基于VGGNet网络的雾霾无人车防碰撞研究

针对雾霾天气下无人车行驶容易出现视野受限，导致防碰撞能力下降的问题，提出了一种基于VGGNet网络的深度卷积神经网络模型，通过反向传播算法不断调整模型的权重和偏置，对收集雾霾天气下的图像和相关数据进行处理，实现模型的训练和优化。实验结果表明，所提出的方法可以有效地提高无人车在雾霾天气下的防碰撞能力，达到了良好的效果。研究结果可以为无人车行业在特殊气候条件下的防碰撞提供了一种新思路和实现方法，具有一定的参考价值和应用前景。     

园林绿化苗木栽植和养护技术探究

在园林绿化工程当中,苗木栽植和养护技术是非常重要的,工作人员需要结合苗木栽植和养护的工作标准,保障园林绿化建设质量。针对当前的园林绿化工程,苗木整体存活率比较低,整体生长情况比较差,不利于园林绿化发展。工作人员需要结合工作需求,掌握苗木栽植和养护技术,保障园林绿化工程的发展。     

浅谈园林绿化苗木栽植与养护管理

目前,我国的绿化植被在幼苗时期普遍成活率低,生长状况不佳。不仅影响绿化景观质量,而且对城市绿地的建设也有重大影响。为此,在种植和养护植物时应严格遵守种植和维护植物的要求和标准,并熟悉种植和护理技术。     

紫丁香育苗及园林绿化栽植技术

在我国北方园林绿化栽植的树种中,占有重要地位之一的是紫丁香。人们喜欢种植紫丁香,不仅因为其生长强健、枝叶稠密、花朵繁茂、花香四溢,而且容易管理。通过育苗及园林绿化栽植紫丁香整个过程的实践经验,初步总结出紫丁香的育苗和栽培技术,为我国园林绿化中的紫丁香育苗及栽植技术提供借鉴。     

礼泉县山地造林技术 杨瑞

森林是地球的肺，是自然生态系统中最重要的组成部分。山区生态环境脆弱，造林难度大。现就礼泉县植苗造林树种的选择、造林整地、栽植技术、抚育等技术进行介绍。     

《猪业科学》投稿须知

《猪业科学》杂志为月刊,每月25日出版,面向全国发行。内容充实、实用,每期一个主题,充分挖掘、深度报道、全面分析,全面反映养猪产业的最新成果、发展动态和市场经济信息。全彩色印刷、图文并茂适应现代"读图时代"潮流。1内容本刊主要栏目有主题策划、国际瞭望、猪场兽医、营养与饲料、环境与设施、猪群保健、遗传改良、生产管理、地方猪种、猪场人才等。     

基于快速卷积神经网络的果园果实检测试验研究

近年来,基于数字图像处理和机器学习算法的果实自动识别检测研究已经越来越成熟。针对传统检测方法检测过程中难以满足实时性要求的缺点,采用了基于Faster-RCNN的果实快速检测模型。模型由卷积神经网络(CNN)和区域提议网络(RPN)组成,首先由CNN进行卷积和池化操作提取特征,然后由RPN选取候选区域,通过网络全连接层参数共享,由目标识别分类器和边界框预测回归器得到多个可能包含目标的预测框,最后通过非极大值抑制挑选出精度最高的预测框完成目标检测。分别对桃子、苹果和橙子的三种果实进行检测,采用迁移学习方法,使用已经预训练好的两种深度神经网络模型ZFnet和VGG16,通过数据集的训练对Dropout及候选区域数量进行参数调整完成网络调优。检测并分析果实不同布局形态下模型的检测效果。试验结果表明,当Dropout取值为0.5或0.6,候选区域数量为300时网络模型最佳,ZFnet网络中,苹果平均精确度为92.70%,桃子为90.00%,而橙子为89.72%。VGG16网络中,苹果平均精度为94.17%,桃子为91.46%,橙子为90.22%。且ZFnet和VGG16的图像处理速度分别达到17 fps和7 fps,能够达到果实实时检测的目的。     

板栗林下种植丹参管理技术

板栗抗旱耐瘠薄,适应性强,是山区丘陵地带的生态经济树种之一。近年来由于栽植密度大、良种与综合管理技术不配套等问题,大部分板栗园片出现郁闭、光照通风条件差、果实产量品质下降、病虫害危害严重等问题,急需采取嫁接良种、修剪回缩、调整树体结构等措施进行密植园改造。     

面向养殖水体分布差异的COD光谱法检测研究

面向养殖水体，传统光谱法对化学需氧量（Chemical Oxygen Demand，COD）检测模型构建的基础：源域（现有样本库）与目标域（检测地水体）间光谱数据独立同分布。但是当源域与目标域分布间存在差异时，由源域得到的低误差模型常在目标域上表现下滑。针对该问题，提出面向UV Vis光谱的域对抗训练网络（DAUVwpNet），将分布不同的源域和目标域数据映射至相同分布的特征空间中，使其在该空间的分布距离尽可能接近，从而在特征空间中对源域训练的目标函数也可以迁移至目标域上，以降低模型在目标域的误差。试验表明：面向同一批测试数据，DAUVwpNet的预测误差为0.78，要低于传统模型的预测误差（0.85）；DAUVwpNet预测值与实测值间相关系数为0.95，要高于传统模型的相关系数（0.89）。表明了该网络能够较好对齐两域特征空间数据分布，降低因分布差异带来的COD检测误差。