单子叶作物叶片气孔自动识别与计数技术

为实现作物叶片气孔的自动识别与快速计数,该研究采用卷积神经网络中高计算效率的YOLOv3算法,开发了一种全自动气孔识别和计数解决方案。该算法优化了物体检测性能,可准确识别显微图像中的气孔。其中,对指甲油印迹法获得照片的气孔检测精确率、召回率和F1值分别为0.96,0.98和0.97,便携式显微镜拍摄法照片气孔检测精确率、召回率和F1值分别为0.95,0.98和0.96,具有很好的鲁棒性。该算法检测速度快,可实现对30帧/s的视频文件进行快速气孔识别,实现了实时检测。此外,采用拍摄的小麦叶片照片进行训练得到的气孔识别模型,还可同时实现对大麦、水稻和玉米等单子叶作物叶片气孔的识别,其中,大麦的检测精确率、召回率和F1值分别为0.94,0.83和0.88;水稻的检测精确率、召回率和F1值分别为0.89,0.42和0.57;玉米的检测精确率、召回率和F1值分别为0.91、0.76和0.83;显示出模型良好的泛化能力。     

改进Faster-RCNN自然环境下识别刺梨果实

为了实现自然环境下刺梨果实的快速准确识别,根据刺梨果实的特点,该文提出了一种基于改进的Faster RCNN刺梨果实识别方法。该文卷积神经网络采用双线性插值方法,选用FasterRCNN的交替优化训练方式(alternating optimization),将卷积神经网络中的感兴趣区域池化(ROI pooling)改进为感兴趣区域校准(ROI align)的区域特征聚集方式,使得检测结果中的目标矩形框更加精确。通过比较Faster RCNN框架下的VGG16、VGG_CNN_M1024以及ZF 3种网络模型训练的精度-召回率,最终选择VGG16网络模型,该网络模型对11类刺梨果实的识别精度分别为94.00%、90.85%、83.74%、98.55%、96.42%、98.43%、89.18%、90.61%、100.00%、88.47%和90.91%,平均识别精度为92.01%。通过对300幅自然环境下随机拍摄的未参与识别模型训练的刺梨果实图像进行检测,并选择以召回率、准确率以及F1值作为识别模型性能评价的3个指标。检测结果表明:改进算法训练出来的识别模型对刺梨果实的11种形态的召回率最低为81.40%,最高达96.93%;准确率最低为85.63%,最高达95.53%;F1值最低为87.50%,最高达94.99%。检测的平均速度能够达到0.2 s/幅。该文算法对自然条件下刺梨果实的识别具有较高的正确率和实时性。     

花期短时高温对不同品种水稻颖花开放动态及产量的影响

以耐热型水稻品种N22和热敏型水稻品种YR343为材料,进行盆栽试验。从抽穗扬花当天开始,利用人工气候室进行高温处理,以32℃/25℃（昼/夜）为对照,设置38℃/30℃为高温处理,连续处理7d。分别于处理第1、3、5、7天取样,研究花期不同天数高温胁迫对水稻颖花开放动态、颖花生理特性及产量的影响。结果表明：（1）高温胁迫后水稻产量和结实率均呈降低趋势,其降幅与高温持续时间有关。高温处理7d时,品种N22的产量与结实率分别降低49.1%和37.4%,YR343分别降低85.1%和65.3%。（2）高温胁迫后,水稻的花药开裂率和花粉活性均出现不同程度降低,且高温持续时间越长,降幅越大。（3）高温胁迫后水稻的总颖花开放量显著降低,其中,N22与YR343分别降低33.3%和65.5%。花期高温还改变了水稻开花峰值和峰值出现时间,与常温相比,高温下N22的开花高峰提前1h出现,峰值比例下降0.5%,YR343峰值出现时间无变化,但峰值比例降低2.8%,高温胁迫下YR343出现了花期缩短的现象。（4）高温胁迫下,水稻颖花可溶性蛋白、可溶性糖及脯氨酸含量总体呈下降趋势;丙二醛及过氧化氢含量呈上升...     

基于改进YOLOv4模型的全景图像苹果识别

苹果果园由于密植栽培模式,果树之间相互遮挡,导致苹果果实识别效果差,并且普通的图像采集方式存在图像中果实重复采集的问题,使得果实计数不准确。针对此类问题,该研究采用全景拍摄的方式采集苹果果树图像,并提出了一种基于改进YOLOv4和基于阈值的边界框匹配合并算法的全景图像苹果识别方法。首先在YOLOv4主干特征提取网络的Resblock模块中加入scSE注意力机制,将PANet模块中的部分卷积替换为深度可分离卷积,且增加深度可分离卷积的输出通道数,以增强特征提取能力,降低模型参数量与计算量。将全景图像分割为子图像,采用改进的YOLOv4模型进行识别,通过对比Faster R-CNN、CenterNet、YOLOv4系列算法和YOLOv5系列算法等不同网络模型对全景图像的苹果识别效果,改进后的YOLOv4网络模型精确率达到96.19%,召回率达到了95.47%,平均精度达到97.27%,比原YOLOv4模型分别提高了1.07、2.59、2.02个百分点。采用基于阈值的边界框匹配合并算法,将识别后子图像的边界框进行匹配与合并,实现全景图像的识别,合并后的结果其精确率达到96.17%,召回率达到95.63%,F1分数达到0.96,平均精度达到95.06%,高于直接对全景图像苹果进行识别的各评价指标。该方法对自然条件下全景图像的苹果识别具有较好的识别效果。     

基于mRMR-XGBoost的水稻关键生育期识别

针对目前使用无人机识别水稻关键生育期时光谱数据特征维度高和冗余,导致模型准确率和泛化能力不足的问题,该研究提出一种基于最优特征组合的水稻关键生育期（分蘖期、拔节期、抽穗期、乳熟期、完熟期）识别方法。首先使用无人机采集田间光谱图像,基于相对植被指数和迭代自组织数据分析算法对光谱图像进行分割,以有效提取水稻冠层区域。然后对水稻生育期的关键特征进行表达,采用最小冗余特征选择算法对特征进行重要性排序,并通过增量分组法确定最优特征组合。最后基于极度梯度提升算法构建水稻生育期的识别模型。对比试验结果显示,本文模型对5个关键生育期的识别较好,混淆情况少,对水稻分蘖期、拔节期、抽穗期、乳熟期和完熟期识别精确率分别为98.08%、100.00%、99.68%、97.50%和99.29%,整体识别精确率达到98.77%,F₁值为0.9891,Kappa系数为0.984,相比于SVM(支持向量机)分别提高了1.59%、0.0146和0.02,相比于RF(随机森林)分别提升了1.23%、0.011和0.015。研究结果可为田间作物的精准管理和决策提供重要依据。     

基于图像处理技术的红火蚁检测识别

对红火蚁（Solenopsis invicta Buren）进行准确检测是红火蚁巡检无人化首要解决的关键问题。该研究提出了一种基于图像处理技术的红火蚁检测识别方法。首先,将草坪环境下红火蚁蚁巢明度分量图像的背景区域进行压缩,并将压缩后的明度与色调差值图像与超绿模型分割提取的背景区域做差值融合,将其结果作为红火蚁蚁巢的检测识别模型。其次,在YOLOv5s算法的主干网络添加注意力机制,构建红火蚁昆虫图像的检测识别模型。最后,将采集到的红火蚁蚁巢图像与红火蚁昆虫图像分别在检测识别模型上进行对比测试。试验结果表明,草坪环境下采集的红火蚁蚁巢图像样本识别的IoU（Intersection over Union）最高可达96.87%,且IoU高于80%的样本占比81.67%;对红火蚁昆虫图像样本进行识别的平均检测速度可达48.53帧/s,精确率（Precision）可达91.50%,召回率（Recall）为89.28%,平均精度值（Average Precision）为95.40%,F1综合评价指标为90.38%,与原YOLOv5s算法相比有较大的提高。该技术方法对草坪环境红火蚁的智能化检测具有一定的可行性。     

基于改进YOLOv8n的茶叶嫩稍检测方法

针对名优茶智能采摘中茶叶嫩梢识别精度不足的问题,该研究对YOLOv8n模型进行优化。首先,在主干网络中引入动态蛇形卷积（dynamic snake convolution,DSConv）,增强模型对茶叶嫩梢形状信息的捕捉能力;其次,将颈部的路径聚合网络（path aggregation network,PANet）替换为加权双向特征金字塔网络（bi-directional feature pyramid network,BiFPN）,强化模型的特征融合效能;最后,在颈部网络的每个C2F模块后增设了无参注意力模块（simple attention module,SimAM）,提升模型对茶叶嫩梢的识别关注度。试验结果表明,改进后的模型比原始模型的精确率（precision,P）、召回率（recall,R）、平均精确率均值（mean average precision,mAP）、F1得分（F1 score,F1）分别提升了4.2、2.9、3.7和3.3个百分点,推理速度为42 帧/s,模型大小为6.7 MB,满足低算力移动设备的部署条件。与Faster-RCNN、YOLOv5n、YOLOv7n和YOLOv8n目标检测算法相比,该研究提出的改进模型精确率分别高出57.4、4.4、4.7和4.2个百分点,召回率分别高出53.0、3.6、2.8和2.9个百分点,平均精确率均值分别高出58.9、5.0、4.6和3.7个百分点,F1得分分别高出了56.8、3.9、3.7和3.3个百分点,在茶叶嫩梢检测任务中展现出了更高的精确度和更低的漏检率,能够为名优茶的智能采摘提供算法参考。     

基于改进YOLOv7的苹果生长状态及姿态识别

针对目前苹果在复杂环境下难以进行生长状态分类识别、姿态信息同步获取等问题,该研究提出了一种基于改进YOLOv7的苹果生长状态分类和果实姿态融合识别方法。首先改进多尺度特征融合网络,在骨干网络中增加160×160的特征尺度层,用于增强模型对微小局部特征的识别敏感度;其次引入注意力机制CBAM(convolutional block attention module),改善网络对输入图片的感兴趣目标区域的关注度;最后采用Soft-NMS算法,能够有效避免高密度重叠目标被一次抑制从而发生漏检现象。此外,结合UNet分割网络和最小外接圆及矩形特征获取未遮挡苹果姿态。试验结果表明,改进YOLOv7的识别精确率、召回率和平均识别精度分别为86.9%、80.5%和87.1%,相比原始YOLOv7模型分别提高了4.2、2.2和3.7个百分点,另外苹果姿态检测方法的准确率为94%。该文模型能够实现苹果生长状态分类及果实姿态识别,可为末端执行器提供了抓取方向,以期为苹果无损高效的采摘奠定基础。     

基于无人机影像的SEGT棉花估产模型构建

及时、准确的产量估算对农业经营管理和宏观决策具有重要意义。该研究利用无人机高分辨率遥感影像,提出了一种基于苗铃生长趋势的SEGT（Seedling Emergence and Growth Trend）模型用于棉花产量估算。首先借助无人机可见光影像数据,通过植被指数与大津法、形态学滤波相结合的方法,获取研究区内棉花出苗信息;然后利用无人机多光谱时间序列影像数据,分析各时期归一化差异植被指数NDVI（Normalized Difference Vegetation Index）与实际产量的相关特征,对棉花生长状态进行等级划分,反演每株棉花的预测成铃数;最后结合棉花单铃质量构建SEGT模型进行产量估算,并根据实测产量数据进行精度验证。试验结果表明：ExG-ExR（Excess Green-Excess Red）植被指数对棉花苗识别和提取效果较好,精确率、召回率、F1值分别达到93%、92.33%和92.66%,VDVI（Visible-band Difference Vegetation Index）植被指数精度次之;将预测产量与实测产量进行对比验证,估产模型的决定系数达到0.92,表明利用SEGT模型进行棉花产量估算是一种切实可行的方法。研究结果可为无人机遥感在作物估产中的应用提供参考。     

基于GF-1和Sentinel-2时序数据的茶园识别

由于茶园大多分布在地形复杂的山区,地块破碎,分布零散,形状差异大、植被混杂且茶园所处环境长期受到云雨的影响,增加了茶园遥感识别的难度与不确定性,针对这一问题,该研究提出了利用高分1号(GF-1)和哨兵2号(Sentinel-2)时序数据提取茶园的方法,以浙江省武义县王宅镇为研究区,采用GF-1号为主要数据源,并利用MODIS地表反射率产品和Sentinel-2反射率数据,基于时空融合算法得到时间分辨率5 d的10 m Sentinel-2完整的时序数据。综合利用GF-1在空间细节方面的优势和重建的Sentinel-2高观测频率时序数据在反映茶树生长过程方面的优势,分别基于GF-1的光谱和纹理特征及GF-1的光谱、纹理特征和Sentinel-2时序特征两种特征组合方式,采用随机森林算法提取茶园。结果表明,GF-1光谱、纹理信息结合Sentinel-2时序信息分类结果的准确率、错误率、精确率、召回率和F1分数分别为96.91%、3.09%、89.00%、83.09%和0.86,仅基于GF-1光谱和纹理信息的分类准确率、错误率、精确率、召回率和F1分数分别为94.72%、5.28%、73.09%、84.61%和0.78,添加时序信息分类结果总体优于未添加时序信息的分类结果。表明高空间分辨率结合高频率时序遥感数据是提高茶园分类精度的有效手段。     

近地层臭氧浓度升高对常规稻颖花形成的影响：FACE研究

FACE（free air gas concentration enrichment）研究使用标准的作物管理技术,在完全开放的大田条件下运行,代表了目前人类对未来大气环境的最好模拟。利用独特的大型稻田FACE平台,以典型的常规水稻品种武粳15（粳稻）和扬稻6号（籼稻）为供试材料,研究近地层臭氧（O3）浓度升高（比大气背景臭氧浓度平均增高26%）对常规水稻颖花形成的影响。结果表明：（1）高浓度O3对供试品种全穗以及一、二次枝梗颖化分化数均无显著影响;（2）高浓度O3使供试品种全穗和二次枝梗颖花退化数和退化率均显著增加,颖花退化增多是由于现存一次枝梗上二次枝梗大量退化而引起的二次颖花退化所造成;（3）颖花退化数在颖花分化数中所占比例很低,故高浓度O3对两供试品种全穗和一、二次枝梗颖花现存数以及稻穗构成均无显著影响。结合前报可知,选用常规水稻品种以及增施保花肥可能是未来近地层高浓度O3环境下稻作生产重要的适应措施。     

Synthesis of Hydroxy-Sodalite (“Zeolite”) from Waste Coal Ash

Abstract

Nitrogen accumulation in the apical spikelet of the top primary branch (superior spikelet) and the second spikelet of the lowest secondary branch (inferior spikelet), of the ear on the main stem of rice plant (Oryza sativa L. var. Sasanishiki) was characterized during grain filling. In the superior spikelet, the accumulation of dry matter and nitrogen which started immediately after lowering, proceeded rapidly, and reached the maturation level at 20 d after heading. In the inferior spikelet, however, the amount of dry matter and nitrogen accumulation was minimal immediately after flowering. It increased when grain filling of the superior spikelet was almost completed. ¹⁵N-labeled ammonia was administered to the plants at different stages of ripening and the amount of incorporation in the spikelets was analyzed at harvest. The labeled nitrogen administered at the early stages of ripening was the main source of the labeled nitrogen incorporated in the superior spikelet. However, the labeled nitrogen incorporated in the inferior spikelet largely consisted of the labeled nitrogen administered at the late stages of ripening. When all the spikelets except for the five inferior spikelets were removed from the ear at various stages of ripening, the amount of dry matter and nitrogen accumulation increased immediately, irrespective of the stage of ripening.

These results indicate that dry matter and nitrogen partitioning among spikelets of the ear is highly regulated during ripening and their accumulation in the inferior spikelets at the early stage of ripening is suppressed by some unknown factor(s) which can be eliminated by the removal of the superior spikelets.     

杂交稻及其恢复系的强弱势粒对光合物质摄取能力的比较

本研究选用杂交稻三组合及相应恢复系作为供试材料 ,分田间试验及盆栽试验两部分。结果表明 ,杂交组合及其相应恢复系的籽粒对标记储藏物质及标记光合物质的吸收分别达到 50 %和 80 % ,杂交组合籽粒的吸收量高于相应的恢复系 ,但差异不大 ,说明在储藏物质与光合产物的运输方面 ,杂交组合比相应的恢复系之间无明显差别。但是 ,杂交组合与相应恢复系的强弱势粒对标记储藏物质与光合物质的摄取量之间存在明显差异 ,强势粒是弱势粒吸收量的数倍乃至数十倍 ,尤其是杂交组合的强势粒对标记光合产物的摄取能力远高于弱势粒。杂交稻及其恢复系在物质分配方面表现出强势粒对弱势粒的粒间顶端优势 ,杂交组合比相应恢复系的粒间顶端优势表现更为明显。强势粒对弱势粒物质摄取能力的优势 ,可能是杂交稻籽粒结实率低下的重要原因之一。     

基于改进CornerNet的水稻灯诱飞虱自动检测方法构建与验证

针对水稻灯诱昆虫图像中稻飞虱自动检测存在严重误检和漏检问题,提出一种基于改进CornerNet的水稻灯诱飞虱自动检测方法.由于稻飞虱个体在灯诱昆虫图像中所占区域比例极小,利用重叠滑动窗方法提高飞虱在图像检测区域中所占比例,提高2种稻飞虱(白背飞虱和褐飞虱)的检测率和避免滑动窗边界造成的目标漏检.针对CornerNet存...     

高温后移对水稻颖花败育的影响

以籼稻Ⅱ优7954和Ⅱ优7号为供试材料,通过人工气候箱在水稻抽穗开花期进行两种高温处理,即常规38℃高温处理（9：00-14：00）和38℃高温后移处理（11：00-16：00）,以受精率衡量高温后移对水稻颖花败育的影响,并进一步探讨高温后移下颖花败育的原因.结果表明：常规高温处理下颖花育性对开花当天高温最敏感,而高温后移处理下颖花育性对开花前1d高温最敏感;高温后移开花高峰出现在高温来临前,可见高温后移主要通过开花前高温而非开花时高温影响颖花育性;开花前高温主要通过影响花药散粉、花粉粒萌发和花粉管延伸从而引起颖花败育.研究成果可为水稻品种高温热害鉴定提供科学依据.     

大穗型水稻品种抽穗开花期遭遇高温后的结实表现

培育大穗型水稻品种是进一步提高水稻产量的途径之一,但是大穗型水稻的颖花受精和籽粒灌浆易受环境影响而产生波动。以大穗型水稻品种BL006和R-农白为试验材料,中穗型品种黄华占为对照,利用人工气候室模拟湖北典型高温天气的昼夜温度变化,研究大穗型水稻在抽穗开花期遭遇高温（日平均气温30℃和33℃）后的结实表现。结果表明：高温处理后,各品种的颖花受精率显著降低;30℃处理后,BL006、R-农白和黄华占的颖花受精率分别下降10.37、10.05和7.24个百分点,33℃处理后,分别降低53.17、65.38和8.17个百分点;30℃高温处理后,弱势颖花受精率的降幅较大,33℃高温处理后,强势颖花受精率的降幅较大;颖花受精率的变化与品种的光合特征有关。与常温相比,30℃高温处理后,BL006和R-农白的千粒重均降低1.69%,黄华占升高2.45%;33℃处理后,BL006和黄华占分别降低18.38%和11.65%,R-农白升高3.10%。此外,千粒重的变化也受粒位影响。因此,选育强耐高温的大穗型水稻品种,要整体提升穗部颖花的高温耐性水平和品种的光合能力。     

基于图像频谱特征的稻飞虱识别方法

为准确、快速的识别稻飞虱种类,采用自行设计的野外环境昆虫图像采集装置获取稻飞虱背部图像,通过对背景与目标像素的统计,选取140为阈值,对稻飞虱图像的蓝色通道进行二值化,将背景与目标分割开,采用形态学滤波以及开运算,与灰度图像进行与操作,获取单个稻飞虱虫体背部区域的灰度图像。然后对灰度图像进行二维傅里叶变换,获得虫体背部图像的二维傅里叶频谱。最后以ll(l=1,2,…,6)的二维频谱窗口数据作为稻飞虱特征参数,建立Fisher判别函数。训练集和验证集的试验结果表明,选用33二维傅里叶频谱窗口数据建立的判别模型,稻飞虱正确识别率可达到90%以上。该方法可以实现田间稻飞虱的自动识别。     

顶小穗簇生型早籼稻新种质的创制与鉴定

为获得理想的顶小穗簇生型早籼稻新种质,本研究以ZC1、中嘉早17、中佳早10号、嘉兴06-6、温814、温922、台早10-02、辐017、Z10-08、中佳早06和NZ07-51为亲本材料,利用顶小穗3粒簇生型常规中籼稻突变体与常规早籼稻有性杂交、后代复交,并经世代选育,育成了12份性状稳定、顶小穗2~5粒簇生的常规早籼稻新种质,再通过叶瘟抗性、生育期、产量、农艺及穗部簇生性状和稻米品质的鉴定,明确各种质的性状特征表现。结果表明,育成的12份顶小穗簇生型早籼稻新种质簇生粒率高,生育期和结实率较为理想,其中C1、C8、C9、C10和C11为粘稻,其余为糯稻,C3、C12叶瘟抗性较好,C1、C2、C4、C8、C9和C11千粒重在26.0 g 以上,C1、C5、C6、C7、C9、C10、C11和C12产量较对照增加,其中C10具有较高的增产潜力。本研究结果为顶小穗簇生穗性状研究和育种利用提供了一定的种质资源和技术支撑。     

改进RetinaNet的水稻冠层害虫为害状自动检测模型

中国现行的水稻冠层害虫为害状田间调查方法需要测报人员下田目测为害状发生情况,此种人工调查方法存在客观性差、效率低与劳动强度大等问题。近几年,诸多学者开始利用深度学习方法来识别植物病虫为害状,但大多针对单株或单个叶片上病虫害种类进行识别研究。该研究采集了水稻冠层多丛植株上稻纵卷叶螟和二化螟为害状图像,提出一种改进RetinaNet的水稻冠层害虫为害状自动检测模型。模型中采用ResNeXt101作为特征提取网络,组归一化(Group Normalization,GN)作为归一化方法,改进了特征金字塔网络(Feature Pyramid Network,FPN)结构。改进后的RetinaNet模型对2种害虫为害状区域检测的平均精度均值达到93.76%,为实现水稻害虫为害状智能监测提供了理论依据和技术支持。