生产条件下安哥拉山羊胚胎徒手分割研究

生产条件下,徒手二分割安哥拉山羊桑椹胚和囊胚,并将裸半胚手术移植于受体羊子宫角。１９９３年用０．５％链霉蛋白酶处理胚胎１～６ｍｉｎ软化透明带后,在玻璃培养皿中的含１２．５％蔗糖和５％新生犊牛血清（ＮＣＳ）的ＰＢＳ液内分割,将３３枚半胚移植到２１只受体,有２只受体妊娠。１９９４年用０．２５％链霉蛋白酶处理胚胎０．５～１ｍｉｎ软化透明带后或不经处理而直接在磨砂玻璃皿中的含２０％血清的ＰＢＳ液内分割,移植受体３４只,有１０只受体产羔（２９．４％）,共产羔１１只,其中１对为同卵双生,半胚成羔率为２０．０％（１１／５５）。１９９５年,囊胚不经处理直接在磨砂玻璃皿中的含２０％ＮＣＳ的ＰＢＳ液内分割,半胚成对移植于受体羊黄体侧子宫角,产羔受体率为５０．０％（１３／２６）,共产羔１６只,其中３对为同卵双生,半胚成羔率为３０．８％（１６／５２）,胚胎成羔率为６１．５％（１６／２６）。     

中国草业教育发展史:1.本科教育

中国现代意义上的草业教育是从高等教育开始,由20世纪30年代在大学陆续开设的牧草学、草原学、饲料生产学等单门课程逐步发展、扩大为完整、系统的草业科学专业。70多年来,通过单门课程教学,本、专科专业教学体系初步形成,恢复及完善,本科专业教学体系快速发展和提高4个发展阶段,草业教育由畜牧专业的单门课程发展为独立的二级专业,继由二级专业提升为草业科学一级学科。草业本科教育在内涵提高的同时,其外延也取得了巨大的发展与成就,专业的数量和培养的草业人才大幅度增加,2010年全国共有草业科学本科专业30个,截至2008年底,有专业教师486人,已毕业本专科生14 225名,有在读本科生5 107名,中国成为世界上草业科学专业和学生的数量最多、培养层次最完整、教学指导思想最先进的国家之一,而且,甘肃农业大学的草业科学本科专业是世界上规模最大的本学科本科专业。     

基于语义部位分割的条纹斑竹鲨鱼体运动姿态解析

条纹斑竹鲨具有较高的经济价值和医用研究价值。人工驯养对环境和温度等因素要求较高,时常出现大规模病死现象。利用视频图像量化分析鱼体运动行为,有助于进行异常识别和早期预警,将有效提高养殖养护水平。该研究针对人工驯养的条纹斑竹鲨鱼,提出一种基于深度神经网络的语义部位分割方法,并将分割结果应用于剖析条斑鲨鱼体运动姿态。首先,依据条斑鲨形态特征将其划分为7个可视的身体组成构件（头部、右胸鳍、左胸鳍、右腹鳍、左腹鳍、躯干、尾巴）;再对全景养殖监控视频中抽取的476幅条斑鲨子图进行各部位的像素级标记,通过数据增强到1 944幅建立鱼体语义部位数据集,其中训练集为1 166幅图像,测试集为778幅图像;然后,在语义分割网络模型基础上进行深度学习训练,使用深度学习框架对网络参数进行微调使得网络训练结果达到最优。最后,利用语义部位分割结果定位躯干和鱼头质心建立随体坐标,通过随体坐标的方向变化判明鱼体动作姿态。基于FCN-8s和Segnet两种深度网络模型进行了鱼体部位分割的对比试验,测试结果表明基于Segnet网络的分割方法在头部、右胸鳍、左胸鳍、右腹鳍、左腹鳍、躯干、尾巴部位的准确度分别高出FCN-8s深度网络1.50,4.70,6.95,6.56,6.01,0.85,0.84个百分点。语义部位分割结果能够有效判别条斑鲨鱼体目标的动作姿态,可为鱼体异常行为识别和进一步开展面向条斑鲨的动物行为学试验提供技术参考。     

相对湿度对胡萝卜热风干燥过程中热质传递特性的影响

为了揭示胡萝卜热风干燥过程中阶段降湿的促干机制,该研究在干燥温度60 ℃、风速3.0 m/s 条件下,研究了相对湿度（20%、30%、40%、50%）及第一阶段相对湿度50%保持不同时间（10、30、60、90 min）,然后第二阶段相对湿度恒定为20%至干燥结束,干燥过程中对流传热系数、对流传质系数和物料表面微观孔隙结构的变化规律。研究结果表明：20%、30%、40%和50%相对湿度下,干燥初始时刻对流传热系数分别为42.9、64.7、135.1和178.9 W/(m2•℃),提高相对湿度能够显著提高预热阶段的对流传热系数（P<0.05）,相对湿度越高,物料升温速率越快。物料吸收总热量、水分蒸发消耗热量占比均随着相对湿度的升高而逐渐降低;物料升温消耗热量占比随着相对湿度的升高而逐渐增大。相对湿度为20%时,对流传质系数为1.01×10-6～2.54×10-6 m/s;相对湿度为50%时,对流传质系数为0.26×10-6～1.12×10-6 m/s;降低相对湿度,能够显著的提高对流传质系数。相对湿度50%保持30 min后降为20%干燥条件下,当干燥时间大于1.5 h后,对流传质系数大于相对湿度50%分别保持10、60和90 min干燥条件下的对流传质系数,此条件下干燥时间也最短。相对湿度50%干燥条件下有利于保持胡萝卜表面的多孔结构,而相对湿度20%干燥条件下,胡萝卜表面因干燥速率过快而导致水分迁移孔道发生收缩堵塞的现象。阶段降湿提高胡萝卜干燥效率的机制在于：干燥升速阶段,高相对湿度提高了对流传热系数,使得物料迅速升至较高温度;且利于维持物料表面多孔结构,有助于内部水分的扩散迁移;干燥恒速和降速阶段,低相对湿度提高了对流传质系数。研究结果可为求解干燥过程中的对流传热系数和对流传质系数提供理论依据,揭示阶段降湿的促干机理,并为阶段降湿干燥方式在农产品的干燥加工应用提供技术支持。     

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。     

结合Sentinel-2影像和特征优选模型提取大豆种植区

准确获取大豆的空间分布对于产量估计、灾害预警和农业政策调整具有重要意义,目前针对种植结构复杂地区所开展的大豆遥感识别研究鲜有报道。该研究以安徽省北部平原的典型大豆产区——龙山、青疃镇为研究区,基于Sentinel-2数据提出一种分层逐级提取策略的大豆识别方法。该方法首先构建决策树筛选规则,剔除研究区内非农田地物,获得田间植被的总体分布;然后生成19个候选特征因子,包括分辨率小于等于20 m的10个波段反射率以及9个植被指数。在典型地物类型样本的支持下,将ReliefF特征权重评估算法与随机森林（Random Forest,RF）,BP神经网络（Back-Propagation Neural Network,BPNN）和支持向量机（Support Vector Machine, SVM）相结合,分别构建ReliefF-RF、ReliefF-BPNN、ReliefF-SVM三种组合模型筛选出对于大豆识别最有效的特征,并基于布设在研究区内6个样方（大小为1 km×1 km）的无人机影像提取得到的大豆分布来评估3种模型在大豆制图中的表现。结果表明,ReliefF-RF模型表现最佳,基于该模型筛选出7个优选特征因子,大豆制图的总体精度介于85.92%～91.91%,Kappa系数在0.72～0.81之间,各个样方的提取效果均优于其他两种模型。此外,基于优选特征达到的提取精度明显高于原始波段反射率,虽然略低于全部19个特征的结果,但是数据量降低了63.16%。该研究可以为农田景观破碎、种植结构复杂地区的大豆种植区提取相关研究提供有价值的参考和借鉴。     

便携式柑橘虫害实时检测系统的研制与试验

为实现柑橘虫害的快速、准确识别,帮助果农及时掌握果园内虫害的危害程度和分布情况,该研究结合嵌入式图像处理技术设计了一套基于深度卷积神经网络的柑橘虫害实时检测系统。优选MoblieNet作为虫害图像特征提取网络,区域候选网络生成害虫的初步位置候选框,快速区域卷积神经网络（Faster Region Convolutional Neural Networks,Faster R-CNN）实现候选框的分类和定位。检测系统根据目标图像中虫害数量计算危害程度,按照正常、轻度、中度、重度4个等级判定柑橘虫害的严重程度,形成虫害识别与级别定量化测评软件。最后引入北斗模块获取采样点位置信息,进一步处理成可视化的虫害热力图。结果表明,该方法可实现对柑橘红蜘蛛和蚜虫的快速准确检测,识别准确率分别达到91.0%和89.0%,单帧图像平均处理速度低至286 ms。该系统实现了柑橘虫害的精准识别与定位,可为农药喷洒作业提供精准信息服务。     

基于迁移学习的葡萄叶片病害识别及移动端应用

为解决已有的卷积神经网络在小样本葡萄病害叶片识别的问题中出现的收敛速度慢,易产生过拟合现象等问题,提出了一种葡萄叶片病害识别模型（Grape-VGG-16,GV）,并针对该模型提出基于迁移学习的模型训练方式。将VGG-16网络在ImageNet图像数据集上学习的知识迁移到本模型中,并设计全新的全连接层。对收集到的葡萄叶片图像使用数据增强技术扩充数据集。基于扩充前后的数据集,对全新学习、训练全连接层的迁移学习、训练最后一个卷积层和全连接层的迁移学习3种学习方式进行了试验。试验结果表明,1）迁移学习的2种训练方式相比于全新学习准确率增加了10～13个百分点,并在仅训练25轮达到收敛,该方法有效提升了模型分类性能,缩短模型的收敛时间;2）数据扩充有助于增加数据的多样性,并随着训练次数的增加,训练与测试准确率同步上升,有效缓解了过拟合现象。在迁移学习结合数据扩充的方式下,所构建的葡萄叶片病害识别模型（GV）对葡萄叶片病害的识别准确率能达到96.48%,对健康叶、褐斑病、轮斑病和黑腐病的识别准确率分别达到98.04%、98.04%、95.83%和94.00%。最后,将最终的研究模型部署到移动端,实现了田间葡萄叶片病害的智能检测,为葡萄病害的智能诊断提供参考。     

采用双模态联合表征学习方法识别作物病害

基于深度卷积神经网络的视觉识别方法在病害诊断中表现出色,逐渐成为了研究热点。但是,基于深度卷积神经网络建立的视觉识别模型通常只利用了图像模态的数据,导致模型的识别准确率和鲁棒性,都依赖训练数据集的规模和标注的质量。构建开放环境下大规模的病害数据集并完成高质量的标注,通常需要付出巨大的经济和技术代价,限制了基于深度卷积神经网络的视觉识别方法在实际应用中的推广。该研究提出了一种基于图像与文本双模态联合表征学习的开放环境下作物病害识别模型（bimodalNet）。该模型在病害图像模态的基础上,进行了病害文本模态信息的嵌入,利用两种模态病害信息间的相关性和互补性,实现了病害特征的联合表征学习。最终bimodalNet在较小的数据集上取得了优于单纯的图像模态模型和文本模态模型的效果,最优模型组合在测试集的准确率、精确率、灵敏度、特异性和F1值分别为99.47%、98.51%、98.61%、99.68%和98.51%。该研究证明了利用病害图像和病害文本的双模态表征学习是解决开放环境下作物病害识别的有效方法。     

苹果切片干燥收缩变形的孔道网络模拟及试验

为揭示果蔬干燥收缩变形的传热传质与应力应变的机理,确定果蔬微孔结构特性及内部毛细力等因素对其干燥过程的影响,该研究运用孔道网络方法、热质传递原理和细观力学理论等交叉学科知识,构建了孔隙尺度下果蔬切片干燥收缩变形的孔道网络模型,采用VC++开发孔道网络求解程序,模拟分析了果蔬切片的湿分场、温度场以及应力应变场等情况,并以苹果切片作为果蔬典型代表进行了热风干燥试验及模型验证。结果表明：湿含量、温度和收缩变形率的模拟值与试验值的相对误差小于10%,模型可有效模拟果蔬干燥热质传递与应力应变的收缩变形真实过程,再现了干燥过程中的\