白车轴草病虫害的发生危害及其治理对策

以山东聊城市为基点对鲁西北地区白车轴草病虫害进行了普查,发现白车轴草病害11种,有害昆虫36种,其他有害动物6种,首次报道了梨冠网蝽和小蓑蛾对白车轴草的危害,并研究了部分种类的发生规律,提出了白车轴草病虫害的治理对策。     

浅谈软件体系结构评估

软件体系结构是整个软件开发过程中关键的一步,对于当今世界上庞大而复杂的系统来说,没有一个合适的体系结构而要有一个成功的设计几乎是不可想象的。随着计算机技术的发展和应用的不断深入,软件系统的规模和复杂度日益增加,在软件设计过程中人们所面临的问题不仅仅是考虑软件系统的功能问题,而是面临要解决更难处理的可修改性、性能、可靠性等非功能性问题。     

蜂花粉蜂胶对小鼠生长的影响

试验以蜂花粉蜂胶作为饲料添加剂,探讨其对昆明小鼠生长的影响。试验结果表明:蜂花粉对仔鼠、育成鼠有明显的促进生长作用,蜂胶对小鼠的哺乳期、离乳期均无影响。     

基于改进Tiny-YOLO模型的群养生猪脸部姿态检测

生猪脸部包含丰富的生物特征信息,对其脸部姿态的检测可为生猪的个体识别和行为分析提供依据,而在生猪群养场景下,猪舍光照、猪只黏连等复杂因素给生猪脸部姿态检测带来极大挑战。该文以真实养殖场景下的群养生猪为研究对象,以视频帧数据为数据源,提出一种基于注意力机制与Tiny-YOLO相结合的检测模型DAT-YOLO。该模型将通道注意力和空间注意力信息引入特征提取过程中,高阶特征引导低阶特征进行通道注意力信息获取,低阶特征反向指引高阶特征进行空间注意力筛选,可在不显著增加参数量的前提下提升模型特征提取能力、提高检测精度。对5栏日龄20～105d的群养生猪共35头的视频抽取504张图片,共计3712个脸部框,并标注水平正脸、水平侧脸、低头正脸、低头侧脸、抬头正脸和抬头侧脸6类姿态,构建训练集,另取420张图片共计2 106个脸部框作为测试集。试验表明,DAT-YOLO模型在测试集上对群养生猪的水平正脸、水平侧脸、低头正脸、低头侧脸、抬头正脸和抬头侧脸6类姿态预测的AP值分别达到85.54%、79.30%、89.61%、76.12%、79.37%和84.35%,其6类总体m AP值比Tiny-YOLO模型、仅引入通道注意力的CAT-YOLO模型以及仅引入空间注意力的SAT-YOLO模型分别提高8.39%、4.66%和2.95%。为进一步验证注意力在其余模型上的迁移性能,在同等试验条件下,以YOLOV3为基础模型分别引入两类注意力信息构建相应注意力子模型,试验表明,基于Tiny-YOLO的子模型与加入相同模块的YOLOV3子模型相比,总体m AP指标提升0.46%～1.92%。Tiny-YOLO和YOLOV3系列模型在加入注意力信息后检测性能均有不同幅度提升,表明注意力机制有利于精确、有效地对群养生猪不同类别脸部姿态进行检测,可为后续生猪个体识别和行为分析提供参考。     

聊城市园林植物线虫种类调查与群体密度消长动态研究

2004—2006年对聊城园林植物线虫病进行了系统调查。采用筛淘-改良贝尔曼漏斗法分离根际土壤或介质中的线虫,通过鉴定共发现植食性线虫11种、腐生线虫3种、捕食性线虫1种,掌握了从春至秋各类线虫种群数量呈增长趋势、群体结构呈多样化发展的规律,确定晚秋是线虫种群数量、种类最为繁盛的时期。     

基于改进SVM算法的植物叶片分类研究

[目的]为了有效的对植物物种进行识别,[方法]本文提出了基于布谷鸟(CS)算法改进的支持向量机(SVM)方法对植物叶片分类从而识别植物物种。本文用两种数据集验证改进的CS-SVM算法对植物叶片的分类效果:UCI公开数据集和自主采集叶片图像。在自主采集的叶片图像数据集中,首先对叶片图像预处理,提取6个特征值,然后再使用CS-SVM算法建立分类模型。[结果]结果表明,在UCI公开数据集每种叶片样本量较少的情况下,CS-SVM算法对叶片分类的准确率可以达到87%以上;在采集的叶片图像数据集上以鹅耳草榆属、槭属等8种植物叶片和红柳、杨属等15种植物叶片样本分别试验,前者叶片分类准确率达95%,后者则大于84%。最后,将CS-SVM算法与PSO-SVM算法对植物叶片的分类效果进行对比,结果表明两种方法在叶片分类准确率上无显著差异,但CS-SVM方法在速度上领先10 s以上。[结论]改进的CS-SVM算法在样本量少或者样本特征属性少的情况下,对植物叶片的分类具有良好的效果。     

杨树常见病害防治技术

介绍了杨树常见病害(烂皮病、溃疡病、黑斑病及叶锈病)的症状识别与防治措施。     

聊城市园林植物线虫种类调查与群体密度消长动态研究

2004～2006年对聊城园林植物线虫病进行了系统调查.采用筛淘-改良贝尔曼漏斗法分离根际土壤或介质中的线虫,通过鉴定共发现植食性线虫11种、腐生线虫3种、捕食性线虫1种,掌握了从春至秋各类线虫种群数量呈增长趋势、群体结构呈多样化发展的规律,确定晚秋是线虫种群数量、种类最为繁盛的时期.     

基于YOLOv4的猪只饮食行为检测方法

针对猪舍环境下猪只饮食行为自动化检测程度较低的问题,提出了一种基于YOLOv4的猪只饮食行为检测模型。基于多时间段、多视角和不同程度遮挡的猪只饮食图像,建立了猪只饮食行为图像数据库,利用YOLOv4深度学习网络的深层次特征提取、高精度检测分类特性,对猪只饮食行为进行检测。结果表明,基于YOLOv4的猪只饮食行为检测模型在不同视角、不同遮挡程度以及不同光照下均能准确预测猪只的饮食行为,在测试集中平均检测精度(m AP)达到95.5%,分别高于YOLOv3、Tiny-YOLOv4模型2.8、3.6个百分点,比Faster R-CNN模型高1.5个百分点,比Retina Net、SSD模型高5.9、5个百分点。本文方法可为智能养猪与科学管理提供技术支撑。