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BP神经网络的柴油发动机特性建模

建立连续的发动机燃油特性和调速特性数学模型作为液压机械无级变速器虚拟试验平台的动力源。根据虚拟平台对不同特性区域的精度需求对柴油发动机不同特性区域的试验数据进行不同的密度选取、乱序和归一化处理,采用单隐层BP神经网络对试验数据进行训练,对比不同隐层节点数网络的训练误差和测试误差,选取误差最小的网络,求解出网络的数学表达式。通过该方法以ISLe310柴油发动机为例建立燃油特性和调速特性的连续数学模型,这两个简单的数学表达式准确反映了发动机万有特性和外特性,连续模型避免了虚拟试验中出现信号的突变和奇异点。通过和经典的最小二乘法拟合得到的最优特性模型进行对比,其具有更小的误差、更强的泛化能力,能够更好地反映柴油发动机的相关特性。     

基于声振信号对称极坐标图像的苹果霉心病早期检测

为实现苹果早期霉心病较高精度的检测，该研究采用对称极坐标法（Symmetrized Dot Pattern，SDP）将苹果声振信号变换为雪花图，然后采用AlexNet、VGG16和ResNet50卷积神经网络以迁移学习方式深度挖掘SDP雪花图像的特征信息，将其输入到支持向量机（Support Vector Machine，SVM）分类器，对霉心程度≤7%的苹果进行检测。研究结果表明，当时间间隔系数为25和角度放大因子为50°时，健康果与早期霉心果声振信号的SDP图形状特征差异最大，在此条件下获取的SDP图经卷积神经网络AlexNet、VGG16和ResNet50提取特征并构建了不同核函数的SVM霉心果检测模型，在各类SVM模型中，ResNet50-SVM-gaus（高斯基）模型用相对较少的训练时间和参数量可取得训练集霉心果较高分类准确率，经超参数优化训练该模型对健康果和早期霉心果测试集不平衡样本（10∶1）的总体分类准确率达到96.97%，平均查准率、平均查全率、平均加权调和均值、Kappa系数和马修斯相关系数值分别为80.19%、90.36%、86.21%，82.54%和82.68%，该模型不仅对多数类的健康果保持较高分类准确率，而且对少数类的早期霉心果也具有较高判别能力。这些研究结果为声振法应用于果蔬内部病害的早期在线检测系统研发提供了技术支撑。     

基于原型网络的小样本禽蛋图像特征检测方法

机器视觉因具有检测速度快、稳定性高及成本低等优点，已发展成为禽蛋无损检测领域主流检测手段。使用该技术对禽蛋进行无损检测时，需要依赖大量禽蛋图像作为数据支撑才能取得较好的检测效果。由于养殖安全等限制，禽蛋图像数据的采集成本较高，针对该问题，提出了一种适应于小样本禽蛋图像检测的原型网络（Prototypical network）。该网络利用引入注意力机制的逆残差结构搭建的卷积神经网络将不同类别的禽蛋图像映射至嵌入空间，并利用欧氏距离度量测试禽蛋图像在嵌入空间的类别，从而完成禽蛋图像的分类。本文利用该网络分别验证了小样本条件下受精蛋与无精蛋、双黄蛋与单黄蛋及裂纹蛋与正常蛋的分类检测效果，其检测精度分别为95%、98%、88%。试验结果表明本文方法能够有效地解决禽蛋图像检测中样本不足的问题，为禽蛋图像无损检测研究提供了新的思路。     

牛TLR4基因生物信息学分析

为了更加深入地了解牛TLR4基因的功能、结构及与该基因有关联的疾病识别及其致病机理,利用牛TLR4基因的氨基酸序列对其编码蛋白的基本理化性质、蛋白质译后的磷酸化位点和糖基化位点以及跨膜结构域和蛋白质结构进行预测。结果显示,牛TLR4基因一共编码841个氨基酸,负电荷残基总和(Asp+Glu)为84,正电荷残基总和(Arg+Lys)为76,不稳定指数小于40,表明该基因编码产物稳定性较好。在该基因整个编码产物中,亲水氨基酸占比较多,平均分值为-0.011,由此得知TLR4基因编码的蛋白质是一种易溶蛋白。有9个潜在的N-糖基化位点;78个磷酸化位点以及存在一个跨膜蛋白和存在信号肽,其切割位点在第25和第26个氨基酸之间。蛋白质的二、三级结构预测结果显示,二级结构和三级结构均由α-螺旋、β-折叠和无规则卷曲组成,其在生物合成、基因表达与调控等方面有重要作用。本研究结果可为牛TLR4基因深入研究提供理论基础。     

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。     

虾肽有机肥与磷肥配施对苹果产量和品质的影响

[目的]研究虾肽有机肥(SPOF)与磷肥配施的协同增效作用。[方法]采用田间小区试验,设尿素1.4 kg/株(CK)、尿素1.4 kg/株+农家肥50 kg/株+磷酸二氢钾1.54 kg/株(TT1)、尿素1.4 kg/株+SPOF 30 kg/株+磷酸二氢钾1.54 kg/株(TT2)、尿素1.4 kg/株+SPOF 30 kg/株+普通过磷酸钙0.83 kg/株+磷酸二氢钾1.25 kg/株(TT3)。[结果]各处理的产量TT3>TT2>TT1>CK,且TT3达到了显著水平;TT3的品质指标,即可溶性固形物、维生素C、蔗糖、葡萄糖以及硬度均达到了显著水平。[结论]TT3处理虾肽有机肥和磷肥(SSP+KH2PO4)协同将其效力发挥到最大。     

Intensive organic vegetable production increases soil organic carbon but with a lower carbon conversion efficiency than integrated management

Intensive vegetable production in greenhouses has rapidly expanded in China since the 1990s and increased to 1.3 million ha of farmland by 2016, which is the highest in the world. We conducted an 11‐year greenhouse vegetable production experiment from 2002 to 2013 to observe soil organic carbon (SOC) dynamics under three management systems, i.e., conventional (CON), integrated (ING), and intensive organic (ORG) farming. Soil samples (0–20 and 20–40 cm depth) were collected in 2002 and 2013 and separated into four particle‐size fractions, i.e., coarse sand (> 250 µm), fine sand (250–53 µm), silt (53–2 µm), and clay (< 2 µm). The SOC contents and δ¹³C values of the whole soil and the four particle‐size fractions were analyzed. After 11 years of vegetable farming, ORG and ING significantly increased SOC stocks (0–20 cm) by 4008 ± 36.6 and 2880 ± 365 kg C ha^?1 y^?1, respectively, 8.1‐ and 5.8‐times that of CON (494 ± 42.6 kg C ha^?1 y^?1). The SOC stock increase in ORG at 20–40 cm depth was 245 ± 66.4 kg C ha^?1 y^?1, significantly higher than in ING (66 ± 13.4 kg C ha^?1 y^?1) and CON (109 ± 44.8 kg C ha^?1 y^?1). Analyses of ¹³C revealed a significant increase in newly produced SOC in both soil layers in ORG. However, the carbon conversion efficiency (CE: increased organic carbon in soil divided by organic carbon input) was lower in ORG (14.4%–21.7%) than in ING (18.2%–27.4%). Among the four particle‐sizes in the 0–20 cm layer, the silt fraction exhibited the largest proportion of increase in SOC content (57.8% and 55.4% of the SOC increase in ORG and ING, respectively). A similar trend was detected in the 20–40 cm soil layer. Over all, intensive organic (ORG) vegetable production increases soil organic carbon but with a lower carbon conversion efficiency than integrated (ING) management.     

基于级联卷积神经网络的番茄花期识别检测方法

对作物花期状态的准确识别是温室作物执行授粉的前提。为提高花期状态识别的准确度，该研究以温室番茄为例提出了一种基于级联卷积神经网络的番茄花朵花期识别方法。首先采用改进的端到端的特征金字塔网络FS-FPN实现番茄花束的分割，然后采用Prim最小生成树对分割后的花束图片进行花期识别优先级排序，最后将已排序的分割花束图片输入改进的Yolov3网络，实现番茄花朵花期状态的精准识别。在由1600幅包含花蕾期、全开期、谢花期、初果期4类花期状态的番茄花束图像构成的数据集上，所提方法对番茄花朵花期平均检测时间为12.54 ms，平均检测精度分别比Mask R-CNN和SPP-Net提高了3.67%和2.39%，识别错误率比改进前的Yolov3网络降低了1.25%。最终将该方法部署到番茄授粉机器人上，并在大型玻璃温室内进行验证，结果表明，所提方法对番茄花朵各花期的检测精度分别为花蕾期85.71%、全开期95.46%、谢花期62.66%、初果期88.34%，该研究结果可为智能授粉机器人的精准作业提供重要依据。