基于Web of Science文献计量学分析的全球老年食品研究进展

为深入了解国内外老年食品的研究现状和研究热点,该研究基于Web of Science核心合集(SCI-E)数据库,采用文献计量学理论和可视化分析技术,对1990～2020年全球老年食品研究文献进行分析,以为中国老年食品的研究和开发提供参考。全球有64个国家/地区、852个研究机构,236种期刊开展了老年食品研究,跨区域合作、多学科交叉融合频繁,美国、日本、法国、加拿大、中国等国家均表现出较大的研究体量和较强的合作关系,美国、荷兰老年食品研究的总体质量较高,优势研究机构大多位于欧美等发达国家,研究领域主要集中于营养学、食品科学技术、老年医学等,重点关注膳食补充、健康状况和相关风险。研究前沿有粮食不安全(food insecurity)、健康状况(health status)、生活质量(quality of life)、康复(rehabilitation)、超重(overweight)、有效性(validity)、吞咽困难(dysphagia)、滋味(taste)等。中国老年食品以糊粉类为主,分类混乱、结构单一、科技含量低,与美国、日本、荷兰等国相比还有较大的差距。中国作为世界上人口最多的国家,在人口老龄化加速发展的关键时期,老年食品的研发显得尤为迫切和重要。因此,未来老年食品研究应以老年医学和营养学理论为基础,重点开发营养强化食品和功能性食品,加强食品的感官修饰研究力度,以满足老年人营养和健康的多元化需求,积极应对全球人口老龄化问题。     

采用改进CenterNet模型检测群养生猪目标

为实现对群养环境下生猪个体目标快速精准的检测,该研究提出了一种针对群养生猪的改进型目标检测网络MF-CenterNet（MobileNet-FPN-CenterNet）模型,为确保目标检测的精确度,该模型首先以无锚式的CenterNet为基础结构,通过引入轻量级的MobileNet网络作为模型特征提取网络,以降低模型大小和提高检测速度,同时加入特征金字塔结构FPN（Feature Pyramid Networks）以提高模型特征提取能力,在保证模型轻量化、实时性的同时,提高遮挡目标和小目标的检测精度。该研究以某商业猪场群养生猪录制视频作为数据源,采集视频帧1 683张,经图像增强后共得到6 732张图像。试验结果表明,MF-CenterNet模型大小仅为21 MB,满足边缘计算端的部署,同时对生猪目标检测平均精确度达到94.30%,检测速度达到69 帧/s,相较于Faster-RCNN、SSD、YOLOv3、YOLOv4目标检测网络模型,检测精度分别提高了6.39%、4.46%、6.01%、2.74%,检测速度分别提高了54、47、45、43 帧/s,相关结果表明了该研究所提出的改进型的轻量级MF-CenterNet模型,能够在满足目标检测实时性的同时提高了对群养生猪的检测精度,为生产现场端的群养生猪行为实时检测与分析提供了有效方法。     

基于轻量型残差网络的自然场景水稻害虫识别

准确识别水稻害虫对水稻及时采取防护和治理措施具有重要意义,该研究以自然场景中水稻害虫图像为研究对象,针对水稻害虫图像的颜色纹理与背景相近以及同类害虫形态差异较大等特点,设计了一个由特征提取、全局优化以及局部优化模块构成的轻量型残差网络（Light Weight Residual Network,LW-ResNet）用于水稻害虫识别。在特征提取模块通过增加卷积层数以及分支数对残差块进行改进,有效提取自然场景中水稻害虫图像的深层全局特征并使用全局优化模块进行优化;局部优化模块通过设计轻量型注意力子模块关注害虫的局部判别性特征。LW-ResNet网络在特征提取模块减少了残差块的数量,在注意力子模块中采用深度可分离卷积减少了浮点运算量,从而实现了模型的轻量化。试验结果表明,所设计的LW-ResNet网络在13类水稻害虫图像的测试数据集上达到了92.5%的识别准确率,高于VGG16、ResNet、AlexNet等经典卷积神经网络模型,并且LW-ResNet网络的参数量仅为1.62×106个,浮点运算量仅为0.34×109次,低于MobileNetV3轻量级卷积神经网络模型。该研究成果可用于移动端水稻害虫的自动识别。     

基于液压加载的拖拉机PTO测试装置设计与试验

针对当前多数负荷车仅适用于拖拉机牵引试验测试,模拟完整田间作业状态不全面的现状,设计了一种可挂接负荷车的液压加载式拖拉机动力输出轴测试装置,在满足负荷车牵引试验国标要求的基础上可以进行拖拉机PTO测试试验。该装置采用的液压测功机与应用普遍的直流电力测功机经过试验对比,系统响应和稳定速度更快,综合加载性能更好。对该测试设备进行拖拉机PTO田间转矩载荷谱模拟动态加载试验,结果显示：实际加载转矩与转矩载荷谱试验数据相关性良好,拟合优度为0.83。通过数据分析计算实际液压加载系统响应时间约为2.1s,最大超调量为7.52%,均在可控范围内。说明该测试设备可以通过输入转矩载荷谱的形式有效模拟田间作业拖拉机PTO工作状态,为后续拖拉机牵引及转矩全面加载田间模拟试验提供参考。     

秸秆还田深度对春玉米农田土壤有机碳、氮含量和土壤酶活性的影响

为研究秸秆还田旋耕深度对土壤理化性质和酶活性的影响,明确不同秸秆还田深度条件下土壤理化性质与酶活性的关系,在3年（2016—2018年）田间微区定位试验条件下,研究秸秆旋耕还田10 cm（S₁D₁）、20 cm（S₁D₂）、30 cm（S₁D₃）和秸秆移除旋耕10 cm（S₂D₁）、20 cm（S₂D₂）、30 cm（S₂D₃） 6个处理对东北春玉米农田土壤理化性质和酶活性的影响。结果表明：旋耕深度（D）及其与秸秆处理（S）交互作用（S×D）显著影响土壤有机碳（SOC）含量,0~20 cm土层S₁D₁、S₁D₂处理SOC含量较S₁D₃处理高1.2%~16.0%,而20~40 cm土层S₂D₃处理SOC含量最高。旋耕深度、秸秆处理及两者交互作用对土壤硝态氮（NO₃^--N）和铵态氮（NH₄⁺-N）含量、蔗糖酶和过氧化氢酶活性影响显著。在0~40 cm土层,D₁、D₂旋耕深度下秸秆还田处理NO₃^--N含量比秸秆移除处理平均提高46.9%和34.9%,NH₄⁺-N含量平均降低31.6%和4.4%。在各旋耕深度下,S₁处理0~20 cm土层蔗糖酶和脲酶活性高于S₂处理,20~30 cm土层过氧化氢酶活性低于S₂处理。相关性分析表明,SOC、土壤全氮（TN）与NO₃^--N、NH₄⁺-N含量和蔗糖酶活性呈显著正相关,与pH、土壤含水量（SWC）呈显著负相关。主成分分析表明,与S₁D₁相比,S₁D₂对0~20土层蔗糖酶、脲酶、过氧化氢酶活性和0~40 cm土层SOC、TN含量影响更明显。综上所述,秸秆旋耕还田20 cm可改善0~40 cm土层养分水平,提高土壤酶活性,推荐为东北春玉米产区农田土壤培肥的合理秸秆还田方式。     

外来入侵杂草宽叶酢浆草的研究进展

宽叶酢浆草(Oxalis latifolia)在全球分布广泛,且危害多种农作物,2007年中国将其列入进境植物检疫性有害生物名录.目前,在中国仅发生于云南省,但其适生性强,定殖和传播扩散的风险极高.本文就宽叶酢浆草的生物学特性、发生分布和危害以及防控措施等相关研究进行综述,为制定有效的防控措施提供参考.     

基于WEB辅助教学平台的设计

根据高校信息化教育的要求和目标,结合应用实例,介绍WEB环境下的网络辅助教学平台的分析、设计与实现的一般要求和方法。     

现代教育技术在我校计算机教学中的应用现状及改进措施

分析我校计算机教学中现代教育技术的应用现状及改进措施。从教育观念、教育体制、教学内容和教学方法等多方面提出如何充分利用现代教育技术促进我校计算机教学的改革,提高我校计算机公共教学和专业教学水平的措施。     

基于优化Transformer网络的绿色目标果实高效检测模型

果园环境中,检测目标果实易受复杂背景、果实姿态和颜色等因素影响,为提高绿色目标果实检测的精度与效率,满足果园智能测产和自动化采摘要求,本研究针对不同光照环境和果实姿态,提出一种适于样本数量不足的绿色目标果实高效检测模型。该模型采用优化Transformer结构,首先借助卷积神经网络(Convolutional Neural Network,CNN)网络提取图像特征;然后输入编码-解码器生成一组目标果实预测框,最后通过前馈神经网络(Feed-forward Network,FFN)结构预测检测结果。在训练过程中,引入重采样法扩充样本数量,解决样本数量不足问题;引入迁移学习,加速网络收敛。分别制作苹果、柿子数据集用于模型训练。试验结果表明,经迁移学习后该模型训练效率大幅提高;与流行的目标检测模型相比,优化后的模型在检测绿色柿子与绿色苹果时,精度分别为93.27%和91.35%。该方法可为其他果蔬绿色目标检测提供理论借鉴。     

融合光谱混合分解与面向对象的土地利用/覆被分类

错综复杂的土地利用模式和破碎的地物斑块制约了土地利用/覆被分类的精度和效率。一方面,混合像元模糊了地物的光谱信息,影响了分类精度。另一方面,如何高效利用地物的光谱、形状和纹理特征是当前土地利用/覆被分类的研究热点。为了提高基于遥感技术的土地利用/覆被分类精度,该研究基于Sentinel-2A遥感影像,开展融合光谱混合分解与面向对象的土地利用/覆被分类研究。首先,基于地物的光谱、形状和纹理特征,在3个分割尺度通过NDWI（Normalized Difference Water Index)、NDVI（Normalized Difference Vegetation Index）、SBL（Soil Background Level）等8个特征参数构建了不同地物信息的提取规则。其次,利用光谱混合分解模型提取研究区基质（SL;岩石和土壤）、植被（GV;光合作用叶片）和暗色物质（DA;阴影和水）3类通用端元。最后,尝试融合3端元光谱特征优化地物信息提取规则。研究结果表明：1）基于构建的光谱、形状和纹理的地物信息提取规则,使用模糊函数、阈值法进行土地利用/覆被分类,获得了较高的分类精度,总体精度为80.83%,Kappa系数为0.76。2）融合3端元的光谱特征的提取规则将分类精度提升至90.00%,Kappa系数提升至0.88。3）具有明确物理意义的3端元的融入增强了像元内各组分信息的差异性,弥补了传统光谱指数对植被与土壤间的亮度信息解析度不足的缺陷。该方法能充分利用影像的光谱信息,是一种由易到难、对不确定因素进行逐层剥离的土地利用/覆被信息提取技术。因此,对中高分辨率的多光谱遥感影像十分友好,在土地利用/覆被的精细化分类中有较大应用潜力。