猪MC4R基因Asp298Asn位点的多态性及其与商品猪背膘厚的关系

黑素皮质素受体4 ( melanocortin 4 receptor, MC4R) 是G 蛋白耦联受体( G protein coupled receptors,GPCRs) 超家族的一个成员, 在人和小鼠的体重、能量稳态和采食量的调控中发挥重要作用。本研究采用PCR-RFLP技术对MC4R的298位点错义突变（Asp298Asn）在莱芜猪、大莱二元杂交猪和商品猪中的多态性进行了检测,对该突变与商品猪背膘厚的关系进行了关联分析。结果表明,在33头莱芜猪中只检测到11基因型,而在大莱二元杂交猪和商品猪中11、12和22基因型均有分布,且等位基因1的频率均高于等位基因2;在该突变位点三个群体均处于Hardy-Weinberg平衡状态（P>0.05）。商品猪不同基因型个体背膘厚差异显著,22基因型个体的背膘厚显著高于12基因型（P <0.01）和11基因型（P <0.05）个体。因此,MC4R基因298位点的Asp298Asn错义突变与商品猪的背膘厚有关,可以作为以西方猪种为杂交亲本的商品猪背膘厚的分子标记。     

基于深度全卷积神经网络的大田稻穗分割

稻穗的准确分割是获取水稻穗部性状、实现水稻表型自动化测量的关键。该研究应用水稻图像数据集及数据增广技术,离线训练了用于稻穗分割的3个分别基于Seg Net,Deep LAB和PSPNet的全卷积神经网络。综合考虑分割性能和计算速度,优选了基于Seg Net的网络,称为Panicle Net。在线分割阶段先将原始图像划分为子图,由Panicle Net分割子图,再拼接子图得到分割结果。比较该算法及现有作物果穗分割算法Panicle-SEG、HSeg、i2滞后阈值法及joint Seg,该算法对与训练样本同年度拍摄样本Qseg值0.76、F值0.86,不同年度样本Qseg值0.67、F值0.80,远优于次优的Panicle-SEG算法,且计算速度约为Panicle-SEG算法的35倍。该算法能克服稻穗边缘严重不规则、不同品种及生育期稻穗外观差异大、穂叶颜色混叠和复杂大田环境中光照、遮挡等因素的干扰,提升稻穗分割准确度及效率,进而服务于水稻育种栽培。     

基于卷积神经网络提取多尺度分层特征识别玉米杂草

为提高作物与杂草识别的准确率、稳定性和实时性,该文以幼苗期玉米及杂草为研究对象,提出了基于卷积神经网络提取多尺度分层特征的玉米杂草识别方法。首先建立卷积神经网络模型,以从图像的高斯金字塔中提取多尺度分层特征作为识别依据,再与多层感知器相连接实现图像中各像素的识别;为了避免目标交叠所带来的问题,对图像进行超像素分割,通过计算每个超像素内部的平均像素类别分布确定该超像素块的类别,再将相同类别的相邻超像素合并,最终实现图像中各目标的识别。试验结果表明:该方法的平均目标识别准确率达98.92%,标准差为0.55%,识别单幅图像的平均耗时为1.68 s,采用GPU硬件加速后识别单幅图像的平均耗时缩短为0.72 s。该方法实现了精确、稳定和高效的玉米与杂草识别,研究可为精确除草的发展提供参考。     

基于机器视觉的猪胴体背膘厚度在线检测技术

为了能在线精准测量猪胴体背膘厚度,解决人工测量过程中效率低、人为因素影响大及结缔组织易被误测量为背膘的问题。该文基于机器视觉及图像处理技术提出一种图像采集并自动测量背膘厚度的算法。在双边滤波、大律法、形态学变换的基础上,通过轮廓面积分割提取出背膘区域及其边缘轮廓,利用拟合线对轮廓边框进行拟合,判断是否包含结缔组织。若包含则针对原始图像目标测量区域像素点特征进行具体分析,去除结缔组织。然后通过直线映射,确定背膘厚度检测线,测量猪胴体背膘厚度。测试结果表明:检测方法能适应在线检测速度需求,检测正确率为93.5%,平均检测时间为0.3 s。研究结果为生猪屠宰生产线上准确、快速测量背膘厚度提供参考。     

基于近邻法聚类和改进Hough算法的猪胴体背膘厚度检测

为了解决猪胴体背膘厚度在人工测量中准确率、效率低以及存在对样本造成污染的问题,该文基于计算机视觉和图像处理技术提出一种检测背膘厚度的算法。算法主要分成背膘部分检测和测量部位的直线检测。前者通过图像分割、特征点的检测以及漫水填充等方法实现,能准确提取猪胴体背膘部分。后者在图像预处理后,首先通过感兴趣区域(region of interest,ROI)提取猪胴体肋排区域;然后利用设定好的浮动窗口进行全幅图像的扫描,通过平滑后的平均灰度线特征提取肋骨的目标像素点;最后,基于近邻法利用目标像素点间的邻近关系对其进行聚类,找到胴体第6、7根肋骨,并采用基于已知点的Hough变换提取测量直线,将测量部位的直线映射到背膘部分,则可实现对猪胴体背膘厚度准确测量。试验结果表明,在对背膘厚度测量误差小于2 mm时,检测准确率可达92.31%,该文提出的方法能对猪胴体背膘厚度的测量位置进行准确定位和测量。     

基于卷积神经网络的田间多簇猕猴桃图像识别方法

为实现田间条件下快速、准确地识别多簇猕猴桃果实,该文根据猕猴桃的棚架式栽培模式,采用竖直向上获取果实图像的拍摄方式,提出一种基于Le Net卷积神经网络的深度学习模型进行多簇猕猴桃果实图像的识别方法。该文构建的卷积神经网络通过批量归一化方法,以Re LU为激活函数,Max-pooling为下采样方法,并采用Softmax回归分类器,对卷积神经网络结构进行优化。通过对100幅田间多簇猕猴桃图像的识别,试验结果表明:该识别方法对遮挡果实、重叠果实、相邻果实和独立果实的识别率分别为78.97%、83.11%、91.01%和94.78%。通过与5种现有算法进行对比试验,该文算法相对相同环境下的识别方法提高了5.73个百分点,且识别速度达到了0.27 s/个,识别速度较其他算法速度最快。证明了该文算法对田间猕猴桃图像具有较高的识别率和实时性,表明卷积神经网络在田间果实识别方面具有良好的应用前景。     

猪背膘组织二脂酰甘油酰基转移酶基因(DGAT1和DGAT2)的发育性表达分析

酰基辅酶A:二脂酰甘油酰基转移酶(acyl-coA:diacylglycerol acyltransferase,DGAT)是催化甘油三酯合成最后一步反应的关键酶,包括DGAT1和DGAT2两种;阐明其在发育过程中的表达规律对于找到控制中外猪种脂肪沉积能力差异的基因十分必要.本研究分别用RT-PCR和实时荧光定量RT-PCR的方法分别对莱芜猪和杜洛克3日龄仔猪和成年猪背膘组织中DGAT1和DGAT2 mRNA表达量进行了分析.结果表明,莱芜猪和杜洛克成年猪DGAT1 mRNA的表达量均高于3日龄仔猪,分别为5.0倍和2.7倍;成年猪DGAT2 mRNA表达量高于3日龄仔猪,分别为27.6倍(P＜0.01)和4.8倍(P＜0.05).两品种成年猪和3日龄仔猪DGAT2基因表达量的变化均高于DGAT1.品种间同一发育时期比较,杜洛克3日龄仔猪背膘组织中DGAT2基因的表达量高于莱芜猪,但成年莱芜猪背膘组织中DGAT2基因的表达量高于杜洛克,差异均不显著(P＞0.05).提示DGAT2基因可能与中外猪品种脂肪沉积能力的差异有关.     

大白猪二脂酰甘油酰基转移酶1和2基因(DGAT1和DGAT2)发育性表达特点及其与背膘厚的关联分析

二脂酰甘油基转移酶(acryl CoA:diacylglycerol acyltransferase,DGAT)在细胞甘油脂类的代谢中起着重要的中心作用.本研究应用荧光定量PCR技术,研究了在60、90和120日龄,二脂酰甘油酰基转移酶l和2(DGAT1和DGAT2)基因在大白猪肝脏、皮下脂肪和眼肉中的表达特点,并将组织表达谱与肩部、6～7肋处、胸腰椎接合处和腰荐接合处4个部位的背膘厚进行了关联分析.结果表明,大白猪DGA T1在不同日龄的表达差异均不显著(P＞0.05),但DGA T2在60和90日龄的表达差异极显著(P＜0.01).对不同组织DGA T1和DGA T2的表达量分析,DGAT1表达量在肝脏中最高,皮脂次之;DGAT2表达量在皮脂中最高,肝脏次之;眼肉的DGAT1和DGA T2表达量最低.关联分析结果表明,在肝脏中DGA T1表达量与第6～7肋背膘厚(r=0.71,P＜0.01)和胸腰椎接合处背膘厚(r=0.62,P＜0.01)呈极显著的正相关,在皮脂中DGA T2表达量与前背膘厚呈显著的负相关(r= -0.46,P＜0.05)、与第6～7肋背膘厚呈显著的正相关(r=0.49,P＜0.05).研究结果提示,DGA T2基因在2个日龄的表达以及DGAT1和DGA T2基因在3个组织中的相对表达水平均存在差异,并且与部分背膘厚相关显著,可考虑将DGA T1和DGA T2基因作为大白猪背膘厚选育的候选基因.     

基于空间金字塔池化和深度卷积神经网络的作物害虫识别

为了减少因作物害虫姿态多样性和尺度多样性导致其识别精度相对较低的问题,该文将空间金字塔池化与改进的YOLOv3深度卷积神经网络相结合,提出了一种基于空间金字塔池化的深度卷积神经网络农作物害虫种类识别算法,首先对测试图像上的害虫进行检测定位,然后对检测定位出的害虫进行种类识别。通过改进YOLOv3的网络结构,采用上采样与卷积操作相结合的方法实现反卷积,使算法能够有效地检测到图片中体型较小的作物害虫样本;通过对采集到的实际场景下20类害虫进行识别测试,识别精度均值可达到88.07%。试验结果表明,本文提出的识别算法能够有效地对作物害虫进行检测和种类识别。     

反卷积引导的番茄叶部病害识别及病斑分割模型

针对当前植物叶部病害识别模型易受阴影、遮挡物及光线强度干扰,特征提取具有盲目和不确定性的问题,该研究构建一种基于反卷积引导的VGG网络（Deconvolution-Guided VGGNet,DGVGGNet）模型,同时实现植物叶部病害种类识别与病斑分割。首先使用VGGNet计算多分类交叉熵损失进行病害分类训练,得到病害分类结果;其次设计反向全连接层,将分类结果恢复为特征图形式;然后采用上采样与卷积操作相结合的方法实现反卷积,利用跳跃连接融合多种特征恢复图像细节;最后使用少量病斑监督,对每个像素点使用二分类交叉熵损失进行训练,引导编码器关注真实的病斑部位。试验结果表明,该研究模型的病害种类识别精度达99.19%,病斑分割的像素准确率和平均交并比分别达94.66%和75.36%,在遮挡、弱光等环境下具有良好的鲁棒性。     

基于RGB-D的肉牛图像全卷积网络语义分割优化

基于卷积神经网络的深度学习模型已越来越多的应用于检测肉牛行为。利用卷积操作实现肉牛图像的像素级分割有助于实现远距离、无接触、自动化的检测肉牛行为,为肉牛异常行为早期发现提供必要手段。为了提高复杂背景下肉牛图像语义分割精度,降低上采样过程中的语义分割误差,该文提出基于RGB-D的肉牛图像全卷积网络(fully convolutionalnetworks,FCN)的语义分割优化方法,用深度密度值来量化深度图像中不同像素点是否属于相同类型的概率,并根据深度图像与彩色图像在内容上的互补关系,优化和提升FCN对肉牛图像的语义分割(像素密集预测)精度。通过试验验证,该方法与全卷积网络的最优分割结果相比,可以将统计像素准确率平均提高2.5%,类别平均准确率平均提升2.3%,平均区域重合度平均提升3.4%,频率加权区域重合度平均提升2.7%。试验证明,该方法可以提升全卷积网络模型在复杂背景下肉牛图像语义分割精度。     

基于深度学习的生姜种芽快速识别及其朝向判定

针对目前生姜机械化播种难以实现"种芽朝向一致"农艺要求的问题,该研究提出了一种基于深度学习的生姜种芽快速识别及其朝向判定的方法.首先,构建生姜数据集.其次,搭建YOLO v3网络进行种芽的识别,包括:使用Mosaic等在线数据增强方式,增加图像的多样性,解决小数据集训练时泛化能力不足的问题;引入DIoU(Distanc...     

快速精准识别棚内草莓的改进YOLOv4-Tiny模型

为了实现棚内草莓果实的快速精准识别,该研究提出一种基于改进YOLOv4-Tiny的草莓检测模型。首先,为了大幅度减少模型计算量,采用轻量型网络GhostNet作为特征提取网络,并在GhostBottleneck结构中嵌入卷积注意力模块以加强网络的特征提取能力;其次,在颈部网络中添加空间金字塔池化模块和特征金字塔网络结构,融合多尺度特征提升小目标草莓的检测效果;最后,采用高效交并比损失作为边界框回归损失函数,加速网络收敛并提高模型的检测准确率。结果表明,改进YOLOv4-Tiny模型权重大小仅为4.68 MB,平均每幅图片的检测时间为5.63 ms,在测试集上的平均精度均值达到92.62%,相较于原YOLOv4-Tiny模型提升了5.77个百分点。与主流的目标检测模型SSD、CenterNet、YOLOv3、YOLOv4和YOLOv5s相比,改进YOLOv4-Tiny模型平均精度均值分别高出9.11、4.80、2.26、1.22、1.91个百分点,并且模型权重大小和检测速度方面均具有绝对优势,该研究可为后续果实智能化采摘提供技术支撑。