用多阈值多目标无人机图像分割优化算法检测秸秆覆盖率

为了适应航拍采集秸秆覆盖图像大尺度处理需求，提高当前多阈值差分灰狼优化算法（Differential Evolution Grey Wolf Optimizer，DE-GWO）的图像分割质量和速度，提出一种用于检测秸秆覆盖率的图像分割优化算法。该研究借鉴了人工蜂群多目标灰狼优化算法（Artificial Bee Colony Survey Multi-Objective Grey Wolf Optimizer，AS-MOGWO），在DE-GWO算法中加入了多目标灰狼优化算法（Multi-Objective Grey Wolf Optimizer，MOGWO）的外部存档，引入多目标的概念，并添加了人工蜂群算法（Artificial Bee Colony，ABC）中观察蜂的搜索策略，提出了基于多阈值的多目标秸秆覆盖图像自动分割的优化算法（Differential Evolution Artificial Bee Colony Survey Multi-Objective Grey Wolf Optimization，DE-AS-MOGWO）。该算法不仅继承了DE-GWO算法的自动分割特性，还兼备AS-MOGWO算法的高效收敛性，提高了图像分割的准确性和处理速度。分析结果显示，在无外界影响的情况下，该研究提出的DE-AS-MOGWO优化算法与人工实际测量法匹配的误差可控制在8%以内。在算法性能方面，DE-AS-MOGWO相比于PSO（Particle Swarm Optimization）、GWO（Grey Wolf Optimizer）、DE-GWO和DE-MOGWO在平均匹配率上分别提高了4.967%、3.617%、2.188%和3.404%，平均误分率分别降低了0.168%、0.131%、0.089%和0.116%，而算法耗时分别降低了82%、84%、17%和32%。试验结果表明，多阈值多目标图像分割方法在大尺度无人机图像中可获得较好的分割效果，且针对不同秸秆覆盖率图像均具有普遍适用性，为大面积秸秆覆盖率检测以及其他相关图像检测提供了高效算法支持。     

基于多阈值图像分割算法的秸秆覆盖率检测

针对目前秸秆覆盖率人工检测费时费力、准确率低、信息难以存储的问题,提出了一种基于图像分割的秸秆覆盖率检测方法。考虑到传统图像分割方法精度不高,且多阈值分割时计算量过大,将灰狼算法中的搜索机制与差分进化算法相融合,提出一种基于图像多阈值的自动分割方法（DE-GWO）,用于田间秸秆覆盖率检测。首先,对现场采集的秸秆覆盖图像进行预处理,采用自适应Tsallis熵作为目标函数,评估图像分割效率;其次,根据图像的复杂程度选取分割阈值的数量,利用DE-GWO算法对其进行多阈值图像分割;然后,分别按照灰度级别计算分割后图像比例;最后,根据拍摄高度、fov视角等参数,将图像中秸秆覆盖率与实际地理面积进行转换。实验结果表明,本文算法田间秸秆覆盖率与实际测量误差在8%以内,且相比于改进粒子群算法（PSO）和灰狼算法（GWO）,DE-GWO算法精确度更高,平均耗时为人工测量的1/1500。开发了一套依据DE-GWO算法的秸秆覆盖率检测软件系统,为后续监控系统的实时检测提供了算法基础和软件支持。     

鹿布鲁菌病免疫胶体金检测试纸条的研制

利用SUMO-BCSP31重组大肠杆菌表达并纯化了布鲁菌BCSP31重组蛋白,并利用该蛋白研制了布鲁菌免疫胶体金检测试纸条。以BCSP31蛋白作为检测抗原,通过间接法研制胶体金试纸条检测鹿血清抗体。该试纸条与大肠杆菌、沙门菌、小肠结肠炎耶尔森菌和绿脓杆菌无交叉反应;检测阳性血清最大稀释倍数为1∶640,证明试纸条具有良好的特异性和敏感性。临床上对420只鹿进行检测,比对试纸条与虎红平板凝集试验(RBT)检测结果:阳性符合率为100%,阴性符合率为96%,Kappa值为0.73,两种方法符合率较高;比对试纸条与cELISA检测结果:阳性符合率为81%,阴性符合率为100%,Kappa值为0.88,两种方法符合率高。该试纸条简便快捷,具有较高准确性,可用于鹿布鲁菌病的现场初筛检测。