利用显著图构建注意力深度网络检测诱虫板蔬菜害虫

为提高诱虫板图像蔬菜害虫检测精度,针对背景区域容易导致误检的问题基于显著图分析技术构建了一种注意力深度网络害虫智能视觉检测方法。首先通过显著图筛选出粗候选区域;然后在粗候选区域内用全卷积神经网络精选出细候选区域;接着用神经网络分类器识别细候选区域害虫种类,得到含有冗余的若干检测框;最后用改进的非极大值抑制消除冗余检测框,实现诱虫板图像中目标害虫的检测。针对小菜蛾和瓜实蝇展开试验,获得86.4%的平均精度均值和0.111只的平均绝对计数误差均值,所提方法平均精度均值比Faster R-CNN和YOLOv4分别高2.74和1.56个百分点,平均绝对计数误差均值比Faster R-CNN和YOLOv4分别低0.006和0.003只;同时,消融试验中移除显著图注意力模块后平均精度均值下降了4个百分点、平均绝对计数误差均值增加了0.207只。试验结果表明,所提方法有效提高了诱虫板图像蔬菜害虫检测精度,其中,引入显著图注意力模块对提升检测精度有重要作用。     

紫色非硫光合细菌的研究

紫色非硫光合细菌的研究山东沂水酶制剂厂郭庆文中科院研究生院生物学部吉海平当前我国水产养殖业蒸蒸日上，但长远来看正经历着池塘老化，水质恶化，有机污染严重，致病微生物大量滋生，以致形成大量的鱼、虾、藻病害，有的品种死亡率高达５０％。据专家估计，以１０％死...     

麦芽糖的市场需求及生产用酶方法

随着人们对麦芽糖浆认识的深入和生产工艺的发展,麦芽糖浆的市场需求向多元化、功能性发展,不同企业生产同一品种的用酶方法也各具特点。本文归纳了市场对麦芽糖浆的需求种类,分析了不同麦芽糖浆的组成特点和应用范围,最后列举了各种麦芽糖浆的参考用酶方法。     

潜在性情报需求及其诱发

本文论述了潜在性情报需求的基本概念及存在形态上的特性及其成因。认为对潜在性情报需求进行诱发,促成其向现实性情报需求的转变,具有重要的意义。     

“一站式”医学文献资源整合系统的建立

 

对医学文献资源整合的必要性及其文献资源整合的类型进行了阐述，并提出了“一站式”医学文献资源整合系统建立的方法。

     

外源蛋白酶对肉鸡生长、消化和血液生化指标的影响

试验旨在研究饲料中添加蛋白酶对黄羽肉鸡生产性能、粗蛋白及氨基酸表观消化率和血液生化指标的影响。480只1日龄黄羽肉鸡,随机分为5组,对照组饲喂基础饲粮,试验组在基础饲粮的基础上分别添加100、200、400 mg/kg和800 mg/kg外源蛋白酶。结果显示,在黄羽肉鸡基础饲粮中添加适量蛋白酶,降低了肉鸡平均日采食量和料肉比,但对平均日增重无影响;提高了饲粮中蛋白质及氨基酸的消化利用率;有助于促进肉鸡对饲料中蛋白质、糖类物质的消化分解。由此可见,肉鸡饲粮中添加适量蛋白酶(最适添加量为200 mg/kg)能够在一定程度上提高饲粮蛋白质的消化率,从而改善其生长性能。     

杭州市各医院1995-2002年发表医药卫生学术论文的计量分析

 运用文献计量学的方法对《中国生物医学文献数据库》19

95-2002年收录的杭州市各医院在中华医学系列期刊上发表的论文进行计量分析，探讨8

年来这些单位的科研实力和学术水平的发展情况。

     

有效情报需求及其总量研究

本文从情报用户系统角度出发,研究情报需求概念的重要内涵——有效情报需求,揭示这一情报需求存在的客观特性及增加这一情报需求总量对社会、发展、技术进步的重要影响,以及增加这一情报需求总量的途径。     

基于空间注意力增强ResNeSt-101网络和迁移元学习的小样本害虫分类

害虫识别是害虫防治的关键基础,由于较难获得足够的害虫种类图像,如何使用少量标记图像构造害虫分类器是一个富有挑战性的问题。现有研究多采用匹配网络框架来解决这个问题,该框架使用元学习避免重新训练深度网络,然而主干网络的特征提取能力有限,元学习算法没有提供较好的权重初始化策略,可能导致网络出现梯度消失或者梯度爆炸的情况。为了解决这一问题,该研究提出一种基于空间注意力增强ResNeSt-101和迁移元学习算法的小样本害虫分类器。首先,通过一个空间注意力模块增强ResNeSt-101以更好地提取害虫图像特征,即在ResNeSt-101的第1阶段的最大池化层之前以及在第2～4阶段的末尾分别附加集成空间注意力模块,并通过数值仿真确定空间注意力增强模块的最佳放置位置为第1阶段的最大池化层之前。随后,通过迁移学习策略初始化网络权重,进而通过元学习进行优化。为了避免网络出现梯度消失或者梯度爆炸的情况,在元学习算法中选择归一化的温度缩放交叉熵损失函数代替三元组损失函数。最后,通过计算查询图像和支持图像深度特征之间的相似度实现害虫分类。所提出方法在自建的害虫图像数据集AD0和MIP50上使用N-类K-例准确率和每张图像处理时间（the time of per image processing,TPIP）进行评估。害虫图像数据集的构建方式如下：首先对公共害虫图像数据集IP102和D0进行清洗,以消除由于英文害虫名称导致的歧义类别;然后移除卵、幼虫和蛹阶段的害虫图像,仅保留成虫阶段的图像。考虑到人工和时间成本,从清理后的IP102害虫数据集中选择50个类别构建MIP50害虫图像数据集。随后,通过害虫的拉丁名称从互联网搜索更多的害虫图像,生成AD0害虫图像数据集。自建的MIP50数据集包括来自IP102的50个类别的16424张成虫图像,AD0包含来自D0的所有40个类别的17112张成虫图像。试验结果表明,当测试集中只有少数未知类别的害虫图像时,本文方法在AD0数据集上的5-类10-例评估准确率达到了96.37％,在MIP50数据集上达到了76.91％。当测试集中同时存在几个未知和已知类别的害虫图像时,所提方法在AD0数据集上的5-类10-例设置下的识别准确率达到了93.73％,在MIP50数据集上达到90.60％。同时,本文方法的TPIP大约为0.44 ms,满足大多数场景下的实时害虫识别要求。此外,消融试验结果表明,基于空间注意力增强ResNeSt-101网络和迁移元学习的小样本害虫分类方法在AD0、MIP50数据集上对未知类别害虫图像的5-类10-例的识别准确率分别比提升了5和3个百分点以上,具有良好应用前景。但未来研究中还需进一步研究本方法中存在的问题,如通过采用更好地表征支持集样本与查询集样本之间复杂关系的度量优化本工作中用到的度量以解决增加类别数可能导致分类准确率降低的问题,以及将所提方法应用于现实农业场景进行优化改进以更好提升本文方法的实用性。