;选择货币补偿方式的农户最少,仅有14.3%。（4）影响农户宅基地退出意愿的主要因素是宅基地数量、家庭年收入、对宅基地政策的了解程度、家庭总人口、年龄等5方面,相关系数分别为3.840、1.028、0.850、-0.414、-0.858。因此,大力发展区域产业经济、增加农村家庭收入、加大政策宣传力度是提高农户退出意愿的必要保障。     

基于永磁电机齿槽转矩的磁极参数优化

齿槽转矩是永磁电机设计过程中必须考虑的问题之一。通过对齿槽转矩解析式分析,确定优化目标参数,利用有限元软件建立永磁电机仿真模型,研究永磁体剩磁、斜槽数和槽口宽度对永磁电机齿槽转矩的影响规律,确定最优参数,对表贴式永磁电机的齿槽转矩进行优化,减小转矩脉动,提高电机性能。     

基于RGB和深度双模态的温室番茄图像语义分割模型

图像语义分割作为计算机视觉领域的重要技术，已经被广泛用于设施环境下的植物表型检测、机器人采摘、设施场景解析等领域。由于温室环境下未成熟番茄果实与其茎叶之间具有相似颜色，会导致图像分割精度不高等问题。本研究提出一种基于混合Transformer编码器的“RGB+深度”（RGBD）双模态语义分割模型DFST（depth-fusion semantic transformer），试验在真实温室光照情况下获得深度图像，对深度图像做HHA编码并结合彩色图像输入模型进行训练，经过HHA编码的深度图像可以作为一种辅助模态与RGB图像进行融合并进行特征提取，利用轻量化的多层感知机解码器对特征图进行解码，最终实现图像分割。试验结果表明，DFST模型在测试集的平均交并比可达96.99%，对比不引入深度图像的模型，其平均交并比提高了1.37个百分点；对比使用卷积神经网络作为特征提取主干网络的RGBD语义分割模型，其平均交并比提高了2.43个百分点。结果证明，深度信息有助于提高彩色图像的语义分割精度，可以明显提高复杂场景语义分割的准确性和鲁棒性，同时也证明了Transformer结构作为特征提取网络在图像语义分割中也表现出了良好的性能，可为温室环境下的番茄图像语义分割任务提供解决方案和技术支持。     

黄淮麦区品种审定情况及品质分析

为分析黄淮麦区小麦育种情况和品质现状，对2012-2022 年度国家试验审定品种和品质结果进行汇总。结果表明：从审定麦区分布进行区分的情况下有4 片麦区，分别为黄淮南片（69.84%）、黄淮北片（14.68%）、旱肥组（9.13%）、旱薄组（6.35%）；从地域分布进行区分有8 个区域，分别是安徽（9.13%）、河北（8.73%）、河南（46.43%）、江苏（8.33%）、山东（11.51%）、陕西（5.16%）、山西（3.17%）、北京（7.54%）；从育种单位类型进行区分有4 种类型，分别是种子公司（45.63%）、科研院所（43.25%）、高校（10.32%）、个人（0.79%）。审定品种现状：从品质方面看，容重、粗蛋白（干基）、湿面筋、吸水量这4 个指标近年来有一定提高；稳定时间、最大拉伸阻力、拉伸面积、延展性等加工品质数值偏低，但近年来提升较大。黄淮麦区应着重提高小麦的稳定时间、最大拉伸阻力等加工品质，选育优质中强筋以上的优质品种，提高黄淮麦区小麦的品质育种。     

冬小麦种植技术及病虫害防治技术研究

冬小麦是我国北方地区的重要粮食作物，种植面积广泛，产量较高。但由于地理环境、气候和病虫害等多种因素的影响，冬小麦种植面积面临着许多的问题和挑战。为保障冬小麦产量和质量，提高农业生产效益，本文对当前冬小麦种植和病虫害防治技术进行分析与研究，并提出相应对策和建议，以期对冬小麦种植提供相关参考。