不同饲养水平对瑶山鸡生产性能和胴体品质的影响

文章旨在研究不同饲养水平对瑶山鸡生产性能和胴体特征的影响。试验将400只平均体重一致的1日龄瑶山鸡随机分为2组,每组4个重复,每个重复50只。2组分别饲喂代谢能水平为3155 Kcal/kg、粗蛋白质水平为225 g/kg的高能高蛋白日粮和代谢能水平为2965 Kcal/kg、粗蛋白质水平为195 g/kg的低能低蛋白日粮。试验共开展10 w。同时将240只产蛋高峰期瑶山鸡随机分为2组,每组4个重复,每个重复30只,饲喂上述日粮4 w,试验结束后收集受精蛋进行孵化。结果:高能高蛋白组种鸡在8和10 w的体重和采食量均显著高于低能低蛋白组(P<0.05),而料重比显著降低(P<0.05)。高能高蛋白组种鸡受精率和孵化率显著高于低能低蛋白组(P<0.05),而残次率、胚胎死亡率和出壳前死亡率显著降低(P<0.05)。1~10 w时高能高蛋白组种鸡体重均显著高于低能低蛋白组(P<0.05),与低能低蛋白组相比,高能高蛋白组屠体重、可食用部分显著升高(P<0.05),腿肌占比显著降低(P<0.05)。结论:中等生长速度的瑶山肉种鸡可以更有效地利用高能量高蛋白(代谢能:3155 Kcal/kg,粗蛋白质:225 g/kg)饲料。     

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。     

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。     

电子鼻技术在肉与肉制品检测中的研究进展和应用展望

电子鼻因具备操作简单、能够快速、无损检测的特点，满足人们对肉与肉制品安全指标高效和高精确度检测提出了更高的要求。本文阐述了电子鼻技术的检测原理和其在硬件和软件系统方面的发展；从肉与肉制品的新鲜度检测、掺假检测、风味评价、病原微生物污染检测四个方向，对近年来电子鼻技术在肉与肉制品检测的应用研究进展进行了分析，突出了电子鼻技术应用的可行性和先进性；指出电子鼻技术在肉与肉制品检测中面临的检测效果参差不齐，电子鼻仪器体积大、价格高昂，模型通用性和普及性不够等不足。最后，本文从硬件系统和软件系统两方面，对未来电子鼻技术的发展及其应用前景进行了展望，包括硬件系统方面提高电子鼻传感器阵列电极膜材料的性能，增强电子鼻耐用性和识别气味的灵敏度；软件系统方面不断探索引入新的模式识别算法，使电子鼻技术实现对气味更快、更准确的识别分析。     

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。     

鸡脂肪组织TCF21基因启动子区DNA甲基化与其表达的关系

旨在研究鸡脂肪组织中TCF21基因启动子区DNA甲基化水平与其表达的关系。以东北农业大学高、低腹脂双向选择品系（简称高、低脂系）第24世代7周龄肉鸡为试验材料，利用RT-qPCR检测高、低脂系肉鸡腹部脂肪组织中TCF21基因的mRNA表达水平；利用生物信息学和双荧光素酶报告系统分析TCF21基因启动子的结构与功能；利用Sequenom MassARRAY飞行质谱检测高、低脂系肉鸡腹部脂肪组织中TCF21基因启动子区CpG位点的甲基化水平；利用CpG甲基转移酶处理TCF21启动子报告基因质粒，分析DNA甲基化对TCF21基因启动子活性的影响。结果显示，高脂系肉鸡腹部脂肪组织中TCF21基因的mRNA表达水平极显著高于低脂系（P<0.001）；TCF21基因的启动子区存在40个CpG位点，且在启动子的近端和远端均有分布，但不存在CpG岛；将TCF21基因的启动子划分为5个功能区域，分别为R1区域（-2 000~-1 500 bp）、R2区域（-1 500~-1 000 bp）、R3区域（-1 000~-500 bp）、R4区域（-500~-200 bp）和Core区域（-200~-100 bp）；高脂系R2、R3和R2+R3区域的DNA甲基化水平显著或极显著高于低脂系（P<0.05或P<0.001）；R2、R3、R2+R3区域的DNA甲基化水平与TCF21基因mRNA表达水平呈显著正相关（R2区域：r=0.438，P<0.05；R3区域：r=0.371，P<0.05；R2+R3区域：r=0.489，P<0.05）；R2区域的DNA甲基化显著抑制其转录活性（P<0.05）。综上所述，TCF21基因在高、低脂系肉鸡腹部脂肪组织中的表达水平主要与其启动子R2区域的DNA甲基化水平有关。     

固原鸡品种选育和杂交改良的基本思路和关键措施

为充分发挥固原鸡品种的遗传潜力和杂种优势,推进地方鸡品种的开发利用,本文总结了一些蛋鸡和肉鸡的选育方法,结合传统育种和基因组水平选育的技术方法,以及目前固原鸡生产性能和种群开发利用现状,提出对固原鸡选育提高和杂交改良的思路和建议。     

基于卷积神经网络马铃薯叶片病害识别和病斑检测*

针对自然环境下马铃薯叶片病害识别率低和晚疫病斑定位难的问题,基于大田环境中采集的马铃薯叶片图像,首先对马铃薯叶片病害进行识别,对比AlexNet、VGG16、InceptionV3、ResNet50、MobileNet五种神经网络模型,结果表明InceptionV3模型的识别效果准确率最高,可达98.00%。其次对马铃薯叶片的晚疫病斑进行检测,提出一种改进型的CenterNet-SPP模型,该模型通过特征提取网络获取对象的中心点,再通过中心点回归获得中心点偏移量、目标大小等图像信息,训练后的模型在验证集下的mAP可达90.03%,以F₁为评价值分析对比其它目标检测模型,CenterNet-SPP模型的效果最好,准确率为94.93%,召回率为90.34%,F₁值为92.58%,平均检测一张图像耗时0.10 s。为自然环境下马铃薯叶片病害识别和检测提供较为全面的深度学习算法和模型研究基础。     

基于卷积神经网络的玉米病害识别方法研究

为解决传统的玉米病害识别方法中特征提取主观性强及误识率高的问题,提出利用卷积神经网络对玉米病害进行识别。以玉米病害图像和健康图像共5种类别的玉米图像为研究对象,并采用LeNet模型进行试验。首先,按照8∶2的比例为每种玉米病害图像选择训练集和测试集。然后,通过试验组合和对比分析的方法比较不同卷积神经网络结构设置对准确率的影响,选出最佳参数。另外,选用Adam算法代替SGD算法来优化模型,通过指数衰减法调整学习率,将L2正则项添加到交叉熵函数中,并选择Dropout策略和ReLU激励函数。最后,确定了一个10层CNN网络结构。试验结果显示,玉米花叶病、灰斑病、锈病、叶斑病和玉米健康识别率分别为95.83%、90.57%、100%、93.75%、100%,平均识别率达96%,平均计算时间为0.15 s。经试验结果比较,该模型识别效果明显高于传统方法,为玉米病害的防治提供技术支持。