基于轻量级无锚点深度卷积神经网络的树上苹果检测模型

为提高现有苹果目标检测模型在硬件资源受限制条件下的性能和适应性，实现在保持较高检测精度的同时，减轻模型计算量，降低检测耗时，减少模型计算和存储资源占用的目的，本研究通过改进轻量级的MobileNetV3网络，结合关键点预测的目标检测网络（CenterNet），构建了用于苹果检测的轻量级无锚点深度学习网络模型（M-CenterNet），并通过与CenterNet和单次多重检测器（Single Shot Multibox Detector，SSD）网络比较了模型的检测精度、模型容量和运行速度等方面的综合性能。对模型的测试结果表明，本研究模型的平均精度、误检率和漏检率分别为88.9%、10.9%和5.8%；模型体积和帧率分别为14.2MB和8.1fps；在不同光照方向、不同远近距离、不同受遮挡程度和不同果实数量等条件下有较好的果实检测效果和适应能力。在检测精度相当的情况下，所提网络模型体积仅为CenterNet网络的1/4；相比于SSD网络，所提网络模型的AP提升了3.9%，模型体积降低了84.3%；本网络模型在CPU环境中的运行速度比CenterNet和SSD网络提高了近1倍。研究结果可为非结构环境下果园作业平台的轻量化果实目标检测模型研究提供新的思路。     

人工智能驱动智慧奶牛养殖的思考与实践

奶牛养殖现代化是畜牧业现代化的关键风向标。奶牛养殖产业在人工智能等新一代信息技术的推动下,正加速向科技型和标准化转型、升级,智慧奶牛养殖作为智慧畜牧的具体表现形式,已受到广泛关注。阐述了智慧奶牛养殖的核心驱动力,总结了当前奶牛养殖中的智能化技术,分析了智能化奶牛养殖的成本效益,探讨了奶牛身份智能识别的研究实践,展望了智慧奶牛养殖的未来趋势,以期为我国奶牛养殖产业智能化转型、升级提供技术和方案上的参考。     

芽孢杆菌蛋白酶基因apr的克隆、 表达及序列分析

【研究目的】克隆从新疆吐鲁番地区土样分离获得产蛋白酶菌株Bacillus tequilensis C9蛋白酶基因apr,建立蛋白酶基因异源表达体系。【方法】采用PCR技术克隆获得目的基因,利用生物信息学软件进行序列分析,构建pET-28a原核表达重组质粒,转化BL21大肠杆菌,37℃下IPTG诱导表达融合蛋白,测定酶活。【结果】蛋白酶基因apr全长1098 bp,与Bacillus subtilis aprE (AB734697)有98%的同源性,编码含有299个氨基酸残基的成熟蛋白,是易溶、亲水性较强的蛋白,属于Peptidases_S8_S53 superfamily蛋白家族,融合蛋白分子量为29 kDa,蛋白酶酶活为28.4 u/mL。【结论】试验为构建蛋白酶基因高效表达体系奠定理论基础。     

基于视觉的茭白自动分级包装设备研究与开发

为降低茭白品质分级的劳动成本,建立统一分级标准,提高茭白分级包装的准确率及效率,开发一种基于机器视觉的茭白自动分级包装设备,利用深度学习技术获取茭白大小、形状、颜色、病虫害情况等表型特征对茭白进行品质分级。设备包含控制系统、上料模块、品质分级模块、分拣包装模块,具备自动分料、传输、品质分级、分拣包装功能。完成分料移送机构和归整机构设计以约束茭白位置实现单根有序稳定传输。机械臂4自由度协同控制确保茭白分拣包装有序进行。经现场测试,茭白品质分级的准确率为95.62%,分级包装效率达3 s/根,且稳定性良好。结果表明,该设备能自动、准确地完成茭白的品质分级和分拣包装,可为实现“机器换人”的转化和提升农业智能化水平提供技术支撑。     

基于深度学习的半监督图像标注系统设计与实现

针对深度学习研究中标注训练样本费时费力的问题,以食用菌为研究对象,设计一种基于深度学习的半监督图像标注方法。该方法将深度学习目标检测模型与迭代图像标注工作有效结合,采用“检测模型训练—目标自动检测—人工标注修正—检测模型更新”的迭代操作,实现半监督方式的图像标注。基于所设计的方法构建了半监督图像标注系统,在试验中对系统进行性能评测和分析。结果表明:迭代更新后的检测模型在测试集上的检测准确率为98.1%,召回率为88.5%,平均准确率为88.3%;利用所构建的半监督图像标注系统可以实现15s/幅的标注速度,单幅图像的标注耗时仅为纯手工标注耗时的2.5%,图像标注时间代价大幅降低。研究结果为深度学习研究中的训练样本标注提供了高效的标注方法和工具,有助于提高图像标注效率,减少人力成本投入。     

芽胞杆菌高产纤维素酶菌株的诱变选育与培养基优化

为获得高产纤维素酶菌株,采用紫外(UV)诱变和紫外-亚硝基胍(UV-NTG)复合诱变方法对新疆吐鲁番地区土壤中分离得到的产纤维素酶菌株芽胞杆菌C-8进行诱变筛选,并通过二次正交旋转组合试验和响应面试验对诱变筛选得到的菌株进行培养基的优化。结果表明,UV诱变菌株UV-5和UV-NTG比出发菌株C-8纤维素酶活分别提高了1.15倍和3.23倍;当发酵培养基中碳源浓度为3%、氮源浓度为1.5%、吐温-80的浓度为0.15%时,纤维素酶活达到453.20 U·m L-1,是出发菌株C-8的5.49倍和复合诱变菌株UV-NTG-10的1.7倍。本研究结果为纤维素酶的扩大发酵以及后期工业化生产提供了理论依据。     

机器学习在植物病害识别研究中的应用

植物病害识别是植物生长过程最重要也是最基本的环节,其既可以为高效除害提供最有力的依据,也可以减少一定的经济损失。随着信息技术的不断发展,在植物病害识别方面的研究工作已有一段历程,本文主要对机器学习技术在植物病害识别中的应用研究进行详细的综述。首先,通过调研植物病害问题的主要特征,明确植物病害识别研究中的识别任务;其次,阐述传统机器学习方法到深度学习的模式分类技术变迁,重点提出深度学习在植物病害识别中的应用优势;然后,调研机器学习在植物病害应用的相关研究文献,对文献所使用的模型、技术细节、数据来源、数据处理技术以及性能指标评价进行详细综述与对比,分析该领域研究存在的问题;最后,基于调研结果对植物病害识别的进一步研究展开讨论,同时对研究对象的特点与大规模数据集合的构建提出相关意见,在技术上提倡深度学习算法的使用,鼓励更加先进的模型尝试等建议。另外,还整理目前已经公开且可以下载使用的关于植物病害识别研究的数据库集合,为相关的研究提供便利。     

深度学习在植物叶部病害检测与识别的研究进展

植物病害准确检测与识别是其早期诊断与智能监测的关键,是病虫害精准化防治与信息化管理的核心.深度学习应用于植物病害检测与识别中,可以克服传统诊断方法的弊端,大幅提升病害检测与识别的准确率,引起了广泛关注.本文首先收集和介绍了部分公开的植物病害图像数据集,然后系统地综述了近年来深度学习在植物病害检测和识别中的研究应用进展,...     

噻虫嗪在辣椒上的残留消解特性研究

为了掌握噻虫嗪在辣椒上的残留消解规律，本文设置了日光温室栽培和露地栽培两种栽培条件，采用田间试验和液相质谱分析法，研究了不同剂量30%噻虫嗪悬浮剂在辣椒茎叶上喷洒后的残留消解动态。结果表明，噻虫嗪在日光温室辣椒和露地辣椒上的初始沉积量存在较大差异，施药剂量越大、初始沉积量越高；噻虫嗪在辣椒上的残留消解动态符合动力学一级降解方程；茎叶喷洒噻虫嗪60 g/hm²和120 g/hm²后，其降解速率基本相似，在露地辣椒上的半衰期分别为2.7 d和2.6 d，在日光温室辣椒上的半衰期分别为2.8 d和2.6 d;2种剂量的残留降解时间和最终残留量均符合蔬菜质量安全标准。     

基于视觉感知的畜禽智慧养殖管理与疫病诊断研究进展

为深入了解基于视觉智能感知的畜禽智慧养殖管理与疫病诊断的研究现状，本研究以“深度学习”、“个体检测”、“畜禽身份识别”、“体尺体重评估”、“体温检测”、“行为识别”、“疫病诊断”等为关键词，在Web of Science核心集合、Science Direct、CNKI等数据库就1990—2022年已发表的文献进行检索，从5个方面对研究畜禽智慧养殖管理与疫病诊断的方法与技术进行总结、归纳、分析。结果表明: 1)畜禽身份识别主要通过畜禽面部识别实现，针对单帧的畜禽面部数据设计无约束方法是未来研究方向。2)畜禽体尺体重智能评估研究中，基于三维点云的畜禽体尺体重高精度快速测量技术是研究的重点。3)由于畜禽疫病数据集的稀缺，基于小样本的畜禽疫病识别技术是突破疫病诊断的关键。4)畜禽体温检测关键是在复杂养殖环境下畜禽热窗的准确定位，通过检测分割算法对热红外模式下的图像进行精准检测。5)日常行为识别主要难点为长时间畜禽密集目标检测与跟踪，并计算其行为轨迹与特点；异常行为通过连续帧间的上下文关系进行识别，主要难点为畜禽异常行为数据稀少性和正负样本不均衡的问题。本综述对基于视觉智能感知的畜禽体温检测、体尺体重评估、行为识别与疫病诊断技术方法进行了研究现状阐述、难点分析和未来趋势展望，为视觉感知技术在畜禽养殖的技术演进和应用发展提供了参考方向。