花龄期棉花虫害的电子鼻检测

棉花害虫具有隐蔽性、迁飞性和突发性特点,并且影响因素众多,棉花虫害准确地诊断是农业领域的难点问题。该研究以受到棉铃虫侵害的花铃期棉花为研究对象,采用电子鼻对不同处理的棉花挥发物进行检测。研究表明,主成分分析（Principal Component Analysis, PCA）和聚类分析结果显示健康棉花释放的挥发物具有明显的昼夜节律性,健康棉花与虫害棉花差异性显著。径向基函数神经网络（Radial Basis Function Neural Network, RBFNN）对8个不同时间的4组虫害棉花处理进行分析,测试集判别总的正确率为73.4%,健康棉花对照组测试集判别正确率100%,误判样本出现在3个虫害处理之间。当不考虑时间因素建立虫害棉花统一的预测模型,RBFNN模型对健康棉花对照组的预测正确率均达到了100%,分析结果可以作为花铃期棉花是否遭受棉铃虫侵害的依据,说明电子鼻可以作为棉花虫害发生的有效监测手段,在农作物虫害监测领域具有潜在的应用价值。     

基于气敏传感器阵列特征优化的储粮害虫赤拟谷盗检测

为实现储粮中害虫赤拟谷盗（Tribolium castaneum（Herbst））的检测，该研究使用自主开发的储粮害虫电子鼻检测装置，采集了小麦中不同虫口密度梯度的赤拟谷盗挥发性气味信息，根据10个气敏传感器采集到的响应曲线，提取了各个传感器的相对变化值（Relative Change，RC）、相对积分值（Relative Integral，RI）、平均微分值（Mean Difference，MD）作为原始特征矩阵（10×3），使用遗传算法（Genetic Algorithm，GA）作为特征选择方法，获得样本的特征信息，通过建立预测回归模型，实现了对小麦中赤拟谷盗虫口密度的预测。以识别准确率作为评价指标，对原始的特征矩阵进行了多特征优化，优化后的特征矩阵的识别准确率由原始的82.85% 提升至97.14%，优化后的特征数量由原始的30个减少为12个，特征数量减少60%，传感器数量减少至8个。最后通过采用偏最小二乘回归（Partial Least Squares Regression，PLSR）、主成分回归（Principal Components Regression，PCR）和支持向量机回归（Support Vector Machine Regression，SVR）3种回归方法进行回归预测，研究结果表明：基于偏最小二乘回归（PLSR）的预测模型达到了较好的预测效果，预测集回归模型的相关系数r和均方根误差RMSE分别为0.828和11.293。研究证明了气敏传感器阵列多特征优化方法的可行性和有效性，同时为实现粮食虫害快检测提供一种方法和参考。     

光谱特征变量和BP神经网络构建油用牡丹种子含水率估算模型

为了进一步提高种子含水率的高光谱估算精度,该研究测定了156份油用牡丹种子的近红外吸收光谱及其对应的含水率值,分析了近红外吸收光谱、一阶微分光谱、水分吸收特征参数与含水率的相关关系,构建了基于特征波长吸收光谱、特征波长一阶微分光谱、水分特征吸收参数和BP神经网络的油用牡丹种子含水率估算模型,并对模型进行了验证;再结合一元线性回归（SLR,Single Linear Regression）、逐步多元线性回归（SMLR,Stepwise MultipleLinear Regression）、偏最小二乘回归（PLSR,Partial Least Squares Regression）模型与BP神经网络（BPNN,BP Neural Network）模型进行比较。结果表明：1）油用牡丹种子含水率的吸收光谱特征波长位于1 410、1 900、1990 nm,一阶微分光谱特征波长位于1 150、1 950、2 080 nm;2）以DF2080和AD2140为自变量建立的一元线性回归模型预测效果较优,在能够满足水分估算精度的情况下,是最优的选择方法。3）将优选的特征参数作为输入,实测含水率值作为输出,构建BP神经网络模型,其建模与验模R2分别为0.978和0.973,RMSE分别为0.22%和0.242%,而RPD值分别为6.478和5.889,与其他模型相比,BP神经网络模型的建模及预测精度均最高,是估算油用牡丹种子含水率的最优模型,其次为逐步多元线性回归模型。研究结果表明BP神经网络模型对种子含水率具有更好的预测能力,是估算油用牡丹种子含水率的有效方法。     

基于高光谱和BP神经网络的玉米叶片SPAD值遥感估算

为了进一步提高玉米叶绿素含量的高光谱估算精度,该文测定了西北地区玉米乳熟期叶片的光谱反射率及其对应的叶绿素相对含量（soil and plant analyzer development,SPAD）值,分析了一阶微分光谱、高光谱特征参数与 SPAD的相关关系,构建了基于一阶微分光谱、高光谱特征参数和 BP 神经网络的 SPAD 估算模型,并对模型进行验证;再结合主成分回归（principal component regression,PCR）、偏最小二乘回归（partial least squares regression,PLSR）以及传统回归模型与 BP 神经网络模型进行比较。结果表明：SPAD 值与一阶微分光谱在763nm 处具有最大相关系数（R=0.901）;以763 nm 处的一阶微分值、蓝边内最大一阶微分为自变量建立的传统回归模型可用于玉米叶片 SPAD 估算;将构建传统回归模型时筛选到的光谱参数作为输入,实测 SPAD 值作为输出,构建 BP 神经网络模型,其建模与验模 R2分别为0.887和0.896,RMSE 为2.782,RE 为4.59%,与其他回归模型相比,BP 神经网络模型预测精度最高,研究表明 BP 神经网络对叶绿素具有较好的预测能力,是估算玉米叶片 SPAD 值的一种实时高效的方法。     

基于无人机采集的视觉与光谱图像预测棉花产量

为了高效管理农田,该文提出了一种应用低空遥感视觉与光谱图像预测棉花产量的方法。盛花期前的棉花图像由无人机遥感平台在距地面50m的飞行高度下采集,采集的局部图像通过拼接处理得到棉花地的全景RGB图像与CIR(color-infrared,彩色红外)图像。基于全景图像提取并计算了色度、植株覆盖率与归一化植被指数(normalized difference vegetationindex,NDVI)3个特征参数,用于构建棉花产量的预测模型。包括产量与特征参数的原始数据集随机分为训练集(90%)与测试集(10%)。训练集数据首先基于产量概率分布特征去除了10%的离群值,然后通过均值滤波器滤波,处理后的数据用于构建预测模型。通过SAS软件对比分析了单变量、双变量以及三变量构建的线性回归模型,预测模型由P值、决定系数R2、每0.4 hm2面积下估计值与真实值之间的平均绝对误差百分比(mean absolute percentage error,MAPE)这3个参数进行评估。试验结果表明,单变量、双变量以及三变量构建的共7个线性回归模型,其P值均小于0.05,则7个线性回归模型均具有统计学意义(5%显著性水平)。其中,由三变量构建的多元线性回归模型具有最大的决定系数R2=0.9 773,因此适应性最优。基于测试集验证模型精度,试验结果表明,采用多元线性回归模型进行产量估计,估计值与实际值之间的平均绝对误差百分比为4.0%。因此,无人机搭载图像传感器采集提取视觉与光谱特征能够有效用于作物产量的预测。     

基于热裂解和电子鼻的土壤全氮检测方法及特征优化

土壤氮是作物生长发育所必需的营养元素,也是衡量土壤肥力特征的重要指标。为快捷准确测定土壤全氮含量,该研究提出了一种基于热裂解和电子鼻的土壤全氮含量检测方法。采用10种不同类型的气体传感器构建传感器阵列,并对其进行了不同浓度甲烷、氯乙烯和氨气等标准气体的响应测试试验。使用马弗炉裂解土壤样本得到裂解气体,采用气体传感器阵列检测裂解气体的响应曲线。提取响应曲线的平均值（Vmean）、方差值（Vvav）、最大梯度值（Vmgv）、最大值（Vmax）、响应面积值（Vrav）、第8秒的瞬态值（V8）和平均微分系数（Vmdc）7个特征构建121×10×7（121土壤样本,10传感器数量,7特征）的特征空间,采用GA-BP特征优化方法将特征降至33维,形成121×33的特征空间。GA-BP算法优化结果表明,构建的传感器阵列对该文检测方法无冗余影响,其中传感器TGS826、TGS2603、TGS2611和TGS2600对新特征空间的构建贡献最大,特征Vmean、Vmgv、Vrav、V8和Vmdc是反映该文检测方法与土壤全氮含量内在关系的重要特征。采用反向传播神经网络算法（BPNN）、偏最小二乘回归算法（PLSR）和反向传播神经网络与偏最小二乘回归结合算法（PLSR-BPNN）建立特征空间与土壤全氮含量的预测模型,使用决定系数（R2）、均方根误差（RMSE）和相对分析误差（RPD）作为模型性能指标。建模结果表明,PLSR、BPNN和PLSR-BPNN模型的R2分别为0.91、0.81和0.93,RMSE分别为0.25、0.37和0.22,RPD分别为3.24、2.19和3.79,PLSR-BPNN模型拥有最高的R2和RPD,最小的RMSE。结果表明,土壤热解气体与土壤全氮含量之间存在较高的相关性,采用该文检测方法建立的PLSR-BPNN模型可以实现土壤全氮含量的准确预测。     

基于特征融合的棉花幼苗计数算法

为了获取棉花幼苗数量，掌握播种成活率和出苗率等关键苗情信息，该研究提出一种基于特征融合的棉花幼苗计数算法。首先，该算法采用VGG-16作为基础模块提取图像特征，使用注意力模块（Convolutional Block Attention Module，CBAM）在通道和空间维度上进行特征增强，然后将增强后的特征与基础模块中的特征进行融合，进一步强化幼苗特征表达，最后通过去冗余和归一化操作得到计数结果。此外，还构建了一个包含399张棉花幼苗图像的数据集，其中包含了对212 572株幼苗的精准手工标注点标签。在该数据集上的测试结果表明，所提出的棉花幼苗计数算法取得了较好的计数效果，平均计数误差（Mean Absolute Error，MAE）和均方根误差（Root Mean Square Error，RMSE）分别为63.46和81.33，对比多列卷积神经网络（Multi-column Convolutional Neural Network, MCNN）、拥挤场景识别网络（Congested Scene Recognition Network, CSRNet）、TasselNet、MobileCount等方法，MAE平均下降了48.8%，RMSE平均下降了45.3%。     

基于自适应判别深度置信网络的棉花病虫害预测

作物病虫害预测是病虫害防治的前提,利用深度学习预测作物病虫害是一个有效且具有挑战性的研究课题。该文针对深度置信网络(deep belief network,DBN)在作物病虫害预测中的训练耗时长和容易收敛于局部最优解等问题,将自适应DBN和判别限制玻尔兹曼机(restricted boltzmann machine,RBM)相结合,利用棉花生长的环境信息,提出一种基于自适应判别DBN的棉花病虫害预测模型。该模型由3层RBM网络和一个判别RBM(discriminative restricted boltzmann machine,DRBM)网络组成,通过3层RBM网络将棉花生长的环境信息数据转换到与病虫害发生相关的特征空间,通过自动学习得到层次化的特征表示,再由DRBM预测棉花病虫害的发生概率。该模型将自适应学习率引入到对比差度算法中,通过自动调整学习步长,解决了在传统DBN模型训练时学习率选择难的问题;在学习过程中通过在DRBM中引入样本的类别信息,使得训练具有类别针对性,弱化传统RBM无监督训练时易出现特征同质化问题,提高了模型的预测准确率。对实际棉花的"棉铃虫、棉蚜虫、红蜘蛛"虫害和"黄萎病、枯萎病"病害的平均预测准确率为82.840%,与传统BP神经网络模型(BPNN)、强模糊支持向量机模型(SFSVM)和RBF神经网络模型(RBFNN)分别提高19.248%,24.916%和27.774%。     

利用随机森林法协同SIF和反射率光谱监测小麦条锈病

小麦受到条锈病菌侵染后,作物的光合能力及色素含量等均会发生变化,日光诱导叶绿素荧光(solar-induced chlorophyll fluorescence,SIF)对作物光合生理的变化比较敏感,而反射率光谱则受作物生化参数的影响较大,为了提高小麦条锈病的遥感探测精度,该文利用随机森林(random forest,RF)等机器学习算法开展了协同冠层SIF和反射率微分光谱指数的小麦条锈病病情严重度的遥感探测研究。首先利用3FLD(three bands fraunhofer line discrimination)算法提取了冠层SIF数据,然后结合对小麦条锈病病情严重度敏感的11种反射率微分光谱指数分别基于RF和后向传播(back propagation,BP)神经网络算法构建了反射率微分光谱指数与冠层SIF协同的小麦条锈病病情严重度预测模型。研究结果表明:RF算法构建的小麦条锈病病情严重度预测模型优于BP神经网络算法,3个样本组中RF模型病情指数(disease index,DI)估测值与实测值间的决定系数R2平均为0.92,比BP神经网络模型(R2的平均值为0.83)提高了11%,均方根误差(root mean square error,RMSE)平均为0.08,比同组BP神经网络模型(RMSE的平均值为0.12)减少了33%,RF算法更适合于小麦条锈病病情严重度的遥感探测。在反射率微分光谱指数中加入冠层SIF数据后,RF模型和BP神经网络模型精度均有所改善,其中RF模型估测值与实测值间的平均R2提高了4%,平均RMSE减少了22%,BP神经网络模型估测值与实测值间的平均R2提高了14%,平均RMSE减少了28%,综合利用冠层SIF和反射率微分光谱指数能够改善小麦条锈病病情严重度的遥感探测精度。研究结果可为进一步实现作物健康状况大面积高精度遥感监测提供新的思路。     

基于电子鼻传感器阵列优化的甜玉米种子活力检测

针对甜玉米种子活力传统检测方法操作繁琐、重复性差等不足,该研究利用电子鼻技术建立甜玉米种子活力快速检测方法。利用电子鼻获取不同活力甜玉米种子的气味信息,再结合主成分分析(PCA,principal component analysis)、线性判别分析(LDA,linear discriminant analysis)、载荷分析(loadings)和支持向量机(SVM,support vector machine)对气味信息进行提取分析,建立甜玉米种子活力的定性定量分析模型。结果显示:PCA和LDA分析均无法区分不同活力的甜玉米种子,而SVM的鉴别效果较好。全传感器阵列数据集SVM分类判别模型训练集和预测集正确率分别为97.10%和96.67%,建模时间为30.75 s,回归预测模型训练集和预测集决定系数R~2分别为0.993和0.913,均方差误差分别为2.23%和8.50%。经Loadings分析将10个传感器阵列优化为6个。优化后传感器阵列数据集SVM分类判别模型训练集和预测集正确率分别为98.55%和96.67%,建模时间为21.81 s,回归预测模型训练集和预测集决定系数R~2分别为0.982和0.984,均方差误差分别为3.80%和3.01%。结果表明:基于SVM的电子鼻技术可以实现对不同活力甜玉米种子的高效判别和预测,将传感器阵列优化为6个,判别和预测效果均有所提升。该研究为电子鼻技术应用于甜玉米种子活力检测提供理论依据。     

基于朴素贝叶斯分类器的棉花盲椿象危害等级识别

针对自然条件下棉花盲椿象危害区域提取和危害等级识别难的问题,提出了棉花盲椿象危害等级自动识别方法。该方法以自然条件下采集的不同盲椿象危害等级棉叶图像为对象,利用最大类间方差阈值分割和多颜色分量组合方法进行作物与土壤分离和病斑分割,并利用分水岭分割方法对粘连棉叶进行分离并提取盲椿象危害棉叶区域,提取图像的颜色、纹理和形状特征,结合朴素贝叶斯分类器,依据划分的棉花盲椿象危害等级标准,对盲椿象危害等级进行识别。不同盲椿象危害等级识别试验结果表明:该模型平均识别正确率达90.0%,通过比较试验表明,该模型在识别精度比BP神经网络高2.5%,运行速度比支持向量机高11.7%,可较好的对棉花盲椿象危害等级进行识别,可为棉花盲椿象的防治提供技术支持。     

辐照棉铃虫成虫田间扩散能力的研究

３００ Ｇｙ γ射线辐照棉铃虫（ Ｈｅｌｉｃｏｖｅｒｐａ ａｒ ｍ ｉｇｅｒａ Ｈｕｂｎｅｒ） 成虫（ 棉田第１ 代） 在田间的扩散试验表明：释放的标记虫约９７ ％ 集中在离释放点半径７２０ ｍ 的范围内。最远平均扩散距离为６１５ ｍ 。棉铃虫扩散密度与扩散距离呈倒数相关,符合模型 Ｎ ＝－ ０８３ ＋ １６４７３４／ ｘ 。野生棉铃虫有向嫩绿寄主植物扩散的趋势。     

我国Bt棉花商业化的环境影响与风险管理策略

Bt转基因棉花于1997年在我国商业化种植，到2006年种植面积已达棉花总面积的70％。环境影响监测表明，Bt棉花有效地控制了棉铃虫和红铃虫的发生和为害，但盲蝽蟓类害虫演化上升成为棉田的主要害虫。抗性分析显示，虽然棉铃虫自然种群对Bt棉花抗性基因频率没有明显的变化，但Bt棉花髙强度种植地区的棉铃虫耐受性正逐年提高，已成为影响Bt棉花持续利用的主要因素。基于Bt棉花环境风险和影响因子的综合分析，本文讨论了Bt棉花环境风险的管理策略。     

基于Gabor小波和颜色矩的棉花盲椿象分类方法

为了提高棉花盲椿象测报精度,提出了一种在自然环境下基于Gabor小波和颜色矩的棉花盲椿象自动分类方法。该方法以5种棉花盲椿象为研究对象,利用Gabor小波和颜色矩分别提取盲椿象图像的纹理和颜色特征,并结合主成分分析和支持向量机,实现了棉花盲椿象的分类。通过特征提取与优化试验发现,利用主成分变换得到的第1主成分、第2主成分和第3主成分分量累计贡献率为87.3%,且聚类效果较好;通过棉花盲椿象分类试验得出,经过主成分分析与径向基核函数支持向量机相结合的棉花盲椿象分类效果最好,其训练时间为89 ms,分类正确率达91%。该方法能准确对棉花盲椿象进行分类与识别。     

Effect of indigenous arbuscular mycorrhizal fungi combined with manure on the change in concentration some mineral elements in cotton (Gossypium hirsutum L.)

A pot experiment was conducted to evaluate the effect of indigenous arbuscular mycorrhizal fungi (AMF) and the synergy of indigenous AMF and sheep manure (SM) on potassium (K), calcium (Ca) and some micronutrient concentrations in cotton plant. Indigenous AMF were a mixture of Glomus viscosum, Glomus mosseae and Glomus intraradices initially isolated from a cotton field. Cotton was grown for 12 weeks and the elements of shoot were determined at three stages of plant growth. Inoculated cotton plants with AMF had higher concentrations of K, Ca, manganese (Mn), iron (Fe), copper (Cu) and zinc (Zn) than non-mycorrhizal plants. Shoot concentrations of these elements increased significantly when SM was added to mycorrhizal plants. Maximum plant micronutrient uptake was found in the treatment of AMF inoculation with SM. Mn, Fe, Cu and Zn uptake increased significantly by 457%, 282%, 272% and 295%, respectively, over control. Indigenous AMF combined with SM resulted in better plant growth and micronutrient uptake.     

常规稻与杂交稻谷的仿生电子鼻分类识别

气味是进行稻谷品种及其品质识别的重要方法之一,作为一种基于仿生嗅觉的机器检测方法,仿生电子鼻在水稻品种的分类识别中具有较好的应用前景。常规稻与杂交稻在食味品质等方面存在一定的差异,为了解应用电子鼻进行常规稻谷与杂交稻谷识别的可行性,采用PEN3电子鼻对同季同地域收获的3种常规稻(中香1号、湘晚13、瑶平香)和3种杂交稻(伍丰优T025、品36、优优122)稻谷样品的气味信息进行了采集和分析。首先通过过载分析(Loadings)法分析了电子鼻检测稻谷气体挥发物时的各传感器贡献率,分别针对基于特征值的提取和稻谷气味检测对电子鼻传感器阵列中的传感器进行了优选,阐明了稻谷气体挥发物检测中应以对硫化物、氮氧化合物、芳香成分和有机硫化物敏感的传感器为主。随后,分别采用主成分分析法(principal component analysis,PCA)、线性判别法(linear discriminant analysis,LDA)和BP神经网络对6种不同稻谷之间、常规稻与杂交稻之间的分类识别进行了研究。结果表明,PCA分析法与LDA分析法在对6种不同稻谷之间的分类以及常规稻与杂交稻之间的分类中均未取得理想的效果,存在部分样本数据点重叠或样本数据点较近的情况,在实际应用中易发生混淆;而BP神经网络在对6种不同稻谷之间的分类中对测试集的识别正确率分别达到了90%,在常规稻与杂交稻之间的分类识别中对测试集的识别正确率达到了96.7%。上述试验验证了电子鼻用于常规稻与杂交稻稻谷分类识别的有效性,为常规稻与杂交稻的快速、无损分类识别提供了一种新的方法。     

基于改进全卷积网络的棉田冠层图像分割方法

针对传统的全卷积网络分割精度低、效果差等问题,该文提出一种结合条件随机场的改进全卷积网络棉田冠层图像分割方法。首先通过提取和学习图像特征对全卷积网络进行训练以优化其分割性能,得到初步分割结果和训练后的全卷积网络模型;接着将初步分割结果以像素和像素对应的分类向量形式输入到条件随机场中,同时结合像素间相对关系构建能量函数再进行训练,对初步分割结果进行优化得到训练后的条件随机场模型;进而通过验证过程对全卷积网络和条件随机场模型参数进一步调优,得到最优的全卷积网络和条件随机场;最后结合最优的全卷积网络和条件随机场实现棉田冠层图像分割并进行试验。试验结果表明:该方法的平均像素准确率为83.24%,平均交并比为71.02%,平均速度达到0.33 s/幅,与传统的全卷积网络分割性能相比分别提升了16.22和12.1个百分点,改进效果明显;与Zoom-out和CRFas RNN(conditional random fields as recurrent neural networks)分割方法进行对比,平均像素准确率分别提升了4.56和1.69个百分点,平均交并比分别提升了7.23和0.83个百分点;与逻辑回归方法和SVM(support vector machine)方法进行对比,平均像素准确率分别提升了3.29和4.01个百分点,平均交并比分别提升了2.69和3.55个百分点。该文方法在背景复杂、光照条件复杂等环境下可以准确分割出冠层目标区域,鲁棒性较好,可为棉花生长状态自动化监测提供参考。     

Boron Deficiency Inhibits Petiole and Peduncle Cell Development and Reduces Growth of Cotton

ABSTRACT

The effect of boron (B) on cotton growth and fruit shedding may be due not only to physiological or biochemical effects, but also to vascular tissue malformation. This experiment investigated petiole and floral peduncle anatomical alterations and growth of cotton supplied with deficient and sufficient B in nutrient solution. Cotton (Gossypium hirsutum cv. ‘Delta Opal’) plants were grown in solutions containing 0, 1.5, 3.0, 4.5, and 6.0 μmol L^?1 of B from 22 to 36 d after plant emergence (DAPE). From 36 to 51 DAPE, B was omitted from the nutrient solution. Petioles from young leaves and floral bud peduncles (first position of the first sympodial) were sampled and the cross-section anatomy observed under an optical microscope. The number of vascular bundles of the petiole was decreased in B-deficient plants and the xylem was disorganized. Phloem elements in the peduncle vascular cylinder of B-deficient plants did not show clear differentiation. The few xylem elements that were formed were also disorganized. Modifications caused by B deficiency may have impaired B and photosynthate translocation into new cotton growth. Boron accumulation in the shoot of B-deficient plants suggested that there was some B translocation within the plant. It could be inferred that cotton growth would be impaired by the decrease in carbohydrate translocation rather than by B deficiency in the tissue alone.     

辐照对棉铃虫精子传导及产卵反应的影响

本文报道辐照棉铃虫与正常棉铃虫精子传导。棉铃虫的精子传导是一个复杂的过程 ,正常棉铃虫精子传导的失败率为 1 9% ,经 2 50Gy和 40 0Gy辐照后 ,精子传导的失败率分别为 2 1 %和 50 %。精包“帽”定位的异常是精子传导失败的一个重要原因。当棉铃虫雌虫与高剂量辐照雄虫交配后 ,产卵反应表现异常。