基于深度学习的玉米拔节期冠层识别

为了满足田间玉米植株快速识别与检测的需求,针对玉米拔节期提出了基于深度学习的冠层识别方法,比较并选取了适于玉米植株精准识别和定位的网络模型,并研制了玉米植株快速识别和定位检测装置。首先拍摄玉米苗期和拔节期图像共计3 000张用于训练深度学习模型,针对拔节期玉米叶片交叉严重的问题,提出了以玉米株心取代玉米整株对象的标记策略。其次在Google Colab云平台训练SSDLite-MobileDet网络模型。为了实现田间快速检测,开发了基于树莓派4B+Coral USB的玉米冠层快速检测装置。结果表明,田间玉米冠层识别模型精度达到91%,检测视频的帧率达到89帧/s以上。研究成果可为田间玉米高精度诊断和精细化作业管理奠定基础。     

复垦土壤细菌群落结构及其与土壤肥力的关系

为了解两淮煤矿区复垦状况及其对土壤微生物的影响机制,合理人工干预,快速有效提高复垦土壤生产力,本研究以煤矸石充填复垦土壤为研究对象,通过野外调查与采样分析,采用Illumina MiSeq 高通量测序分析土壤细菌特定基因片段V4 区域,基于非度量多维尺度分析、冗余分析、方差分析、肥力指数、回归模型方法,对矸石充填土壤不同复垦方向的土壤细菌优势群落和生物多样性进行了探索,明晰土壤细菌群落及其与土壤肥力的响应作用。研究结果表明：细菌群落组成上,不同复垦方向对细菌优势群落分布并无显著性影响,变形菌门、酸杆菌门和放线菌门菌群为主要优势菌群。土壤微生物多样性层面上,表层土壤微生物有较高的丰富度和多样性,均匀度并无显著性差异。微生物多样性在不同复垦方向不存在显著性差异,Shannon_Wiener指数介于5.23～6.91之间,Chao1指数为867.1～5436,Pielou指数介于0.79～0.84之间,表中层同深层土壤的细菌群落结构具有差异性。TN、SOM、AP和AK是影响土壤细菌群落的主要肥力因子,土壤肥力质量指数与奇古菌门相对丰度呈显著正相关（P＜0.01）,同链霉菌属呈显著负相关（P＜0.05）,在一定程度上可将二者的相对丰度作为评价复垦土壤肥力状况的重要生物指标。研究成果可为两淮矿区矸石充填复垦土壤在微生物层面提高肥力质量提供理论支持。     

斑节对虾循环水养殖系统构建与运行试验

为探索斑节对虾循环水养殖可行性及应用发展价值,该研究自主设计蛋白分离组合装置、内循环流化床等关键工艺环节水净化装备,构建了技术先进、结构紧凑的斑节对虾循环水养殖系统。针对其不同阶段生长特性及水环境需求,提出一种水质调控方法,科学投喂。运行试验120d,溶解氧浓度5.30～7.14mg/L,p H值7.23～8.44,氨氮浓度0.43～1.38 mg/L(稳定运行后),亚硝酸盐氮浓度0.15～0.56 mg/L(稳定运行后);斑节对虾在循环水养殖模式水生态环境下正常生长,先后经历快速生长期、稳定生长期及缓慢生长期,终末养殖密度3.02 kg/m2,取得高效养殖结果;终末饲料系数1.67,单茬每平方米利润34.78元,每平方米年利润69.56元(按1年2茬计),获得良好经济效益。该实践可为斑节对虾循环水养殖模式应用提供技术支持。     

融合卷积神经网络与视觉注意机制的苹果幼果高效检测方法

果实表型数据高通量、自动获取是果树新品种育种研究的基础,实现幼果精准检测是获取生长数据的关键。幼果期果实微小且与叶片颜色相近,检测难度大。为了实现自然环境下苹果幼果的高效检测,采用融合挤压激发块(Squeeze-and-Excitation block, SE block)和非局部块(Non-Local block, NL block)两种视觉注意机制,提出了一种改进的YOLOv4网络模型(YOLOv4-SENL)。YOLOv4模型的骨干网络提取高级视觉特征后,利用SE block在通道维度整合高级特征,实现通道信息的加强。在模型改进路径聚合网络(Path Aggregation Network, PAN)的3个路径中加入NL block,结合非局部信息与局部信息增强特征。SE block和NL block两种视觉注意机制从通道和非局部两个方面重新整合高级特征,强调特征中的通道信息和长程依赖,提高网络对背景与果实的特征捕捉能力。最后由不同尺寸的特征图实现不同大小幼果的坐标和类别计算。经过1 920幅训练集图像训练,网络在600幅测试集上的平均精度为96.9%,分别比SSD、Faster R-CNN和YOLOv4模型的平均精度提高了6.9百分点、1.5百分点和0.2百分点,表明该算法可准确地实现幼果期苹果目标检测。模型在480幅验证集的消融试验结果表明,仅保留YOLOv4-SENL中的SE block比YOLOv4模型精度提高了3.8百分点;仅保留YOLOv4-SENL中3个NL block视觉注意模块比YOLOv4模型的精度提高了2.7百分点;将YOLOv4-SENL中SE block与NL blocks相换,比YOLOv4模型的精度提高了4.1百分点,表明两种视觉注意机制可在增加少量参数的基础上显著提升网络对苹果幼果的感知能力。该研究结果可为果树育种研究获取果实信息提供参考。     

基于堆叠沙漏网络的单分蘖水稻植株骨架提取

针对水稻栽培和遗传育种研究中单分蘖性状高通量无损提取的实际需求,该研究提出了一种基于沙漏网络模型的单分蘖水稻关键点预测和骨架提取方法。首先,对原始图像进行批量裁剪、gamma校正和锐化卷积等预处理,获取单色背景下的水稻单分蘖图像数据集;设计水稻单分蘖各器官关键点数据标注策略,构建监督数据集。然后,构建堆叠沙漏网络架构实现叶片数固定和不固定的水稻关键点检测,引入沙漏结构整合图像的多尺度特征,结合中间监督机制整合不同沙漏模块信息。叶片数一致的情况,模型预测准确率最高可达96.48%;叶片数不一致的情况,预测准确率达到82.09%。最后,根据预测关键点及其对应的语义信息连接形成植株骨架,选取茎秆长、叶片长、穗长、叶片-茎秆夹角和茎节点位置5个表型参数对生成骨架模型的实际意义进行评估,其均方根误差依次为5.82 cm、3.09 cm、1.71 cm、3.22°和2.04 cm,证明了该方法能较好地识别水稻单分蘖关键点,为水稻骨架提取提供了一种新思路,有助于加快水稻育种速度。     

低温等离子体耦合Fe2O3催化剂去除粮食仓储环境中磷化氢

为了探究低温等离子体（Non-Thermal Plasma,NTP）耦合催化剂对粮仓中磷化氢（PH3）的去除效果,该文采用介质阻挡放电低温等离子体与催化剂耦合的反应装置,研究了NTP与Fe2O3催化剂耦合对PH3去除率的影响,并对耦合反应后的催化剂进行表征,分析产物及反应机理。结果表明,载体和催化剂与NTP耦合改变了NTP的放电状态,提高了PH3去除率;不同载体负载Fe2O3后,在输入功率超过53 W时,NTP与Fe2O3催化剂耦合对PH3去除率均高于无填充,Fe2O3/Al2O3与NTP耦合效果最好,去除效率达到了100%。耦合前后催化剂的表征结果表明,耦合反应之后,Fe2O3/Al2O3催化剂的比表面积降低了11.23%,Fe3+/(Fe2++Fe3+)含量提高了21.06%,Osur/(Olatt+Osur+Oads)含量减少了2.24%,Fe含量降低了4.69%,P含量增加了4.34倍。产物分析表明耦合后生成的主要产物为磷酸。研究结果表明NTP耦合Fe2O3/Al2O3催化剂具有很好的PH3去除效果,为粮食仓储行业去除磷化氢提供理论依据。     

南瓜饲养榕树粉蚧的发育历期与生物学特征初报

榕树粉蚧是一种重要的入侵害虫,对果蔬和园林植物存在巨大的潜在威胁.为满足开展检疫处理、防控、生物学和生理学等研究的需要,本研究以南瓜为饲养材料,在室温条件下(26±1℃,RH 65％±5％)观察榕树粉蚧的生物学特性与发育历期.结果 表明,榕树粉蚧具有典型的雌雄二型现象.雄虫主要经历卵、1～2龄若虫、预蛹、蛹、雄成虫阶段...     

寒潮天气表冷器-风机集放热系统对连栋大棚热湿环境的影响

连栋塑料大棚棚内环境易受寒潮侵扰,为调节棚内热湿环境,将表冷器-风机集放系统应用于连栋塑料大棚中,在白天适宜条件下运行系统,将棚内空气盈余的热量收集并储存在蓄热水箱中,夜间气温较低时,再将储存的热量释放出来用以加温。对表冷器-风机集放热系统的运行效果进行试验,通过集热量、放热量和性能系数等评价集放热性能,并且将水气温差作为主要影响因素对系统运行阶段分别进行热流量分析和分析。结果表明,在寒潮下系统可以保证棚内气温比棚外高5.2～7.8 ℃。集热量达到了390.6～693 MJ,放热量为361.2～609 MJ,系统性能系数达到了4.4～7.2,节能效果较为显著。系统在运行过程中水气温差每增长1 ℃,集热流量增加0.82 kW,放热流量增加0.58 kW,单位时间内换热量较大;此外系统在集热阶段析湿系数约为1.70,表冷器-风机进出口空气含湿量差最高可达1.3×10-3 kg/kg,说明在集热阶段系统具有冷凝除湿的效果;同时在冷凝除湿过程中系统效率随着水气温差的增加而增加,最高可达到82.8%,能量利用率较高。该研究对保证连栋塑料大棚安全越冬生产具有重要意义。     

基于序列信息的土壤CT图像超分辨率重建

受部分容积效应影响,土壤计算机断层扫描（Computed Tomography,CT）图像存在孔隙边界模糊现象,影响土壤孔隙结构研究的准确性。针对该问题,该研究提出基于序列信息的生成式对抗网络（Sequence information Generative Adversarial Network,SeqGAN）,实现土壤CT图像的超分辨率重建。针对土壤CT序列图像具有较高相似性的特点,SeqGAN法引入序列卷积块挖掘前后图像的序列信息,并将多重特征增强融合于目标图像中;利用多层残差块提取图像特征,构建残差块输入和输出的直接连接,以减少模型退化;利用对抗网络实现损失间接反馈,提高模型的特征学习能力。在序列相似性较高的土壤图像数据集验证了该方法性能。结果表明,SeqGAN法均方误差比次优方法GAN降低25%,峰值信噪比提升1.4 dB,结构相似性提升0.2%。重建的土壤图像具有较高准确率和清晰度,可为后续土壤物理学研究提供准确的数据基础。     

利用Kalman滤波和Hungarian算法的多目标奶牛嘴部跟踪及反刍监测

针对奶牛养殖场复杂环境下多目标奶牛嘴部自动跟踪及反刍监测的困难,该研究提出了一种基于嘴部区域跟踪的多目标奶牛反刍行为智能监测方法。在YOLOv4模型识别奶牛嘴部上下颚区域的基础上,以Kalman滤波和Hungarian算法跟踪上颚区域,并对同一奶牛目标的上颚和下颚区域进行关联匹配获取嘴部咀嚼曲线,以此获取反刍相关信息,从而实现多目标奶牛个体的嘴部跟踪和反刍行为监测;为解决奶牛快速摆头运动和棚舍栏杆遮挡引发奶牛标号变化的问题,提出未匹配跟踪框保持及扩大的方法。采集并选择实际养殖场环境下的反刍奶牛视频66段,对其中58段视频采取分帧操作得到图像,制作YOLOv4模型数据集,以其余8段视频验证跟踪方法和反刍行为判定方法的有效性。试验结果表明,YOLOv4模型对奶牛嘴部上颚、下颚区域的识别准确率分别为93.92%和92.46%;改进的跟踪算法可实现复杂环境下多目标奶牛嘴部区域的稳定跟踪,且有效解决了栏杆遮挡、快速摆头运动造成的奶牛标号变化现象,上下颚匹配率平均为99.89%,跟踪速度平均为31.85帧/s;由反刍行为判定方法获取的咀嚼次数正确率的平均值为96.93%,反刍时长误差的平均值为1.48 s。该研究可为实际养殖中多目标奶牛反刍行为的智能监测和分析提供参考,也可供其他群体动物运动部位的跟踪和行为监测借鉴。