基于改进YOLO v3的自然场景下冬枣果实识别方法

为实现自然场景下冬枣果实的快速、精准识别,考虑到光线变化、枝叶遮挡、果实密集重叠等复杂因素,基于YOLO v3深度卷积神经网络提出了一种基于改进YOLO v3（YOLO v3-SE）的冬枣果实识别方法。YOLO v3-SE模型利用SE Net 的SE Block结构将特征层的特征权重校准为特征权值,强化了有效特征,弱化了低效或无效特征,提高了特征图的表现能力,从而提高了模型识别精度。YOLO v3-SE模型经过训练和比较,选取0.55作为置信度最优阈值用于冬枣果实检测,检测结果准确率P为88.71%、召回率R为83.80%、综合评价指标F为86.19%、平均检测精度为82.01%,与YOLO v3模型相比,F提升了2.38个百分点,mAP提升了4.78个百分点,检测速度无明显差异。为检验改进模型在冬枣园自然场景下的适应性,在光线不足、密集遮挡和冬枣不同成熟期的情况下对冬枣果实图像进行检测,并与YOLO v3模型的检测效果进行对比,结果表明,本文模型召回率提升了2.43~5.08个百分点,F提升了1.75~2.77个百分点,mAP提升了2.38~4.81个百分点,从而验证了本文模型的有效性。     

全程离地饲养商品肉鸡——育雏三周笼养、育肥在塑料大棚内竹竿架养

肉仔鸡0～3周龄在四层重叠式电热育雏笼中饲养,密度34只/m²;4周龄到出栏在塑料大棚舍内竹架上饲养,饲养密度为14只/m²,1350只7周龄平均每只活重达2100±330g,料重比1.96:1,死亡率3.11％。塑料大棚为两层膜中间夹30cm麦草,上盖草苫。竹架用Φ1.5～2.0cm粗细,间隙1.5～2.0cm,架高60cm,中间不清粪“全进全出”。     

防治有害藻类

池塘养鱼中常见有害藻类有:①湖淀,又叫铜锈水、臭绿纱,是夏秋季静止的池塘水面上漂浮的翠绿色蓝藻.鱼吃了不能消化.蓝藻死后,分解出羟胺和硫化氢,能毒死鱼类.②青苔,是一些丝状绿藻的总称.青苔像罗网一样铺在水中或呈黄绿色棉絮状浮在水面,鱼苗钻入其中,会被缠死.此外,青苔吸肥力强,使塘水变瘦,影响鱼类所需浮游生物的生长繁殖.③水网藻为一种绿藻,在水中集结似网袋,其对鱼类的危害程度比青苔更为严重.④甲藻,分为裸甲藻和卵藻两种,属单细胞浮游植物.鱼食入甲藻后,消化道中会产生很多气泡,严重的中毒死亡.裸甲藻还能寄生于鱼身上,使鱼患打粉病.     

F78A型柞蚕雌雄茧分离机

<正> F78A型柞蚕茧雌雄分离机(下简称分茧机),是以1973年我场和广东南海县南庄机械厂协作研制的柞蚕雌雄分茧机为基础,针对原分茧机人工送茧跟不上机器的运转,不能充分发挥机器效能的缺点,研制成功了“自动送茧装置”,从而大大降低了劳动强度,提高了机械效能.每小时可分茧一万粒左右,是人工分茧的20-25倍,准确率高达97%左右.同时进一步改造了原分茧机的不合理部分,使分茧机更加完善.分茧机的研制成功,不仅给柞蚕母种、原种生产,特别是普及杂交种生产提供了十分有利的条件,而且在缫丝工业上实行雌雄分缫,选除下脚     

融合枣果与叶片信息的枣品种识别方法研究

针对自然环境下枣品种分类问题,提出了1种基于特征融合的枣品种快速识别方法。该方法考虑了枣果特征与枣叶片形状、纹理特征,构建了三分支并行卷积神经网络结构,其中3个分支均在ResNet-18网络的基础上进行训练并提取相应的特征,然后将枣叶片的两类特征相加,再将其和枣果特征进行拼接融合,最后通过全连接层实现枣品种的分类。实验结果表明,三分支卷积神经网络模型与单、双分支网络模型相比,分类准确率提高到了91.68%。本文提出的识别模型能有效避免相似枣果形状干扰而导致识别错误的问题,可提高自然环境下枣品种的识别准确率。     

全程离地饲养商品肉鸡——育雏三周笼养、育肥在塑料大棚内竹竿架养

肉仔鸡0～3周龄在四层重叠式电热育雏笼中饲养,密度34只/m~2;4周龄到出栏在塑料大棚舍内竹架上饲养,饲养密度为14只/m~2,1350只7周龄平均每只活重达2100±330g,料重比1.96:1,死亡率3.11％。塑料大棚为两层膜中间夹30cm麦草,上盖草苫。竹架用φ1.5～2.0cm粗细,间隙1.5～2.0cm,架高60cm,中间不清粪“全进全出”。     

核桃破壳机理研究及破壳机的设计探讨

核桃品种繁多,人工破壳很难达到预期的要求。本文总结了大核桃壳破碎机的工作原理、特点及不足,并对核桃进行了应力分析、结构分析和环境分析,总结了核桃的特点。分级装置的改进能使生产效率提高和降低破仁率;调节装置的改进可以针对不同的品种的核桃;核桃品种结构不一样,在对核桃破壳机的一些研究后,会发现有很多种不同的方法,有些方法是好的,但仍存在一些不足之处,可以在此基础上改进,并参照自己设计方向,设计出新型核桃破壳机。     

基于改进YOLO v4的自然场景下冬枣果实分类识别

为实现冬枣园机械化自动化采摘以及冬枣树精准化管理,针对自然场景下冬枣果实的快速、准确分类识别问题,提出一种基于YOLO v4模型改进的冬枣果实分类识别模型CC-YOLO v4。利用改进的CSP跨阶段部分连接结构和多尺度特征融合的CBAM卷积注意力模块,减小网络规模的同时增强特征提取能力,改善果实分类识别的误检和遮挡目标的漏检情况;采用Softmax交叉熵损失函数代替Sigmoid二元交叉熵损失函数作为分类损失函数,引入EIoU损失函数代替CIoU损失函数作为边界框回归损失,进一步改善果实分类识别的误检并提升预测框精度。试验结果表明,CC-YOLO v4模型对3类冬枣果实的查准率P均值为81.86%,平均检测精度均值mAP为82.46%,IoU均值为81.35%,模型参数量和大小分别为26.9 M和108 MB,检测速度可达28.8 F/s。与其他模型相比,本模型具有更好的分类识别能力、识别速度和较小的模型复杂度。在不同果实数量情况下进一步试验,本研究方法具有良好的精度和鲁棒性,对解决自然场景下冬枣果实的精准分类识别问题具有重要参考价值。