新中式景观的传承与创新探讨

改革开放以来经济的发展,中华民族传统的文化也走上了复兴道路,民族对自身文化的认同感增强,在园林设计上人民对传统文化的认同感逐步增强,在园林设计上需要注入现代元素,也要保留传统的韵味,打造符合现代人审美的一种新的园林景观。基于这样的背景,新中式景观得以诞生且飞速发展,并被运用于各色设计中。新中式景观独具特色的文化内涵能够能让人体会到传统文化内涵,其空间布局灵活多变,凝练唯美,能为居住者提供一个情感交流的空间场地。因此,新中式园林的产生也是一种历史必然的结果。     

边缘计算在智慧农业中的应用现状与展望

互联网技术快速发展使得数据量剧增,云计算的数据集中处理模式存在实时性不足、能耗过高以及数据安全等一系列问题。边缘计算是在靠近数据源端执行计算的分散处理模式,与云计算相比具有低延迟、低成本、安全性高、个性化设计等优势。随着智慧农业迅速发展,结合深度学习的农业应用屡见不鲜,如作物病害检测、生长环境监测、作物自动采摘、无人农场管理等,边缘计算可以为农业多场景、复杂任务提供高效、可靠的新型数据处理方案。该研究概述了边缘计算的发展,计算架构及主要优势;介绍了边缘计算在农业中的应用背景,结合文献量分析,归纳了边缘计算在农业上的主要应用场景及相关智能农业装备,调研了现有常用边缘计算设备及性能参数,总结了适合边缘计算的主流深度学习算法及模型压缩方法。研究表明边缘计算在智慧农业中的应用有效促进了农业的数字化、智能化,未来在多场景、多功能边缘计算智能农业装备开发等领域将面临重大挑战和机遇。     

基于改进DenseNet和迁移学习的荷叶病虫害识别模型

病虫害的发生将会严重影响莲藕品质与产量,开展病害诊断与识别对藕田病虫害及时对症对病诊治、提升莲藕生产质量与经济效益具有重要意义。该研究以荷叶病虫害高效、准确识别为目标,提出了一种基于改进DenseNet和迁移学习的荷叶病虫害识别模型。采用分支结构对模型的浅层特征提取模块进行改进,并在Dense Block与Transition Layer中引入Squeeze and Excitation注意力机制模块和锐化的余弦卷积,最后基于Plantvillage数据集进行迁移学习,实现了91.34%的识别准确率。该研究实现了对荷叶腐败病、病毒病、斜纹夜蛾、叶腐病、叶斑病的识别,并将改进后的模型推广应用于基于无人机图像的藕田病虫害检测,实现了病害分布可视化,可对莲藕病虫害的智能化防治提供有益指导。     

基于深度全卷积神经网络的大田稻穗分割

稻穗的准确分割是获取水稻穗部性状、实现水稻表型自动化测量的关键。该研究应用水稻图像数据集及数据增广技术,离线训练了用于稻穗分割的3个分别基于Seg Net,Deep LAB和PSPNet的全卷积神经网络。综合考虑分割性能和计算速度,优选了基于Seg Net的网络,称为Panicle Net。在线分割阶段先将原始图像划分为子图,由Panicle Net分割子图,再拼接子图得到分割结果。比较该算法及现有作物果穗分割算法Panicle-SEG、HSeg、i2滞后阈值法及joint Seg,该算法对与训练样本同年度拍摄样本Qseg值0.76、F值0.86,不同年度样本Qseg值0.67、F值0.80,远优于次优的Panicle-SEG算法,且计算速度约为Panicle-SEG算法的35倍。该算法能克服稻穗边缘严重不规则、不同品种及生育期稻穗外观差异大、穂叶颜色混叠和复杂大田环境中光照、遮挡等因素的干扰,提升稻穗分割准确度及效率,进而服务于水稻育种栽培。     

基于结构光三维点云的棉花幼苗叶片性状解析方法

针对传统的棉花叶片表型测量方法主观、低效,对复杂性状如卷叶程度、黄叶占比等很难量化的问题,提出一种基于结构光三维成像的棉花幼苗叶片性状解析方法。首先,采用结构光扫描仪获取棉花幼苗的三维点云数据;然后,利用直通滤波、超体聚类、条件欧氏距离算法,实现叶片点云的识别与分割;最后,基于分割的叶片点云,采用三角面片化、随机采样一致性、Lab颜色分割等处理,实现叶片面积、周长、生长角度、卷曲度、黄叶占比等参数的快速、准确、无损提取。对40株棉花幼苗进行三维结构光成像试验,结果表明,3D叶片面积、周长测量的平均绝对误差分别为2. 59%、2. 85%,具有较高的测量精度,还证明叶片卷曲度和黄叶占比能显著区分病叶和正常叶。     

小麦分蘖形态学特征X射线-CT无损检测

针对传统小麦分蘖形态学特征需采用人工接触或有损方法获取,不仅过程繁琐、主观性强而且会影响小麦后续生长。为实现小麦分蘖性状快速、准确、无损测量,该文提出一种基于X射线断层成像的小麦分蘖形态学特征提取方法。首先构建了小麦分蘖X-ray CT断层扫描成像系统,采用滤波反投影(filtered back projection,FBP)断层重建算法和图形处理单元(graphics processing unit,GPU)加速算法快速获取小麦分蘖茎秆断层图像,设计了专门的分蘖图像分析算法实现对小麦分蘖形态学特征参数(分蘖数、分蘖角度、分蘖茎粗和分蘖壁厚)的无损检测。该研究对107株小麦植株测量结果表明:分蘖数测量准确率可达100%,分蘖角度、茎粗和壁厚的平均测量误差分别为3.65%,4.84%和7.86%。该技术相较于人工测量方法和石蜡切片方法,能够对小麦分蘖形态学特征进行较为精准无损检测,实现单株测量效率约200 s,对于小麦功能基因组和抗倒伏能力品种的筛选具有重要的研究意义。     

酸性电解水的稳定性研究

在酸性电解水的稳定性研究中,开机后酸性氧化电位水生成器仅需制水2 min,可得到理化性质稳定的酸性电解水;酸性电解水的理化指标受电流影响,随着电流的增加,ORP与ACC呈上升趋势(p<0.05),pH值呈下降趋势(p<0.05);光照条件、密封情况、贮藏温度、贮藏时间等因素对酸性电解水ORP,ACC,pH值的稳定性有较大影响,室内封口避光条件有利于酸性电解水的贮藏。     

基于Micro-CT和改进DeepSORT的再生稻再生芽追踪计数与再生力评价

再生稻具有一种两收的优势,其再生力直接决定了水稻再生季产量,而水稻再生力与再生季再生芽的数量密切相关。传统人工水稻再生芽检测方法存在接触损伤、主观低效和重复性差等缺点,因此该研究提出了一种基于Micro-CT（computed tomography）和改进的DeepSORT（simple online and realtime tracking）的再生芽多目标追踪计数和再生力评价方法。首先采用Micro-CT成像获取再生季水稻断层图视频流,然后利用YOLOv5s网络作为再生芽追踪检测器,最后通过改进的DeepSORT追踪算法实现水稻再生芽的精准追踪计数。其中DeepSORT改进包括优化再生芽追踪过程中的ID错误;增加再生芽目标追踪的匹配次数,改善ID跳变的问题;计算再生芽的高度信息,实现对再生芽中有效芽的判别。试验结果表明,在目标检测上,YOLOv5s对再生芽和茎秆的平均检测准确率分别为97.3%和99.1%,在再生芽多目标追踪上,改进的DeepSORT算法的多目标跟踪准确度为77.61%,高阶跟踪精度为61.73%,ID跳变为6,与改进之前相比,多目标跟踪准确度和高阶跟踪精度分别提升了1.51和8.5个百分点,ID跳变降低了94%。对8种不同处理共104盆水稻再生芽进行追踪计数,将系统测量值与人工测量值进行统计对比,结果证明本文方法测量的再生芽数量和人工观测值的决定系数为0.983,均方根误差为3.460,平均绝对百分比误差为5.647%,两者具有较高的回归性。研究基于有效再生芽和茎秆数量的比值得到水稻早期再生力,对2个水稻品种共38盆水稻的再生力和再生季实际产量进行相关分析得到决定系数分别为0.795和0.764。该研究为水稻再生芽无损检测和再生力早期评价提供了一种新的技术途径。     

智能化技术在水稻生产全程机械化中的应用研究与发展趋势

智能控制是水稻生产全程机械化向智能化发展的关键核心技术.本文从水稻作业环节中的耕整地、种植、田间管理和收获四个方面概述分析了国内外水稻生产机具使用情况和机械化作业情况,着重阐述了智能化技术在水稻生产全程机械化中的应用研究,涵盖了耕深智能调节与自动平地技术、工厂化育秧移栽与精量直播技术、田间管理智能化技术(灌溉、施肥、除草和病虫害防治)、收获机在线监测和智能控制技术、自动导航与无人驾驶技术等.指出了制约水稻生产全程机械化向智能化发展的技术难点,并展望了其未来发展趋势,以期为智能化技术在水稻生产全程机械化中的应用提供参考.     

基于X-ray透射成像的稻穗米粒粒型及谷粒饱满度测量

稻穗是水稻产量、干物质积累的最终表现,稻穗米粒粒型和谷粒饱满度对水稻遗传育种及功能基因解析具有重要意义。传统稻穗米粒粒型测量需要经过脱粒、脱壳步骤,不仅过程繁琐而且可能有损伤、可靠性差,而谷粒饱满度测量主要通过水沉法或风选法,无法实现定量测量。为了实现在不脱粒、不脱壳情况下无损观测稻穗内部米粒,提出一种测量稻穗米粒粒型和谷粒饱满度的新方法。采用X-ray透射成像方式获取稻穗射线吸收图,然后采用自动阈值分割、分水岭、图像标记等算法得到单颗米粒标记图像;再采用椭圆检测、边缘提取计算得到米粒的粒长、粒宽、粒面积。对100株稻穗图像做测试,结果表明粒长、粒宽平均测量误差MAPE分别为2.14%、3.45%。同时采用K-means和高斯混合模型聚类（GMM）算法识别出米粒对应的谷粒区域,基于二者面积的比值得到稻穗谷粒饱满度的定量测量结果,基于该结果可以准确识别稻穗中的实粒和瘪粒,为稻穗复杂性状测量研究提供了一种新的有效途径。