基于双池化与多尺度核特征加权CNN的典型牧草识别

针对自然背景下牧草难识别的问题,提出一种基于双池化与多尺度核特征加权的卷积神经网络牧草识别方法。双池化特征加权结构通过将卷积层输出的特征图分别进行最大值池化和均值池化得到两组特征图,引入特征重标定策略,依照各通道特征图对当前任务的重要程度进行加权,以增强有用特征、抑制无用特征;多尺度核特征加权结构通过在卷积层中同时使用3×3和5×5两种卷积核,并将网络的前几层特征复用后进行加权,以提高重要特征的利用率。对10类牧草图像进行识别实验,结果表明,该方法识别率为94. 1%,比VGG-13网络提高了5. 7个百分点,双池化与多尺度特征加权有效提高了牧草识别精度。     

沼液在水稻秧苗培育中的应用

研究了不同浓度沼液对杂交水稻种子浸种和秧苗培育的影响,结果表明,使用沼液比重在1.002-1.005g/cm3,对杂交稻种子发芽率、成秧率和秧苗生长质量都有良好的促进作用,同清水对照相比,其发芽率、成秧率和秧苗生长质量各项指标都达到显著或极显著,但使用超过比重为1.009g/cm3时都有明显的抑制作用,发芽率降低,秧苗生长不均匀。     

基于双分支卷积网络的玉米叶片叶绿素含量高光谱和多光谱协同反演

针对智慧农业中叶绿素的精准预测问题,本文提出了基于双分支网络的玉米叶片叶绿素含量高光谱与多光谱协同反演的方法。使用欠完备自编码器进行数据降维,捕捉数据中最为显著的特征,使降维后的数据可以代替原始数据进行训练,从而加快训练效率,使用双分支卷积网络将多光谱数据用于填充高光谱数据信息,充分利用高光谱数据的空间细节信息,再结合1DCNN建立玉米叶片叶绿素含量预测模型。结果表明,与传统降维算法相比较,欠完备自编码器处理后预测结果最佳,决定系数R2为0.988,均方根误差（RMSE）为0.273,表明使用欠完备自编码器进行降维可以有效提高数据反演精度;与单一的高光谱数据反演模型和多光谱数据反演模型相比,双分支卷积网络预测模型均取得较优的预测结果,R2在0.932以上,RMSE均在1.765以下,表明基于双分支卷积网络的高光谱与多光谱图像协同反演模型可以有效地利用数据的特征;对于其他数据结合本文提及的双分支卷积网络模型进行反演,其R2均在0.905以上,RMSE均在2.149以下,表明该预测模型具有一定的普适性。     

蜜柚优质高产稳产修剪调节技术

介绍广东大埔县蜜柚品种的主要特征、特性,总结蜜柚优质高产稳产修剪调节技术的形成和推广应用情况,其技术措施主要包括整形修剪、修剪时期、修剪方法、修剪程度、环剥等,并对施肥和植保配套技术措施进行介绍。     

控释肥在水稻应用的效果

通过试验,了解控释肥在水稻使用中对水稻生长发育和产量的影响情况,以便探讨该肥料在大埔县水稻生产中的应有前景和相配套的技术措施。     

茶园化肥减量增效技术的推广应用——以广东大埔县为例

【目的】围绕茶叶"化肥零增长"和 "提质增效、绿色发展"的工作主线,集成可推广应用的茶园化肥减量增效施肥技术。【方法】基于测土配方施肥、有机肥替代化肥和水肥一体化等高效施肥技术在大埔县代表性茶园建立定位试验点3个和应用监测点14个,根据试验和监测效果集成茶园化肥减量增效施肥技术,并通过培训和示范观摩进行推广。【结果】对3个试验点调查表明土壤质量明显提升,有机质提高0.3～2.0 g/kg;土壤酸化缓解,pH值提高0.02～0.18;茶青产量增加5.2%～17.1%,品质改善明显,种植效益提高3 960～16 110元/hm~2。对监测点调查表明茶园土壤重金属含量符合国家环境一级标准、茶叶重金属含量100%符合国家安全标准。通过技术示范和观摩培训,改变了农户的施肥观念,提高了施肥技术水平,茶园有机肥用量提高895.5 kg/hm~2,化肥用量减少184.5 kg/hm~2,全县2018年化肥用量较2017年减少1 676 t,减幅8.0%,初步实现了大埔茶园 "化肥零增长"的目标。推动培育茶叶品牌超过20个,新建水肥一体化茶园面积330 hm~2,茶业综合竞争力明显提升。【结论】基于测土配方、有机替代和水肥一体化的化肥减量增效模式能够有效降低化肥用量,实现茶叶增产提质,为推动茶叶绿色高效栽培、茶业产业兴旺和乡村振兴提供重要支撑。     

小波域马铃薯典型虫害图像特征选择与识别

为准确、快速地识别马铃薯典型虫害,提出了一种基于小波域的马铃薯典型虫害特征提取与识别方法。该方法以自然环境下的马铃薯虫害分割图像为对象,提取小波域高斯空间模型的高频协方差阵特征值与低频低阶矩(HELM)的12个不变纹理特征、空间域Hu不变矩的4个形状特征,进行支持向量机(SVM)的虫害分类识别。通过对8类典型虫害的识别,试验结果表明:在SVM识别方法下,本文HELM特征提取方法,相比传统纹理特征提取方法,在特征计算量不增加的同时,平均识别率至少提高了17个百分点;在HELM特征与Hu矩特征下,本文SVM的运行时间为0.481 s,比人工神经网络快了近2 s,平均识别率为97.5%,比人工神经网络、贝叶斯分类器识别率提高了至少6个百分点,有明显的识别优势。     

葛根药用价值及栽培技术

葛根又叫葛藤、葛麻藤、粉葛。为豆科葛属植物，产量高，具有很高的药用价值，又可作淀粉食品。葛粉更是我国对外贸易出口的紧俏商品，出口量大，日本、欧美等市场售价高出普通淀粉5倍，国内外一直供不应求。葛根资源丰富，应大力开发。主产湖南、河南、广东、浙江、四川等地。     

基于RF-VR的紫丁香叶片叶绿素含量高光谱反演

利用高光谱技术精确估测植物叶片叶绿素含量,对植物生长趋势和营养状况的监测和管理具有重要意义。本文以紫丁香为研究对象,针对高光谱所含波段数量大、波段间相关性强导致数据中冗余信息增多的现象,通过卷积平滑和二阶微分(SG-SD)处理光谱数据,应用随机蛙跳(RF)算法筛选特征波段,最后结合偏最小二乘(PLSR)和投票回归器(VR)建立了植物叶片叶绿素含量反演模型,并与全波段光谱法和5种经典变量提取方法进行了比较。结果显示,相比于原始光谱数据,SG-SD是一种有效的提高建模精度的光谱预处理方法;相比于全波段光谱和经典变量提取方法,RF算法筛选出的敏感波段建模效果最佳;相比于PLSR模型,VR模型的预测精度和预测稳定性能更优。本文对原始光谱数据进行SG-SD预处理后,对经RF算法筛选出的特征波段建立VR模型,变量数由全波段数204个减少为35个,建模集决定系数0.944 2,验证集决定系数0.951 4,最后利用RF-VR模型结合伪彩图技术得到紫丁香叶片叶绿素分布反演图,为紫丁香叶片养分分布提供更直观的信息表达。结果表明,该方法可为紫丁香叶片营养含量诊断和长势监测提供技术支持。     

采用改进YOLOv5s检测牧区牲畜

畜牧业自动化管理面临的一个关键挑战是如何准确地检测大规模放牧养殖牲畜的种群，确定其数量和实时更新群体信息。牲畜规模化、自动化检测受环境场地等因素影响，当前目标检测算法经常出现漏检、误检等情况。该研究基于YOLOV5s目标检测网络设计了一种牲畜检测算法LDHorNet（livestock detect hor net），参考HorNet的递归门控卷积设计了HorNB模块对网络模型进行改进，以提高检测算法的空间交互能力和检测精度。然后在网络结构中嵌入CBAM（convolutional block attention module）注意力机制，以提高小目标的检测精度和注意力权重，并利用Repulsion 损失函数提高目标检测网络的召回率和预测精度。试验结果表明，所提出的LDHorNet算法的精准率、召回率分别为95.24%、88.87%，平均精准率均值mAP_0.5、mAP_0.5:0.95分别为94.11%、77.01%，比YOLOv5s、YOLOv8s、YOLOv7-Tiny精准率分别提高了2.83、2.93和9.79个百分点，召回率分别提高了6.66和4.95、13.42个百分点，平均精准率均值mAP_0.5:0.95分别提高12.46、5.26和20.97个百分点。该算法对于小目标和遮挡场景下的牲畜检测效果优于原算法与对比算法，表现出良好的鲁棒性，具有广泛的应用前景。