影响茶叶中茶多酚含量的因素分析

本文从茶树种类、茶树生长环境、茶叶加工过程、茶叶贮存条件及茶叶冲泡条件等导致茶叶中茶多酚含量变化的因素展开综述分析,并提出相应改进策略,为茶多酚的研究、生产和应用提供科学参考.     

基于YOLOv5s的深度学习在自然场景苹果花朵检测中的应用

疏花是苹果栽培的重要管理措施,机械疏花是目前最具有发展潜力的疏花方式,花朵的高效检测是疏花机器人高效作业的重要保障。该研究基于机器视觉与深度学习技术,提出了一种基于YOLOv5s深度学习的苹果花朵检测方法,在对田间拍摄得到的苹果花朵图像标注后,将其送入微调的YOLOv5s目标检测网络进行苹果花朵的检测。经测试,模型的精确率为87.70%,召回率为0.94,均值平均精度(mean Average Precision, mAP)为97.20%,模型大小为14.09 MB,检测速度为60.17 帧/s,与YOLOv4、SSD和Faster-RCNN模型相比,召回率分别提高了0.07、0.15、0.07,mAP分别提高了8.15、9.75和9.68个百分点,模型大小减小了94.23%、84.54%、86.97%,检测速度提升了126.71%、32.30%、311.28%。同时,该研究对不同天气、颜色和光照情况下的苹果花朵进行检测,结果表明,该模型对晴天、多云、阴天、小雨天气下苹果花朵的检测精确率分别为86.20%、87.00%、87.90%、86.80%,召回率分别为0.93、0.94、0.94、0.94,mAP分别为97.50%、97.30%、96.80%、97.60%。该模型检测白色、粉色、玫红色和红色花朵的精确率分别为84.70%、91.70%、89.40%、86.90%,召回率分别为0.93、0.94、0.93、0.93,mAP分别为96.40%、97.70%、96.50%、97.90%。该模型检测顺光和逆光条件下苹果花朵的精确率分别为88.20%、86.40%,召回率分别为0.94、0.93,mAP分别为97.40%、97.10%。结果表明YOLOv5s可以准确快速地实现苹果花朵的检测,模型具有较高的鲁棒性,且模型较小,更有利于模型的迁移应用,可为疏花器械的发展提供一定的技术支持。