基于IRMAnet的全生育期小麦品种识别研究

为了解决小麦种植中品系混乱、劣种降效、假种坑农以及模型参数过多不利于部署到移动端等问题，提出了IRMAnet模型。通过拍摄29种不同小麦的种子期、幼苗期、开花期图片，构建了一个拥有87个类别46 420张照片的小麦多生育时期数据集。基于该数据集，首先将原始ResNet34模型的基本残差块中的第二个卷积块替换为inverted residual block，以降低网络的参数量；其次在网络的Layer1层后加入一层RFB层，增大感受野的同时提高特征提取能力；最后在网络的Layer2、Layer3层后分别加入一层MAPOOL层，以增强泛化能力和准确性。在训练集上进行训练后，IRMAnet的准确率为95.0%，相较于ResNet34提高了1.9个百分点。将在训练集上训练得到的权重加载到验证集上后，除个别品种外，绝大多数品种的精确率、召回率、特异度均达到了90%以上。实验结果表明，IRMAnet能够对多个生育时期的小麦品种进行准确识别，模型性能更加优越，所使用参数量更低。该研究为全生育期小麦品种识别提供了依据，为小麦产业提质增效提供了新的技术选项。     

基于机器学习和无人机图像的棉花密度识别研究

随着人工智能的发展,机器学习正逐渐应用于大田信息化管理,可以节约时间、减少劳动用工。利用无人机获取6个密度（1.5万株·hm^－2、3.3万株·hm^－2、5.1万株·hm^－2、6.9万株·hm^－2、8.7万株·hm^－2、10.5万株·hm^－2）棉田的RGB图像,以数据增强技术扩大数据集,通过机器学习算法的不同模型（支持向量机、VGGNet16、GoogleNet、MobileNetV2）实现不同密度棉田图像的识别分类,并对比了不同模型的图像识别效果。基于支持向量机模型的方法是利用尺度不变特征变换对数据集进行特征提取,将其作为分类器的输入向量进行图像分类;该模型的平均分类识别准确率为74.18%。基于3种卷积神经网络模型（VGGNet16、GoogleNet、MobileNetV2）的方法是结合迁移学习并搭配Adam优化算法对模型进行微调,自动提取数据集特征并重新训练;其分类识别准确率均在90%以上。结果表明,相较于传统机器学习,3种卷积神经网络模型训练对不同密度棉田图像的分类识别准确率更高。比较4种神经网络模型的测试集验证结果,GoogleNet和MobileNetV2模型的平均分类识别准确率达到98%;结合模型评估指标精确率、召回率、F1分数可知,这2种模型的性能较好。该研究表明了深度学习算法对不同密度棉田图像分类的有效性,探索的图像识别方法和优选模型可为棉花大田信息化管理提供技术支持。     

基于高光谱图像技术的小麦种子分类识别研究

为了探讨高光谱图像技术在小麦种子分类识别中应用的可行性,采集了河南地区主要种植的7个小麦品种的种子高光谱图像及900～1 700nm范围的光谱信息,建立了主成分分析法(PCA)-支持向量机(SVM)分类模型。运用PCA对光谱数据进行降维处理,结合SVM模型比较了不同实验条件下小麦种子分类准确率以及在最佳条件下3个、4个和6个品种种子的分类准确率。结果显示,3个品种间种子分类准确率除个别外平均达到95%以上,4个品种间种子分类准确率在80%左右,6个品种间种子分类准确率在66%左右。这说明充分利用光谱信息可以对3个或4个小麦品种进行多籽粒分类。     

基于CERES-MAIZE模型的夏玉米生产水肥优化管理技术方法与应用研究

运用CERES-MAIZE模型和“均匀设计”,建立了基于模拟模型的系统优化方法,以该方法为基础研究了曲周地区的夏玉米生产在不同气象、土壤条件下的水肥管理优化技术特征。结果表明:①肥力基础高的土壤:夏玉米在足墒的情况下播种,干旱年型应重视拔节期和灌浆期的灌溉;降雨正常、多雨年型可以不灌溉。②基础肥力低的土壤:干旱年型应重视底水、拔节水和抽雄前期灌水,追施底肥和拔节肥;降雨正常年型重视拔节期灌水施肥;多雨年型结合生育期降雨状况,重视拔节期至抽雄期施肥。同时,从系统优化的角度研究一个地区不同条件下的水肥利用特征,这对评价一个地区农田生态情况提供了一种新的技术方法。     

重度修剪对杧果畸形病的防控研究

杧果畸形病是国际上为害杧果生产的一种严重病害,无有效化学药剂可以控制,也未发现抗病品种。目前,此病在攀枝花市零星种植或失管的杧果园发病较为严重,成片的杧果基地也有零星发生,且呈蔓延扩展趋势。国内有关杧果畸形病病原鉴定方面的报道较多,但无田间防治研究的报道。本文采取重度回缩修剪、结合其他措施对杧果畸形病进行防控研究。结果表明,与修剪处理前相比,处理1第1年发病率降低64.4%,单株产量增加10.28 kg;第2年发病率降低60.1%,单株产量增加36.31 kg;第3年发病率降低79.2%,单株产量增加28.79 kg。处理2第1年发病率降低71.6%,单株产量增加6.89 kg;第2年发病率降低62.8%,单株产量增加29.94 kg;第3年发病率降低84.5%,单株产量增加25.17kg。     

基于近红外光谱的芒果采后品质与贮放潜力预判的无损检测模型

可溶性固形物含量（soluble solids content, SSC）和pH是决定芒果内在品质的关键因素,贮放潜力是果商进行芒果销售决策时首要的参考指标。本研究以海南省三亚市代表性的芒果品种‘台农’为材料,利用NIRMagic2400型近红外光谱仪,连续采集果实从采摘到完熟过程中在600~1100 nm波长的近红外吸收光谱,以经典方法实测果实SSC和pH,建立芒果采摘后SSC、pH变化和贮放潜力预判的无损检测模型。结果表明：在600~670 nm的波长范围内,采摘后未后熟的芒果对近红外光的吸光度随波长的增加而增加,并在670 nm达到峰值,随后吸光度快速降低,在725 nm左右达到谷值;采摘后达到完熟的芒果在600-700 nm波长范围内吸光度持续下降,并在700 nm处达到谷值。受果皮颜色差异等影响,不同芒果个体在704~746 nm区域的吸光度出现较大的分离,之后在725~1025 nm整体呈缓慢上升的趋势,在1025 nm左右达到第二个峰值。实测结果显示SSC在芒果采摘后0~5 d快速增,第6和第7天变化较小,期间的前4 d的pH保持稳定增加,之后迅速提升。使用Kennard-Stone算法将芒果样本的SSC和pH实测数据划分为校正集和预测集,测试多元散射校正、标准正态变换、SG卷积导数、SG卷积平滑等9种对近红外光谱数据进行预处理的方法,发现矢量归一化最适合SSC光谱数据的处理,多元散射校正最适合pH光谱数据的预处理,建立的SSC和pH的最佳偏最小二乘法（PLS）模型的校正相关系数分别为0.952和0.936,校正均方根误差分别为1.055和0.184,预测相关系数分别为0.959和0.918,预测均方根误差分别为0.974和0.202;采用偏最小二乘法建立的芒果贮放潜力预判模型的正确率为96.9%。以上结果表明,基于近红外光谱所建立的芒果无损检测模型能够较可靠地检测芒果采摘后的SSC、pH动态变化及贮放潜力。研究结果对提升基于内在品质的芒果分级与选品能力,预测芒果的最佳销售时间及选择销售市场等都具有重要意义。