工业级棉短绒清理回收工艺的改进

为降低棉短绒中的杂质含量，提高棉短绒的质量及收率，对棉短绒清理回收的生产工艺进行了改进，创新连续化多级除杂装备和短绒精细化分离工艺。棉籽清理除杂工艺中，增加了圆筛、棒条机，并且调整了风力清籽机组配置；短绒分离工艺中，增加了五联筛和新型棒条机。改进后的工艺能够提升对毛棉籽的除杂效果，彻底清理剥绒得到的棉短绒中的碎棉仁、棉壳及棉秆等杂质。此外，该工艺还能回收棉短绒下脚料，满足大型生产线的生产要求。     

基于改进YOLO v5的橙子果实识别方法

针对自然环境下橙子检测存在枝叶遮挡、相邻果实重叠等情况而导致检测效果差的问题，提出一种改进的YOLO v5方法。首先，在主干网络部分使用RepVGG(re-param VGG)模块替换原始C3模块，加强网络对特征信息的提取能力；其次，在颈部网络使用鬼影混洗卷积(ghost-shuffle convolution)代替原有的标准卷积，能够在保证精度的前提下，降低模型参数量；再次，在预测头前加入ECA(efficient channel attention)注意力模块，能够更加准确定位目标信息；最后，引入EIOU(efficient intersection over union)损失函数加速预测框的收敛，提高其回归精度。改进的YOLO v5网络在自然环境下的橙子检测中平均精度达到90.1%,相比于目前热门的检测网络CenterNet、YOLO v3和YOLO v4其在识别效果方面有一定的提升。可见，所提出的改进网络在橙子检测上更有优势，能为今后智能采摘机器人的研发提供理论支撑和技术参考。     

基于卷积神经网络的拖拉机工况识别

农机工况识别在细化农机作业状态和帮助掌握区域污染物排放趋势方面有着重要的研究价值。基于拖拉机不同运行状态下的行驶速度、发动机转速以及实时油耗等时间序列,首次提出将图像识别方法引入到拖拉机工况识别中的思路,并分别应用参数优化的支持向量机与卷积神经网络对实际作业拖拉机工况进行研究。结果表明:(1)基于参数优化的支持向量机可以较好地实现样本点的工况识别且识别准确度达到99.851 9%,但无法实现农机工况的连续性识别,同时无法对农机工况转换阶段进行有效识别。(2)以拖拉机运行速度与发动机转速等信息构建样本图像来描述农机工况变化的数据表达,并在此基础上应用卷积神经网络可以有效实现农机工况的连续性识别,且识别准确率可以达到93.3%。本研究在农机工况识别方面具有一定参考价值,并为后续农机不同工况下区域污染物排放研究提供技术支持。     

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。     

玉米象的形态和分子特征鉴定

[目的]通过形态和分子特征鉴定玉米象.[方法]从采集到的大米样本中分离出玉米象,分别在高速度数码显微系统和扫描电镜下观察其外部形态和细微形态并进行拍照鉴定.同时提取DNA对cox1和ITS基因进行测序和分析.[结果]玉米象的体躯由头、胸、腹3部分组成,胸部由3个胸节组成,有胸足3对,体表散布密集的刻点.明显的鉴别特征有头部的额和颊延伸成象鼻状的喙,触角呈膝状弯曲,共见8个小节,口器位于细长喙的端部,上唇基本退化,代之为口上片,下颚须和下唇须退化而僵直,外咽片消失.雄虫外生殖器隐藏于腹部,来源于第9腹节,阳茎背面扁平,有2条平行的纵凹沟,雌虫Y形骨片尖.经克隆PCR扩增得到cox1、ITS基因片段大小分别为441、1445 bp,与已报道的玉米象cox1基因同源性分别为99.7％～100％,ITS基因为99.0％～99.3％.[结论]根据高速度数码显微系统和电镜下玉米象的形态特征,结合cox1和ITS基因序列分析,可为玉米象的鉴定和生物学分类提供依据,也可为防治玉米象对储粮的危害奠定基础.     

5种苹果野生资源果实香气物质的分析

以苹果系楸子(Malus prunifolia)、海棠花(Malus spectabilis)、西府海棠(Malus micromalus)、花红(Malus asiatica)和新疆野苹果(Malus sieversii) 5 个野生苹果种为材料，以甲基叔丁基醚（MTBE）为溶剂，进行香气物质的提取，并基于气相色谱质谱联用（GC-MS）技术对香气物质进行分离和鉴定。结果表明：5 种材料中共鉴定出 27 种香气物质，其中醇类 6 种、醛类 7 种、酯类 4 种、有机酸 4 种、萜烯 2 种和苯衍生物 4 种。其中反式-2-己烯醛、辛酸、α-法呢烯、苯酚以及对甲苯酚是 5 个野生苹果果实中共有的香气物质。这 5 种苹果野生资源果实的香气物质主要是以清香型的反式-2-己烯醛等醛类物质为主，但酯类和醇类也是构成不同种苹果特异香气的重要呈香物质。从特征香气组分来看，有8种是5个野生苹果种果实香气成分共有的特征香气，分别是法呢醇、己醛、反式-2-己烯醛、辛醛、壬醛、反式-2-癸烯醛、乙酸丁酯、己酸己酯。其中海棠花的特征香气物质有6种，西府海棠的特征香气物质有5种，新疆野苹果和楸子的特征香气物质有4种，花红苹果的特征香气物质有2种。     

基于GF-1和Sentinel-2时序数据的茶园识别

由于茶园大多分布在地形复杂的山区,地块破碎,分布零散,形状差异大、植被混杂且茶园所处环境长期受到云雨的影响,增加了茶园遥感识别的难度与不确定性,针对这一问题,该研究提出了利用高分1号(GF-1)和哨兵2号(Sentinel-2)时序数据提取茶园的方法,以浙江省武义县王宅镇为研究区,采用GF-1号为主要数据源,并利用MODIS地表反射率产品和Sentinel-2反射率数据,基于时空融合算法得到时间分辨率5 d的10 m Sentinel-2完整的时序数据。综合利用GF-1在空间细节方面的优势和重建的Sentinel-2高观测频率时序数据在反映茶树生长过程方面的优势,分别基于GF-1的光谱和纹理特征及GF-1的光谱、纹理特征和Sentinel-2时序特征两种特征组合方式,采用随机森林算法提取茶园。结果表明,GF-1光谱、纹理信息结合Sentinel-2时序信息分类结果的准确率、错误率、精确率、召回率和F1分数分别为96.91%、3.09%、89.00%、83.09%和0.86,仅基于GF-1光谱和纹理信息的分类准确率、错误率、精确率、召回率和F1分数分别为94.72%、5.28%、73.09%、84.61%和0.78,添加时序信息分类结果总体优于未添加时序信息的分类结果。表明高空间分辨率结合高频率时序遥感数据是提高茶园分类精度的有效手段。     

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。     

昆明海口林场滇藏钝果寄生的调查及寄生特性分析

桑寄生科(Loranthaceae)植物是常见的半寄生灌木,其过度繁殖会影响天然林和人工林生态、经济和社会效应的发挥.前期调查发现,昆明海口林场部分地区具有桑寄生危害,其主要种类为滇藏钝果寄生.为监控滇藏钝果寄生在林场的传播扩散,了解其寄生初期的选择偏好,本研究以昆明市海口林场滇藏钝果寄生危害最严重地区为中心,对其周边4个区域的传播情况进行样方调查,统计滇藏钝果寄生的寄主选择模式、构建寄生强度与寄主生长特征的归回关系.结果 表明,滇藏钝果寄生于郁闭度最低(30％)、坡度最大(27°)的样方2 (M2,中心样方)中危害严重,其余4个样方(M1,M3,M4,M5;周边样方)的感染程度较低,尚处于扩散初期.滇藏钝果寄生在所调查样地中具有明显的寄主选择性,几乎仅存在于槲栎中,但其扩散与槲栎在群落中的百分率无明显相关性.采用逐步回归法构建槲栎生长特征与寄生强度的线性关系,其冠幅和胸径可依次引入回归模型中,修正后的拟合度R2为0.526,方程式为y=-0.467+0.152x1+0.110x2.滇藏钝果寄生于样方M2和M1中的寄生高度百分率集中分布于40％～80％之间,而于M3、M4和M5中变幅较大,无明显集中区.该研究结果可为滇藏钝果寄生的生态防治提供科学基础.     

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。