改进RetinaNet的刺梨果实图像识别

为实现加工车间刺梨果实的快速识别,提出一种基于改进的RetinaNet刺梨果实图像的识别方法。基于RetinaNet的模型,对RetinaNet框架中Focal loss的bias进行改进,使其能根据不同的情况控制bias的取值,再运用维度聚类算法找出Anchor的较好尺寸并匹配到相对应的特征层,对卷积神经网络结构进行优化。通过改进RetinaNet目标检测算法对7426幅刺梨果实图像进行检测识别,并与原始RetinaNet目标检测算法对比。试验结果表明:改进的RetinaNet网络模型识别方法对6类刺梨果实的识别率分别为99.47%、91.42%、96.92%、90.92%、96.89%和93.53%,平均识别率为94.86%;相对于原始RetinaNet目标检测算法,改进算法的识别准确率提高4.21%,单个刺梨果实检测时间由60.99 ms缩减到57.91 ms,检测时间缩短5.05%。本文改进算法对加工车间刺梨果实的识别具有较高的正确率和实用性。     

基于深度学习的自然环境下刺梨果实识别

采用0.57R-0.18G-0.2B色差分量法对刺梨图像进行处理,通过Ostu自适应阈值分割、形态学滤波和二值图像白色色素面积阈值等方法对图像进行一次分割。根据刺梨果实图像的颜色和纹理特征,再采用YCbCr颜色空间模型中各分量的阈值对图像进行二次分割。通过标记分水岭分割算法对粘连果实连通区域进行分割,利用Hough圆变换对独立、遮挡和重叠情况下的果实外圆进行拟合和修复,最终获取果实质心坐标及其半径。试验结果表明:刺梨果实识别正确率均高于92%,说明本算法能够对刺梨果实进行有效地识别。     

YG中间砧对富士苹果芳香物质成分的影响

为探明抗病砧木YG作中间砧对红富士苹果品质及风味的影响, 采用气相色谱-质谱(GC-MS)法对红富士果实主要芳香物质成分的变化进行了分析.结果表明, 富士/八棱海棠和富士/YG/八棱海棠两种处理,果实中主要的芳香物质是酯类和醇类,酯类含量又显著高于醇类含量;富士/YG/八棱海棠比富士/八棱海棠果实中酯类的种类和相对含量都多.其中丁酸乙酯、2 -甲基丁酸乙酯、丙酸乙酯、乙酸乙酯、己酸乙酯和乙酸己酯是两种果实中酯类相对含量较多的化合物.抗病中间砧能够提高果实中酯类和酸类物质的相对含量,降低果实中醇类和醛类物质的相对含量.     

基于残差网络的自然环境中刺梨果实的识别

针对传统的目标检测方法依赖人工提取特征,存在检测效率低、鲁棒性差和实时性差等缺陷。本文根据刺梨果实在自然环境中的生长特点,采用带有残差模块的YOLO v3神经网络进行刺梨果实识别模型的训练,该网络通过提取不同卷积层的特征图,将深层特征图进行上采样后与浅层特征图进行多次融合,以提取图像的更深层次的特征信息。通过对该网络的相关参数进行优化和改进,并对未参与模型训练的70幅刺梨图像进行检测,实验表明,本文算法能够有效地对自然环境下的11类刺梨果实进行识别,各类识别平均准确率为88.5%,平均召回率为91.5%,F_1平均值为89.9%,识别速率约为20 f/s。本文算法在刺梨果实的识别上取得了理想的识别效果。     

培养基成分对桑树试管苗黄酮类化合物含量的影响

基于探讨适合桑黄酮类化合物合成的优化培养条件,以桑品种陕桑305为材料,研究了培养基成分及其添加量对桑树试管苗黄酮类化合物含量的影响。结果表明:当培养基中果糖的质量浓度为30g/L,氮元素浓度为60.02mmol/L,氨态氮与硝态氮物质的量比为0.3165,MnSO4·4H2O和ZnSO4·7H2O的质量浓度分别为11.15、4.3mg/L,激素质量浓度为0.1mg/LNAA(α-萘乙酸)、0.5mg/L6-BA(6-苄氨基嘌呤)、0.5mg/LKT(激动素)时,有利于桑树试管苗叶片中黄酮类化合物的合成;Mn2+和Zn2+浓度能影响苯丙氨酸解氨酶活性,当培养基中的MnSO4·4H2O和ZnSO4·7H2O分别为11.15、4.3mg/L时,酶活性最高。     

桑叶挥发性成分的静态顶空-气相色谱-质谱分析

基于为桑树的生理生态、病虫害防治及家蚕的取食生理机制研究提供基础实验方法与数据的目的,采用静态顶空-气相色谱-质谱联用技术检测并分析比较了实生桑及桑品种鲁7946和农桑14号的桑叶挥发性成分。在供试的实生桑和桑品种的桑叶中都检测鉴定出超过30种挥发性化合物,主要为烃(烷烃和烯烃)、醇(酮)和酯类物质,实生桑及不同桑品种桑叶中的挥发物成分和比例不同,其共有成分的种类占50%左右。推测其共有成分为桑叶的一般性挥发物,而一些特异成分则属于检测桑叶样品中高度特异性的挥发物。     

桑树苯丙氨酸解氨酶基因克隆与序列分析

苯丙氨酸解氨酶(PAL,EC 4.3.1.5)是植物体内苯丙烷类代谢途径中的关键酶和限速酶,与植物的抗病性和植物体内黄酮类色素等多种次生物质的生物合成密切相关。利用同源克隆方法成功克隆了桑树苯丙氨酸解氨酶基因(pal)cDNA片段(GenBank登录号:FJ938356),该片段长1 105 bp,编码367个氨基酸,氨基酸序列的34-50区域为PAL的特征序列。桑树pal基因和其他植物pal基因的同源性分析表明其与甜樱桃的亲缘关系最近,同源性高达82%,与树莓的同源性达80%,与杨树和咖啡树也达到75%,由此也证实克隆的桑树cDNA片段为pal基因家族成员之一。     

改进Faster-RCNN自然环境下识别刺梨果实

为了实现自然环境下刺梨果实的快速准确识别,根据刺梨果实的特点,该文提出了一种基于改进的Faster RCNN刺梨果实识别方法。该文卷积神经网络采用双线性插值方法,选用FasterRCNN的交替优化训练方式(alternating optimization),将卷积神经网络中的感兴趣区域池化(ROI pooling)改进为感兴趣区域校准(ROI align)的区域特征聚集方式,使得检测结果中的目标矩形框更加精确。通过比较Faster RCNN框架下的VGG16、VGG_CNN_M1024以及ZF 3种网络模型训练的精度-召回率,最终选择VGG16网络模型,该网络模型对11类刺梨果实的识别精度分别为94.00%、90.85%、83.74%、98.55%、96.42%、98.43%、89.18%、90.61%、100.00%、88.47%和90.91%,平均识别精度为92.01%。通过对300幅自然环境下随机拍摄的未参与识别模型训练的刺梨果实图像进行检测,并选择以召回率、准确率以及F1值作为识别模型性能评价的3个指标。检测结果表明:改进算法训练出来的识别模型对刺梨果实的11种形态的召回率最低为81.40%,最高达96.93%;准确率最低为85.63%,最高达95.53%;F1值最低为87.50%,最高达94.99%。检测的平均速度能够达到0.2 s/幅。该文算法对自然条件下刺梨果实的识别具有较高的正确率和实时性。