施氮量和栽插密度对杂交中籼稻产量及其构成因素的影响

以两系杂交籼稻皖稻153为试验材料,研究不同施氮量和栽插密度对其产量及其构成因素的影响.结果表明:(1)施氮量、栽插密度对皖稻153的产量有着显著影响;225 kg·hm-2施氮水平的产量最高,300 kg·hm-2施氮水平的产量次之,此两处理差异不显著但比不施氮处理的极显著增产;栽插密度以22.5×104 hm2的产量最高,其次为30.0×104 hm2,以下依次为15.0×104 hm2、37.5×104 hm2和7.5×104 hm2.(2)施氮量和栽插密度对产量构成因素有着不同的影响,其中对单位面积穗数影响最大,每穗粒数次之,结实率相对较小,千粒重最为稳定.(3)群体颖花量的增加是产量提高的决定性因素,在适宜足量的群体颖花量基础上稳定提高结实率是高产的保证.(4)本试验条件下,皖稻153适宜的施氮量为225 kg·hm-2,栽插密度为22.5×104 hm2.     

基于轻量型残差网络的自然场景水稻害虫识别

准确识别水稻害虫对水稻及时采取防护和治理措施具有重要意义,该研究以自然场景中水稻害虫图像为研究对象,针对水稻害虫图像的颜色纹理与背景相近以及同类害虫形态差异较大等特点,设计了一个由特征提取、全局优化以及局部优化模块构成的轻量型残差网络（Light Weight Residual Network,LW-ResNet）用于水稻害虫识别。在特征提取模块通过增加卷积层数以及分支数对残差块进行改进,有效提取自然场景中水稻害虫图像的深层全局特征并使用全局优化模块进行优化;局部优化模块通过设计轻量型注意力子模块关注害虫的局部判别性特征。LW-ResNet网络在特征提取模块减少了残差块的数量,在注意力子模块中采用深度可分离卷积减少了浮点运算量,从而实现了模型的轻量化。试验结果表明,所设计的LW-ResNet网络在13类水稻害虫图像的测试数据集上达到了92.5%的识别准确率,高于VGG16、ResNet、AlexNet等经典卷积神经网络模型,并且LW-ResNet网络的参数量仅为1.62×106个,浮点运算量仅为0.34×109次,低于MobileNetV3轻量级卷积神经网络模型。该研究成果可用于移动端水稻害虫的自动识别。     

新型控释肥机插侧深施对江淮中稻产量及氮肥利用率的影响

基于新型控释肥的机插侧深施肥,可以实现简化施肥次数,减少施肥量,提高肥料利用率。2020年在安徽江淮水稻主产区多点试验的结果表明,基于生物基包膜控释肥（MFi）机插侧深施,江淮杂交中籼稻在常规施肥量（其中N=13.5 kg/667 m²）基础上减量20%,江淮常规中粳稻在常规施肥量（其中N=15.6 kg/667m²）基础上减量10%,或在常规施肥量（其中N=15.6 kg/667m²）基础上减量20%+1次孕穗肥,均可以实现不减产（平产或略增）,显著提高肥料利用效率。     

中稻热害产生的原因及对策

安徽省桐城市地处北纬30°39′～31°16′,东经116°41′～117°09′,年平均气温16℃,0℃以上有效积温5842.5℃、10℃上的活动积温5100℃,无霜期234天,是双季稻区的北缘地带桐城共有耕地3．3万hm^2,1999年以前以双季稻为主,近几年中稻的种植面积迅速扩大,2003年达到1．04万hm^2,中稻生产已在桐城市粮食生产中具有举足轻重的地位。但高温热害严重威胁着中稻生产的发展。     

基于改进卷积神经网络模型的玉米叶部病害识别(英文稿)

准确识别玉米病害有助于对病害进行及时有效的防治。针对传统方法对于玉米叶片病害识别精度低和模型泛化能力弱等问题,该研究提出了一种基于改进卷积神经网络模型的玉米叶片病害识别方法。改进后的模型由大小为3×3的卷积层堆栈和Inception模块与ResNet 模块组成的特征融合网络两部分组成,其中3×3卷积层的堆栈用于增加特征映射的区域大小,Inception模块和ResNet 模块的结合用于提取出玉米叶片病害的可区分特征。同时模型通过对批处理大小、学习率和 dropout参数进行优化选择,确定了试验的最佳参数值。试验结果表明,与经典机器学习模型如最近邻节点算法（K- Nearest Neighbor,KNN）、支持向量机（Support Vector Machine,SVM）和反向传播神经网络（Back Propagation Neural Networks,BPNN）以及深度学习模型如AlexNet、VGG16、ResNet 和Inception-v3相比,经典机器学习模型的识别率最高为77%,该研究中改进后的卷积神经网络模型的识别率为98.73%,进一步提高了模型的稳定性,为玉米病害检测与识别的进一步研究提供了参考。     

基于卷积块注意力胶囊网络的小样本水稻害虫识别

针对真实复杂背景下小样本水稻害虫识别模型泛化能力弱,易受复杂背景干扰以及重要特征表达能力不强等问题,提出了 一种基于卷积块注意力胶囊网络的小样本水稻害虫识别方法.采用数据增强的方法扩充数据,以提高模型的泛化能力同时预防过拟合;利用GrabCut算法去除图像中的复杂背景,减小复杂背景对水稻害虫识别的干扰;将空间注意机制和...     

不同施氮条件下杂交中籼稻的群体质量与产量形成

以超高产中籼杂交水稻"皖稻153"为材料,在大田条件下,比较了不同施氮量对杂交中籼水稻群体质量、氮肥利用和产量形成的影响.结果表明,150kg(N)·hm-2、187.5kg(N)·hm2、225.0kg(N)·hm2、262.5kg(N)·hm-2和300.0kg(N)·hm-2等5种施氮量下杂交中籼稻产量差异显著,在150～262.5kg(N)·hm-2范围内,产量随施氮量增加而增加,以262.5kg·hm-2施氮处理的产量最高(11355kg·hm-2),施氮量增加到300.0kg(N)·hm-2产量下降.不同施氮处理间产量差异主要是因为群体颖花量的差异,施氮量与群体颖花量呈极显著正相关(r=0.9635**).施氮量明显影响群体质量,适宜施氮量(262.5kg·hm-2)能保证杂交中籼水稻达到较高的叶面积指数(LAl)和粒叶比,在抽穗期维持较高的叶片干物质分配比例和单茎叶片重,有利于后期植株光合能力的提高和光合产物的积累,使后期物质积累的贡献率提高,从而增加产量.适宜施氮量(262.5kg·hm-2)的氮肥农学利用率也最高.推荐江淮稻区杂交中籼稻超高产栽培的适宜施氪量为262.5kg·hm-2.     

不同施氮条件下杂交中籼稻的群体质量与产量形成

以超高产中籼杂交水稻“皖稻153”为材料,在大田条件下,比较了不同施氮量对杂交中籼水稻群体质量、氮肥利用和产量形成的影响。结果表明,150 kg（N）·hm^-2、187.5 kg（N）·hm^-2、225.0 kg（N）·hm^-2、262.5 kg（N）·hm^-2和300.0 kg（N）·hm^-2等5种施氮量下杂交中籼稻产量差异显著,在150-262.5 kg（N）·hm^-2范围内,产量随施氮量增加而增加,以262.5 kg·hm^-2施氮处理的产量最高（11 355 kg·hm^-2）,施氮量增加到300.0 kg（N）·hm^-2产量下降。不同施氮处理间产量差异主要是因为群体颖花量的差异,施氮量与群体颖花量呈极显著正相关（r=0.963 5^＊＊）。施氮量明显影响群体质量,适宜施氮量（262.5 kg·hm^-2）能保证杂交中籼水稻达到较高的叶面积指数（LAI）和粒叶比,在抽穗期维持较高的叶片干物质分配比例和单茎叶片重,有利于后期植株光合能力的提高和光合产物的积累,使后期物质积累的贡献率提高,从而增加产量。适宜施氮量（262.5 kg·hm^-2）的氮肥农学利用率也最高。推荐江淮稻区杂交中籼稻超高产栽培的适宜施氮量为262.5 kg·hm^-2。     

湘晚籼13号直播高产栽培技术

湘晚籼 13号是一个优质、高产的中晚稻两用香型籼稻新品种 ,应用直播栽培技术 ,可以达到节本、省工、高产的目的。     

基于SCResNeSt的低分辨率水稻害虫图像识别方法

针对稻田自然环境下害虫移动,难以近距离拍摄高质量图像,导致在现有识别模型检测时无法达到满意识别精度的问题,提出了一种基于SCResNeSt的低分辨率水稻害虫图像识别方法。首先,使用增强型超分辨率生成对抗网络（ESRGAN）对低分辨率图像进行数据增强,解决低分辨率水稻害虫有效信息少的问题;其次构建了SCResNeSt网络,使用3个连续的3×3卷积层替换ResNet50中第1个7×7卷积,以减少计算量;使用自校准卷积替代第2层卷积层中的3×3卷积,通过内部通信显式地扩展每个卷积层的视场,获取害虫图像的部分背景信息,从而丰富输出特征;在主干网络中使用ResNeSt block（Split-attention network block）进一步提升图像中害虫信息获取的准确性。最终,将优选模型移植到手机端,开发了轻量化的移动端水稻害虫识别系统。实验结果表明,与现有方法对比,ESRGAN数据增强方法可以恢复真实的作物害虫信息,SCResNeSt模型有效提高了水稻害虫的识别性能,识别精度达到91.20%,比原始ResNet50网络提高3.2个百分点,满足野外实际场景下的应用需求。本研究为水稻害虫智能化识别和防治提供了技术基础。