基于近红外光谱的腐皮镰孢菌侵染香蕉过程表征研究

香蕉在采后贮运过程极易受致病菌侵染腐烂,实现香蕉果实(以下简称蕉果)致病菌侵染程度的判别有利于潜在染病果实的及时检出和采取科学的防控措施.以腐皮镰孢菌(Fusarium solani)侵染的蕉果为对象,通过采集致病菌侵染不同阶段的蕉果的近红外光谱(930～1 650 nm)数据,基于全波段数据,对比不同光谱预处理方法对模型的影响后,分别建立了基于原始光谱的主成分-支持向量机判别模型(Principal component analysis-support vector machine classification, PCA-SVM)与偏最小二乘判别(Partial least squares discriminant analysis, PLSDA)模型,均取得了较好的判别效果,其验证集的判别准确率分别为83.33%和76.67%.利用竞争自适应重加权采样(Competitive adaptive reweighted sampling, CARS)算法进一步筛选出10个特征波长变量(1 117.5、1 140.7、1 146.4、1 255.5、1 284.0、1 312.5、1 403.2、1 493.2、1 498.8和1 621.5nm),分别应用SVM与PLSDA建立了基于特征波长的致病菌侵染程度判别模型,CARS-SVM模型判别效果优于CARS-PLSDA模型,训练集与验证集判别准确率分别为84.78%和78.57%.结果表明,近红外光谱技术可较好地用于判别香蕉病菌侵染过程与程度.     

播期及覆膜处理对旱稻养分吸收和产量的影响

【目的】 研究裸地和覆膜处理与不同播期组合对旱稻生长、养分吸收及产量的影响。【方法】 采用田间试验,设置裸地和覆膜2个处理,每处理3个播期,即4月15日(早播)、5月1日(适播)、5月15日(晚播),旱稻品种选用旱香1号、旱香2号,分析旱稻的干物质重、养分吸收及产量。【结果】 覆膜处理旱稻干物质重、养分吸收及产量均显著高于裸地处理,分别高出14.7%~19.5%、8.8%~54.2%和18.4%~24.0%。不覆膜条件下,晚播干物质重、养分吸收及产量均显著高于早播,分别高出17.5%~22.1%、23.3%~55.0%和71.7%~85.1%。覆膜条件下,适播处理干物质重、养分吸收及产量最高,较早播和晚播分别增加9.0%~18.0%、7.5%~30.3%和3.6%~24.8%。【结论】 旱稻在覆膜和适播条件下,有利于旱稻生长和养分吸收,并提高产量,为最佳的栽培模式。     

婴幼儿奶粉中多种掺假物近红外高光谱图像检测方法

奶粉市场是食品掺假行为频发领域,其中婴幼儿配方奶粉价格高,其质量是消费者、生产企业和执法部门关注的重点。近红外高光谱成像（Near infrared-hyperspectral imaging, NIR-HSI）技术结合化学计量学和机器学习算法可以检测奶粉中单一掺假物含量。基于NIR-HSI技术研究了不同品牌婴幼儿奶粉中多掺假物（三聚氰胺、香兰素和淀粉）的定量预测。对基于像素点预处理后的高光谱图像划分感兴趣区域（Region of interest, ROI）,提取ROI平均光谱。基于经典的过滤式特征选择算法拉普拉斯分数（Laplacian score）（无监督）和ReliefF（有监督）挑选建模关键变量,建立偏最小二乘回归模型（Partial least squares, PLS）。开发包含自定义选择层的一维卷积神经网络模型（One-dimensional convolutional neural networks, 1DCNN）。自定义层根据权重系数绝对值,可确定重要波长变量。Laplacian score-PLS模型对预测集中奶粉、三聚氰胺、香兰素和淀粉质量分数预测结果均方根误差分别为0.1110%、0.0570%、0.0349%和0.3481%。ReliefF-PLS模型对预测集中奶粉、三聚氰胺、香兰素和淀粉预测结果均方根误差分别为0.1998%、0.0540%、0.0455%和0.1823%。1DCNN模型对预测集中奶粉、三聚氰胺、香兰素和淀粉质量分数预测结果均方根误差分别为0.8561%、0.0911%、00644%和0.2942%。对Laplacian score、ReliefF和自定义选择层挑选出的前15个重要波长进行对比分析,不同特征选择方法挑选的特征波长子集有所区别,但都选择 1210、1474、1524、1680nm等附近波长。基于ReliefF-PLS模型的可视化结果表明了其良好的预测能力。     

环保型水培种植载体性能的试验研究

为筛选出适合立体水培生产的可降解环保型种植载体,本研究对不同种植载体的原料特性、机械特性及栽培效果进行了分析。结果表明,与花泥型、淀粉型种植载体相比,生物质炭型种植载体的机械性能较好,其中生物质炭1的跌落损失率<3.5%、粘附性<0.2 N·mm、回弹率>75%、内聚性>0.5 N·mm、硬度>80 N。其水培特性符合种植标准,pH值为6.68,吸水率为330.52%,保水率为93.64%,经过6周降解后的降解率为9.23%。其在育苗过程中的发芽率为66.67%;植株的壮苗指数最高,为3.91,种植后的EC值为667.33 ppm。通过主成分分析可知,竹炭+竹纤维为原料的生物质炭型载体的综合性能最好,为环境友好型种植载体的研究和应用提供了科学依据和技术支持,具有重要的理论和实践价值。     

旱稻和水稻生长发育及产量对灌水量的响应

【目的】 研究不同灌水量对旱稻(旱香1号)和水稻(粮香3号)的产量及生育特性的影响,为新疆旱稻种植的适宜灌溉量提供理论依据。【方法】 采用覆膜滴灌栽培模式,以旱稻和水稻为研究对象,水稻为对照,设置5个灌水量,分别为 375 mm(W₁)、525 mm(W₂)、675 mm(W₃)、900 mm(W₄)、1 125 mm(W₅),研究滴灌覆膜下不同灌溉量对旱稻和水稻产量和生长发育的影响。【结果】 不同灌水处理下,旱稻和水稻随灌水量减少生育期延迟、株高、叶面积指数、干物质量、产量、WUE等呈下降趋势。675 mm(W₃)处理下旱稻产量及WUE显著提高,分别为4 506 kg/hm²、0.67;1 125 mm(W₅)处理下水稻产量最高为7 485 kg/hm²,WUE为0.67。当灌水量大于675 mm后增加灌溉量旱稻产量无显著差异,且旱稻在 675 mm(W₃)灌溉量时比水稻产量高60.45%、水分利用效率高61.19%。旱稻各灌溉下产量平均值比水稻高11.24%、水分利用效率高10%、节水22.2%。【结论】 新疆干旱区种植旱稻受水分限制小,在节约水资源、提高产量的同时,新疆旱稻种植的最优灌水量为675 mm。     

基于可见/近红外高光谱的八角茴香与莽草无损鉴别

基于高光谱成像技术提出了一种八角茴香与其伪品莽草的快速鉴别方法。实验采集400~1000nm范围的高光谱数据,依据样本和背景像素点的光谱特征差异,选择850nm和450nm下的图像并进行差运算,结合阈值法去除背景信息,利用线性拉伸去除样本高度引入的阴影噪声像素点,再结合二值图像区域标记法从样本高光谱数据中自动提取其平均光谱数据;利用平均光谱数据,采用连续投影算法（Successive projections algorithm, SPA）选取了4个最优波长：533、617、665、807nm;基于最优波长下的光谱数据,建立了偏最小二乘判别（Partial least square discrimination analysis,PLSDA）模型,模型对鉴别八角和莽草的总体准确率为98.4%;利用所建多光谱模型对外部验证集数据进行预测,总体分类准确率为97.9%。利用常规图像处理技术同时对外部验证集数据进行处理,并对两种技术方法进行了比较,结果表明,依托高光谱成像技术建立的八角和莽草辨识的多光谱分析方法简单、高效,易于实现动态在线便携式检测。     

基于机器视觉的芒果果形评价方法研究

果形是芒果分级的重要指标。为避免人为主观因素对芒果分级的影响,采用图像处理技术对芒果果形进行自动检测,提出芒果果形评价指标及方法,对50个芒果的果形指标进行聚类分析,确定各评价指标的分级依据。并对该评价方法进行试验验证,结果表明采用芒果果形指数和饱满度相结合的方法对芒果果形进行评价其准确率可达92%。     

成熟期菜心茎秆切割力学特性测试

为了给水培叶菜机械化收获提供合理、准确的设计依据,降低叶菜收获损失,选取菜心为试验对象,以切割刀类型、切割速度、菜心品种为自变量,最大切割力为响应指标,采用单因素和混合水平正交试验法,对茎秆进行了切割试验,对各因素及其交互作用进行了分析。单因素结果表明,品种、切割刀类型、切割速度对最大切割力的影响均显著,切割速度对最大切割力影响最大。混合水平正交试验结果表明,品种和切割速度的交互影响显著水平最高;最优试验组合为青野尖叶菜心、斜刀和切割速度12 m/min。试验研究结果为切割装置的设计提供理论依据。      

新农科背景下农工融合创新人才培养模式探究——以仲恺农业工程学院农业工程专业建设为例

响应新农科人才培养导向指南及国家科教兴农战略,仲恺农业工程学院积极探索农工交叉融合培养应用型创新人才培养模式。本文从专业建设背景入手,以机械工程专业为基础建设农业工程专业,构建了地方农林院校农工交叉融合专业人才培养模式,包括课程体系建设、师资团队构建等,并通过实践证明新农科新工科融合背景下这种模式有利于提高学生的创新能力和对知识的应用能力,为新农科教育和地域三农建设提供一定参考价值。     

基于迁移学习的芒果成熟度分类算法研究

成熟度判别是芒果采收及储藏的重要依据.为了适应移动设备硬件算力的限制，对比了传统机器学习方法和迁移学习方法在芒果成熟度鉴别方面的表现，优选最佳模型并开发了芒果成熟度分类软件.试验采集了不同成熟度的小台农图像100张，进行数据扩充后按照8:2划分为训练集和测试集，以准确率、F1值和预测时间作为模型评价指标，分别采用k近邻(K-NearestNeighbor, KNN)、支持向量机(Support vector machine, SVM)、朴素贝叶斯(Naive bayes, NB)、决策树(Decision tree, DT)机器学习算法模型和AlexNet、ResNet18、VGG16、GoogleNet和SqueezeNet迁移学习算法模型进行训练和测试，并对比分析各模型的表现.结果表明：机器学习虽然运算速度快，但分类的准确率明显低于迁移学习，迁移学习的分类准确率均在90%以上.但综合考虑模型的分类准确率和计算能力认为Resnet18表现最佳，它在迭代20次后准确率达到98.75%,而测试时间仅为74.66 ms,优于其它深度学习模型.