农艺深施及配施缓控释氮肥对水稻产量及氮素损失的影响

为探讨基肥"干施湿混"（施基肥-泡田-旋耙整田）结合追肥"以水带氮"（先施追肥再灌水）的农艺深施技术及其配施缓控释氮肥对氮素损失及水稻氮素吸收利用的影响,采用田间小区试验,设置不施氮肥（N0）、常规施肥（Nc）、农艺深施（Nd）、农艺深施配施缓控释氮肥再减氮10%（Ns）4个处理,研究了农艺深施及其配施缓控释氮肥对稻田田面水中氮素形态和浓度、稻田氮素流失量、水稻氮素吸收与产量、氮盈余量、土壤有效氮含量的影响。结果表明：与Nc处理相比,Nd和Ns处理均能降低氮素损失高风险期（基肥后7 d内,分蘖肥后5 d内,穗肥后4 d内）稻田田面水中总氮（TN）浓度,降幅分别为18.5%和49.8%,且主要降低了可溶性总氮（DTN）,尤其是铵态氮（NH₄⁺-N）的浓度;Nd和Ns处理稻田TN流失量分别降低了19.1%和47.6%,氮肥表观利用率分别提高了15.3、3.9个百分点,氮素盈余量分别降低了6.8%和38.1%,且土壤有效氮含量和水稻产量均有增加的趋势。研究表明,基肥"干施湿混"结合追肥"以水带氮"的农艺深施技术能降低稻田田面水中氮素浓度,提高氮肥利用率,减少氮肥损失,是一项值得推广的操作简便、绿色增效的施肥技术,再配施缓控释氮肥,能进一步降低田面水中氮素浓度和氮肥损失,同时能减少氮肥用量。     

超大颗粒肥水田气力深施加速器设计及参数优化

为解决水稻撒施追肥存在的肥料流失、利用率低及机械深施肥工作部件易堵塞、伤根等问题,该研究设计了一种用于水田深施追肥机的超大颗粒肥气力式加速器。该加速器利用双螺旋高压气流,在其与肥料上端构成的近封闭空间内加速超大颗粒肥,实现其高速射入泥壤,并可避免肥料颗粒与管壁碰撞;出口设置渐扩管扩散气流,可减轻对泥壤的冲击,提高施肥位置的稳定性。根据超大颗粒肥参数与加速器功能要求,确定了加速器的结构参数,并根据肥料入泥深度所需的射出速度,分析确定了加速器的工作参数。在此基础上,基于Fluent软件的六自由度重叠动网格建立了加速器仿真模型,以进口气流速度、螺旋角和加速管直径为试验因素,进行单因素仿真试验与三因素三水平Box Behnken组合仿真试验,研究各因素对肥料射出速度与气流扩散率的影响。多因素试验分析及响应面分析结果表明,加速器的最佳工作参数为进口气流速度47 m/s、加速管直径21 mm、螺旋进气口螺旋角43°。在此条件下进行台架验证试验,得到肥料射出速度均值为12.61 m/s,出口气流扩散率均值为85.5%,肥料入泥平均深度为4.68 cm,达到了水稻追肥要求。该研究可为超大颗粒肥水田气力深施追肥机设计提供参考。     

基于改进YOLOv8n的复杂环境下柑橘识别

针对复杂环境下柑橘果实大量重叠、枝叶遮挡且现有模型参数量大、计算复杂度高等问题,提出了一种基于改进YOLOv8n的柑橘识别模型YOLOv8-MEIN。首先,该研究设计了ME卷积模块并使用它改进YOLOv8n的C2f模块。其次,为了弥补CIoU损失函数在检测任务中泛化性弱和收敛速度慢的问题,使用Inner-CIoU损失函数加速边界框回归,提高模型检测性能。最后,在自建数据集上进行模型试验对比,试验结果表明,YOLOv8-MEIN模型交并比阈值为0.5的平均精度均值mAP_0.5值为96.9%,召回率为91.7%,交并比阈值为0.5~0.95的平均精度均值mAP_0.5～0.95值为85.8%,模型大小为5.8MB,参数量为2.87M。与原模型YOLOv8n相比,mAP_0.5值、召回率、mAP_0.5～0.95值分别提高了0.4、1.0、0.6个百分点,模型大小和参数量相比于原模型分别降低了3.3%和4.3%,为柑橘的自动化采摘提供技术参考。     

基于自监督学习的温室移动机器人位姿跟踪

为实现温室环境下机器人行进过程中的位置及姿态跟踪,该研究提出一种基于时序一致性约束的自监督位姿变换估计模型。模型用软遮罩,处理视频帧间静止造成的位姿预测值收缩现象,进一步用归一化遮罩,解决非刚体场景和目标遮挡问题。设计了一种星型扩张卷积,并基于该卷积,为模型构建自编码器。在采集自种植作物为番茄的日光温室视频数据上开展训练和测试试验。结果表明,与不采用遮罩处理的模型相比,采用软遮罩的模型,位置和姿态估计相对误差分别减少5.06个百分点和11.05个百分点,采用归一化遮罩的模型,这2项误差则分别减少4.15个百分点和3.86个百分点,2种遮罩均可显著提高模型精度;星型扩张卷积对降低模型误差是有效的,在网络参数不变的前提下,该卷积使姿态估计相对误差减少7.54个百分点;时序一致性约束使姿态估计均方根误差下降36.48%,每百帧累积姿态角误差降低54.75%,该约束可用于提高模型精度及稳定性;该研究的位置及姿态估计相对误差分别为8.29%和5.71%,与Monodepth2相比,减少了8.61%和6.83%。该研究可为温室移动机器人导航系统设计提供参考。     

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。     

黄土高原水蚀风蚀交错带小流域土壤水分季节变化特征与主控因素

土壤水分是黄土高原水蚀风蚀交错带生态环境恢复的关键因子,具有明显的时空异质性。以水蚀风蚀交错带的代表性流域—老爷满渠小流域为对象,采用网格法(50 m×50 m)共布设了73个样点,原位观测0—5 m土壤含水率,共测定23次(2013年6月至2019年10月),通过获取每个样点的环境因子,结合经典统计、地统计、随机森林等方法,分析了小流域尺度不同土层深度(每层1 m,共5层)土壤含水率的季节变化特征与影响因素。结果表明:不同土层土壤含水率的空间分布特征和季节性变化规律不同;对于0—1 m土层,土壤含水率在夏季和冬季之间存在显著性差异(p0.05),而对于1 m以下土层,春季平均土壤含水率高于其他季节,但不显著;无论在何种季节,不同土地利用方式、壤土与砂土间的土壤含水率在3 m以上土层均存在显著差异(p0.05),而阴、阳坡的土壤含水率在所有土层均存在显著差异(p0.05);在不同季节,土壤含水率与容重和砂粒呈负相关,与其他环境因子(有机碳含量、黏粒、粉粒、有机碳密度、土地利用、坡向、土壤质地和pH)呈正相关;除有机碳密度和黏粒较为稳定外,土壤含水率与环境因子的相关性均随土层深度增加呈减少趋势;环境因子对土壤含水率空间变异的整体相对贡献表现为土壤性质地形土地利用。研究结果可为研究区深层土壤水资源管理、土壤水文观测与模拟、植被优化布局等提供参考。     

小麦面条和面过程不同阶段面絮的划分与自动识别

和面是小麦面条加工过程中重要的一道工序,主要依据人工经验判断和面终点,缺少基于客观分析的自动化评价方法。为了实现和面过程的自动化,该研究依据小麦面条和面过程中面絮颗粒宏观状态,通过面絮状态图像的数据分析,并且从面条质构、水分状态及分布、蛋白质分子特性及微观结构揭示和面阶段划分的依据。结果表明,和面过程可以划分为初始面粉（阶段1）、润湿黏连（阶段2）、聚集成形（阶段3）、破裂分散（阶段4）和稳定平衡（阶段5）5个阶段,阶段5占和面总时间的50%左右;从阶段2到稳定平衡阶段初期（阶段5-1）,面片的硬度、弹性和咀嚼性逐渐增加并达到最大,在稳定平衡阶段中后期（阶段5-2、5-3）,面片硬度等指标数值下降;低场核磁共振与核磁共振成像分析结果表明,阶段2的水分自由度高,和面过程加速了水分在固、液、气三相之间的交换,并在阶段5达到稳定;所有和面阶段中氢键、离子键的强度明显低于疏水相互作用的强度,游离巯基含量在阶段5-2、5-3逐渐降低至稳定,二硫键含量在此阶段逐渐增多并保持稳定,蛋白质实现充分交联,决定了面条微观结构和宏观状态。构建基于深度学习的Transfer-ResNet50网络模型,实现和面阶段面絮图像的自动识别,模型识别准确率达98.5%,具有良好的可靠性,可以实现和面终点的自动判断。综上所述,面絮宏观颗粒状态可以作为和面过程划分的可靠依据,深度学习也为小麦面条和面过程自动控制提供新的思路。     

基于DH-YoloX的群养马岗鹅关键行为监测

马岗鹅的行为与其生长状况和福利状况密切相关,马岗鹅关键行为监测对评估其生长性能具有重要的现实意义。为了实现对群养栏马岗鹅关键行为高效率精准监测,该研究探索一种基于YoloX的群养马岗鹅关键行为监测算法（Magang geese behavior monitoring of based on Double Head-YoloX,MGBM-DH-YoloX）,该算法通过减少YoloX的头部数量提升检测效率、使用损失函数减少前景背景干扰、使用迁移训练方式提高网络训练效率等技术对马岗鹅采食、饮水、休息和应激等关键行为及其规律进行分析。MGBM-DH-YoloX首先用Mosaic和Mixup对马岗鹅图像进行数据增强,然后使用增强后的数据集训练模型,并且利用模型检测马岗鹅的关键行为,最后累计得出马岗鹅关键行为的发生时长和行为节律;试验训练集为1 400幅、验证集200幅和测试集为400幅,连续活动视频10 d。结果表明,MGBM-DH-YoloX算法的平均精度为98.98%、检测速度达到81帧/s、内存消耗为2 520.04 MB。对马岗鹅的10 d养殖数据分析发现,MGBM-DH-YoloX能有...     

采用组合增强的YOLOX-ViT协同识别温室内番茄花果

番茄花果的协同识别是温室生产管理调控的重要决策依据,针对温室番茄栽培密度大,植株遮挡、重叠等因素导致的现有识别算法精度不足问题,该研究提出一种基于级联深度学习的番茄花果协同识别方法,引入图像组合增强与前端ViT分类网络,以提高模型对于小目标与密集图像检测性能。同时,通过先分类识别、再进行目标检测的级联网络,解决了传统检测模型因为图像压缩而导致的小目标模糊、有效信息丢失问题。最后,引入了包括大果和串果在内的不同类型番茄品种数据集,验证了该方法的可行性与有效性。经测试,研究提出的目标检测模型的平均识别率均值（mean average precision,m AP）为92.30%,检测速度为28.46帧/s,其中对小花、成熟番茄和未成熟番茄识别平均准确率分别为87.92%、92.35%和96.62%。通过消融试验表明,与YOLOX、组合增强YOLOX相比,改进后的模型m AP提高了2.38～6.11个百分点,相比于现有YOLOV3、YOLOV4、YOLOV5主流检测模型,m AP提高了16.56～23.30个百分点。可视化结果表明,改进模型实现了对小目标的零漏检和对密集对象的无误检,从而达到...     

基于注意力机制神经网络的荒漠区蒸散量模拟

该研究对基于注意力机制的长短期记忆（Attention-Based Long Short Term Memory，AT-LSTM）模型对蒸散量（Evapotranspiration，ET）模拟的可行性和有效性进行验证，以提高环境数据缺失情况下的蒸散量模拟精度。基于盐池县2012-2017年的每30 min环境数据，利用不同环境因子组合构建基于注意力机制的LSTM模型，并将其与极限学习机（Extreme Learning Machine，ELM）模型、支持向量机（Support Vector Machine，SVM）模型、长短期记忆（Long Short Term Memory，LSTM）模型在日尺度、月尺度和季节尺度上进行对比分析。结果表明：与其他3种模型相比，当输入环境因子变化时，AT-LSTM模型模拟精度变化很小，模拟效果均较好。当输入空气温度、净辐射、相对湿度、土壤温度、土壤含水率所有环境因子时，基于AT-LSTM模型的模拟效果最好，均方根误差（Root Mean Square Error，RMSE）为0.013 mm/30 min，平均绝对误差（Mean Absolute Error，MAE）为0.006 mm/30 min，相关系数（Correlation Coefficient，R）值为0.905。且无论是从小时尺度、日尺度和月尺度来看，AT-LSTM模型的模拟效果均优于其他3种模型。在环境因子缺失的情况下，净辐射对盐池县ET的模拟贡献程度最大，仅输入净辐射时，AT-LSTM模型模拟得到的RMSE和MAE分别为0.014、0.007 mm/30 min，R为0.892，模型模拟精度较高，AT-LSTM模型模拟精度高，模型稳定性强，对蒸散量模拟预测具有一定的适用性，仅输入净辐射的AT-LSTM模型可以作为环境数据缺失条件下的蒸散量预测模型。