果蝇求偶行为计算机检测识别方法

为解决果蝇求偶行为难以检测与识别的问题,探讨了基于图形图像处理技术的果蝇求偶行为的微机检测与识别的方法与步骤:包括用动态恢复背景的方法进行背景恢复、果蝇身体提取、合成果蝇个体二值图像、翅膀提取等.设计了求偶果蝇检测算法,并基于VC++和Opencv开发系统予以实现.结果表明,该方法克服了人工识别费时费力的问题并具有较高的可靠性.该研究结果可以扩展,在生物及细胞的表型与行为认知中得到广泛应用.     

基于word2vec和LSTM的句子相似度计算及其在水稻FAQ问答系统中的应用

[目的]水稻FAQ(frequently asked question,常问问题集)问答系统对农户在水稻种植过程中遇到的问题进行解答,问句相似度计算是其核心,用来匹配用户问题和FAQ中的问题。针对传统句子相似度算法准确率普遍较低的问题,本研究旨在用深度学习计算问句相似度,以提高系统回答的准确性。[方法]构建一个基于word2vec和LSTM(long-short term memory,长短期记忆)神经网络,包括输入层、嵌入层、LSTM层、全连接层和输出层的句子相似度模型。对水稻FAQ中的3 007个问题进行归类和组合得到32 072个问题对,并标注其相似性作为训练和测试数据。使用基于农业领域语料库训练得到的word2vec模型对训练数据向量化后作为输入,训练句子相似度模型。[结果]在测试集上对模型进行验证,并与基于How Net、基于词向量的余弦距离以及基于word2vec和卷积神经网络(convolutional neural network,CNN)的3种句子相似度算法进行对比。对句子相似度的计算结果进行抽样检查,该模型的计算结果更符合人的直观印象。从准确率和ROC(receiver operating characteristic curve)曲线进行分析,该模型也明显优于其他3种方法,准确率达到了93.1%。[结论]本研究构建的模型显著提升了句子相似度计算的准确率,基于该模型开发的水稻FAQ问答系统,能够准确匹配用户问题和水稻FAQ中的问题,帮助农户更好地解决水稻生产中遇到的问题。     

牦牛DAZL基因编码区的克隆和序列特征与进化分析

根据黄牛DAZL基因序列设计引物,通过PCR扩增和克隆测序获得牦牛睾丸组织DAZL基因编码区序列,利用生物信息学软件分析牦牛DAZL基因编码区序列结构以及与其他物种的系统发育关系.结果表明:牦牛DAZL基因cDNA序列长度为1782 bp,编码区全长885 bp,编码295个氨基酸,与黄牛的氨基酸序列同源性为98.31%;牦牛DAZL蛋白含有DAZ基因家族所具有的典型的RNA结合域和DAZ重复基序.系统发育分析显示:牦牛与黄牛首先聚为一类,然后与哺乳纲的其他物种相聚,而与鱼纲、爬行纲动物的亲缘关系最远.     

小麦麦穗几何表型测量的精准分割方法研究

[目的]小麦麦穗表型获取涉及麦穗到籽粒不同几何尺度的参数精确测量,本文针对麦穗籽粒图像分割粘连现象,研究达到像素级别的精准分割算法,并基于该方法给出籽粒的基本几何参数。[方法]田间随机采集小麦麦穗,对采集的麦穗标本获取表型信息并采集图像,进行数据增广和标注,构建1个包括深度残差网络(deep residual network,Res Net)、区域建议网络(region proposal networks,RPN)和全卷积网络(fully convolutional networks,FCN)的实例分割算法Mask R-CNN,对训练集图片进行迭代训练获得模型。[结果]测试集测量结果表明,在测试麦粒上获得的籽粒像素测量平均精度(averageprecision,AP)值为0.85,F_1(F_1-measure)值为0. 830,对麦穗长度测量穗长的平均绝对误差为3. 30 mm,平均相对误差为3.40%,宽度测量的平均绝对误差为0.72 mm,平均相对误差为4.10%,综合测量误差为3.75%,试验结果显著优于最大类间方差法(OTSU)以及全卷积网络。通过对特征提取网络层数的修改在处理速度上达到4.26 FPS(frames per second),对比FCN处理速度提升了8.5倍。[结论]利用Mask R-CNN分割方法得到1个对整株麦穗和单个籽粒进行目标定位、目标检测和实例分割为一体的端到端、像素级的分割模型,可以对麦穗及部分籽粒进行精确的几何表型测量。     

基于特征选择集成学习的果蝇求偶行为识别

设计一个机器学习分类算法,实现对果蝇求偶行为的自动识别.在对图片规范化的基础上,提取图像局部二元模式统计特征与沃尔什特征获得果蝇求偶图像纹理几何特征.通过基于特征选择的集成学习来构建一个强分类器,实现对果蝇求偶行为的检测;采用十折交叉验证的方法进行验证,检测结果优于传统的图像处理分割算法.基于特征选择快速选择性集成,效率高于传统集成方法,基于特征选择集成学习识别昆虫的复杂纹理是可行的.通过机器学习方法来识别果蝇行为谱可以实现大规模的行为筛查,这将有助于基因和神经回路控制行为的研究.     

复杂大田场景中麦穗检测级联网络优化方法

单位种植面积的麦穗数量是评估小麦产量的关键农艺指标之一。针对农田复杂场景中存在的大量麦芒、卷曲麦叶、杂草等环境噪声、小尺寸目标和光照不均等导致的麦穗检测准确度下降的问题，提出了一种基于深度学习的麦穗检测方法（FCS R-CNN）。以Cascade R-CNN为基本网络模型，通过引入特征金字塔网络（Feature pyramid network，FPN）融合浅层细节特征和高层丰富语义特征，通过采用在线难例挖掘(Online hard example mining, OHEM)技术增加对高损失样本的训练频次，通过IOU(Intersection over union)阈值对网络模型进行阶段性融合，最后基于圆形LBP纹理特征训练一个SVM分类器，对麦穗检出结果进行复验。大田图像测试表明，FCS R-CNN模型的检测精度达92.9%，识别单幅图像平均耗时为0.357s，平均精度为81.22%，比Cascade R-CNN提高了21.76个百分点。     

基于牛肉大理石花纹标准(BMS)图像的纹理特征分析

 【目的】研究基于图像纹理特征来描述牛肉大理石花纹标准的方法。【方法】以日本、美国和澳大利亚的牛肉大理石花纹分级图像为基础,通过线性回归的方法来研究纹理特征与牛肉大理石花纹标准之间的内在关系。【结果】通过彩色梯度和局部二值模式(LBP)处理后提取灰度共生矩阵的4个特征：对比度、相关度、能量和一致性,这些特征可以准确地描述3个不同国家的牛肉大理石花纹标准。其中,能量特征对图像的差异性不敏感,可以作为3种牛肉大理石花纹标准的共性特征。【结论】基于牛肉LBP纹理特征的线性回归预测模型可以作为牛肉大理石花纹标准的一项合理评估依据。     

基于黄河鲤新品系IGF2b基因SNPs获取体系的建立及在该品系选育中的应用

为了建立鲤IGF2b (insulin-like growth factor 2)基因全基因组信息SNPs (single nucleotide polymorphism)的获取体系,并验证该获取体系在黄河鲤新品系选育中运用的适用性,本研究首先对10个不同鲤品种的33个鲤个体重测序数据进行分析,整体上了解IGF2b基因的单核苷酸位点及其在基因组上的分布情况。然后在基因组DNA水平上分段获取IGF2b基因的SNPs信息,并以不同的鲤品种验证引物的适用性,最后在黄河鲤新品系中检测其应用。研究结果:获得8对聚合酶链式反应(polymerase chain reaction, PCR)引物进行分段克隆的结果,并通过直接测序和限制性片段长度多态性来获取相应的SNPs。经过直接测序,本文对黄河鲤、建鲤、黄河鲤和建鲤的正反交后代进行PCR检测发现条带单一,目地片段正确;结合黄河鲤新品系的体重数据,本文又以IGF2b~(3#)引物检测到一个与体重明显相关的SNPs,同时检测到一个与该基因表达量相关的另一个SNPs。本研究的方法能够在该基因全基因组范围内开展鲤分子育种中SNPs的检测,并验证发现黄河鲤新品系IGF2b~(3#)引物227号位点处,出现的突变位点使体重降低,且有一处SNPs与其表达量有关。这将为其他物种、其他功能基因的多态性分子标记研究提供思路。