基于含水率变化的气体射流冲击干燥过程温度自适应控制系统

为了给变温干燥工艺提供新的技术支持,实现基于含水率变化的干燥温度自适应控制,该研究设计了具有物料含水率在线检测功能的温度自适应控制系统。采用卷积神经网络建立了以质量检测值、气流冲击速度、称重传感器弹性基体温度、气流冲击距离为输入,物料真实质量为输出的含水率在线检测模型。进行了含水率在线检测模型验证试验。结果表明,该模型满足变温干燥工艺中含水率在线检测的精度要求,5组含水率在线检测模型验证试验的决定系数R²和均方根误差RMSE依次为0.9934和1.20%。该文设计了改进神经网络-PID（improved neural network-PID,INN-PID）控制器来实现变温干燥工艺中的温度控制。在MATLAB软件中以单位阶跃信号为输入对PID、神经网络-PID（neural network-PID,NN-PID）和INN-PID控制器的动态性能进行仿真。对3种控制器分别进行了50~55 ℃的干燥温度控制试验。结果表明,在仿真试验中,INN-PID控制器的控制稳定性和调节时间均显著优于另外两种控制器;干燥温度控制试验结果与仿真结果存在近似相同的规律,INN-PID控制器的峰值时间是208.00 s,调节时间是120.59 s,最大超调量是4.87 %,满足变温干燥过程中温度控制的要求。该研究在气体射流冲击干燥机中搭建了温度自适应控制系统,进行了基于含水率变化的温度自适应控制试验。结果表明,该系统可以对基于含水率变化的变温干燥工艺中的干燥温度进行快速且有效的调节。该研究对提高干燥设备的自动化水平以及开发新的变温干燥工艺具有重要意义,对其他领域的多信息融合检测和控制策略研究提供参考。     

基于改进YOLOv8n的茶叶嫩稍检测方法

针对名优茶智能采摘中茶叶嫩梢识别精度不足的问题,该研究对YOLOv8n模型进行优化。首先,在主干网络中引入动态蛇形卷积（dynamic snake convolution,DSConv）,增强模型对茶叶嫩梢形状信息的捕捉能力;其次,将颈部的路径聚合网络（path aggregation network,PANet）替换为加权双向特征金字塔网络（bi-directional feature pyramid network,BiFPN）,强化模型的特征融合效能;最后,在颈部网络的每个C2F模块后增设了无参注意力模块（simple attention module,SimAM）,提升模型对茶叶嫩梢的识别关注度。试验结果表明,改进后的模型比原始模型的精确率（precision,P）、召回率（recall,R）、平均精确率均值（mean average precision,mAP）、F1得分（F1 score,F1）分别提升了4.2、2.9、3.7和3.3个百分点,推理速度为42 帧/s,模型大小为6.7 MB,满足低算力移动设备的部署条件。与Faster-RCNN、YOLOv5n、YOLOv7n和YOLOv8n目标检测算法相比,该研究提出的改进模型精确率分别高出57.4、4.4、4.7和4.2个百分点,召回率分别高出53.0、3.6、2.8和2.9个百分点,平均精确率均值分别高出58.9、5.0、4.6和3.7个百分点,F1得分分别高出了56.8、3.9、3.7和3.3个百分点,在茶叶嫩梢检测任务中展现出了更高的精确度和更低的漏检率,能够为名优茶的智能采摘提供算法参考。     

基于改进YOLOv7的杨梅树单木检测

为了快速检测和统计杨梅树的数量,该研究提出了一种基于改进YOLOv7的杨梅树单木检测模型：YOLOv7-ACGDmix。首先,对YOLOv7的可扩展高效长程注意力网络（extended-efficient long-range attention networks, E-ELAN）进行改进,通过融合兼具卷积和注意力机制优势的ACmix（a mixed model that enjoys the benefit of both self-attention and convolution）结构得到AC-E-ELAN模块,提升模型的学习和推理能力,引入可变形卷积（deformable convolutional networks version 2, DCNv2）结构得到DCNv2-E-ELAN模块,增强模型对不同尺寸目标的提取能力;其次,采用内容感知特征重组（content-aware reassembly of features, CARAFE）上采样模块,提高模型对重要特征的提取能力;然后,在主干和头部网络部分添加全局注意力机制（global-attention mechanism, GAM）,强化特征中的语义信息和位置信息,提高模型特征融合能力;最后,采用WIoU（wise intersection over union）损失函数减少因正负样本数据不平衡造成的干扰,增强模型的泛化性。在公开数据集上的试验结果表明,YOLOv7-ACGDmix模型的精确率达到89.1%,召回率达到89.0%,平均精度均值（mean average precision, mAP）达到95.1%,F₁-score达到89.0%,相比于原YOLOv7模型分别提高1.8、4.0、2.3和3.0个百分点。与Faster R-CNN、SSD、YOLOv8模型相比,改进模型的平均精度均值（mAP_0.5）分别提高了9.8、2.2、0.7个百分点。实地采集杨梅树样本数据的检测精确率87.3%、召回率85.7%。试验表明,改进模型为基于无人机影像的杨梅树单木检测提供了一种有效的解决方案,对果园精准管理的发展具有重要意义。     

水下底栖生物轻量化目标检测算法YOLOv7-RFPCW

针对水下底栖生物检测模型参数量过多,计算量过大,同时水下环境复杂容易造成错检和漏检,影响模型在水下底栖生物检测任务中的准确性的问题。提出了一种水下底栖生物轻量化检测算法YOLOv7-RFPCW。对YOLOv7网络重新设计轻量级网络结构,降低了特征提取网络的参数量和计算量,减少模型体积。设计了P-ELAN和P-ELAN-W模块,进一步轻量化特征提取网络;针对水下图像颜色失真,目标的空间位置不准确的问题,采用CBAM注意力模块加强特征融合,减少信息丢失,以更好地适应特殊的水下环境;针对水下目标容易出现形状变形的问题,使用WIOU-V3损失函数替换默认的CIOU损失函数,提高水下底栖生物检测的鲁棒性。试验结果显示,改进后的模型YOLOv7-RFPCW的参数量和计算量分别减少了75.9%和30.7%,模型体积减小了75.3%,精度提升了1.9个百分点。这一综合性的提升兼顾了轻量化和精度,为在水下环境中部署提供了可行的解决方案,验证了所提出的改进算法能胜任水下底栖生物检测任务。     

改进YOLOv5s对病理学图像中猪只小肠绒毛的检测

为解决传统小肠绒毛需要专业人员手动检测耗时耗力且存在主观性和不稳定性等问题,同时提高在复杂病理学图像中小肠绒毛检测的准确率和效率,该研究提出基于改进YOLOv5s检测复杂病理学图像下猪只小肠绒毛的方法。首先,采用串联形式的混合池化对空间金字塔进行优化,增强特征提取与特征表达,提升检测精度;然后引入一种基于注意力机制的网络模块(simpleattentionmechanism,SimAM)与Bottleneck中的残差连接相结合,使用SimAM对Bottleneck中的特征图进行加权,得到加权后的特征表示,利用注意力机制加强模型对目标的感知。试验结果表明,该研究算法的平均精度（average precision）和每秒传输帧数（frame per second,FPS）达到92.43%和40帧/s。改进后的YOLOv5s在召回率和平均精度上相较改进前提高2.49和4.62个百分点,在不增加模型参数量的情况下,每帧图片的推理时间缩短1.04 ms。与经典的目标检测算法SSD、Faster R-CNN、YOLOv6s、YOLOX相比,平均精度分别提高15.16、10.56、2.03和4.07...     

A Simple and Reliable Assay for Detecting Specific Nucleotide Sequences in Plants Using Optical Thin-film Biosensor Chips

Here we report the adaptation and optimization of an efficient, accurate and inexpensive assay that employs custom-designed silicon-based optical thin-film biosensor chips to detect unique transgenes in genetically modified （GM） crops and SN-P markers in model plant genomes. Briefly, aldehyde-attached sequence-specific singlestranded oligonucleotide probes are arrayed and covalently attached to a hydrazine-derivatized biosensor chip surface. Unique DNA sequences （or genes） are detected by hybridizing biotinylated PCR amplicons of the DNA sequences to probes on the chip surface. In the SN-P assay, target sequences （PCR amplicons） are hybridized in the presence of a mixture of biotinylated detector probes and a thermostable DNA ligase. Only perfect matches between the probe and target sequences, but not those with even a single nucleotide mismatch, can be covalently fixed on the chip surface. In both cases, the presence of specific target sequences is siL, nified by a color change on the chip surface （gold to blue/purple） after brief incubation with an anti-biotin IgG horseradish peroxidase （HRP） to generate a precipitable product from an HRP substrate.     

棉花SSR多重PCR技术的初步研究和利用

简单重复序列(simple sequences repeat,SSR)具有数量丰富、高度多态、共显性等优点,是一种极具实用价值的标记,目前已成为研究种质资源遗传多样性、基因组作图的首选标记.SSR多重PCR扩增法可同时完成多个标记检测,具有高效、经济、快捷的特点,并保持了单一SSR引物扩增的高度敏感性和准确性.本文选取6对SSR引物,配成三组SSR两重PCR反应,并设置五种不同反应体系以探索PCR反应体系对其影响,以单一引物PCR扩增为对照,对用于构建亚洲棉(Gossypium arboreum)遗传图谱所用的亲本、F1及F2群体单株的DNA模板进行多重PCR探索、分析;另外,在扩增产物的电泳检测时,结合银染技术,试验了单一引物PCR扩增产物在同一泳道同时上样和先后分时上样的两重检测的方法,以期对这种方法进行多态性位点检测的效果进行评价.结果表明,即使采用与单一引物PCR相同的反应体系,两重PCR扩增也可获得与之相同的多态性产物;而两重检测法的结果亦显示出与相应的单引物检测到的相应的多态性位点,能准确反映单引物所能达到的检测效果,因而为SSR的多重PCR和扩增后多重检测的技术在高效的遗传图谱构建工作中进一步应用提供实验依据.     

数字PCR技术在动物疫病检测中的应用

为了支持动物疫病流行地区的控制及消除计划,以及在动物疫病非流行地区进行有效筛查,必须使用更加准确灵敏的诊断手段。数字PCR可实现绝对定量及痕量核酸的检测,与传统检测方法相比具有不依赖参考物或标准品、对抑制剂具有较高耐受性、灵敏度和精准度更高的优点。数字PCR作为一种定量分析的核酸检测新方法,在动物疫病检测中得到了应用,围绕数字PCR技术的原理、应用、存在的问题及发展趋势等进行综述及分析,为数字PCR在动物疫病检测中的进一步应用提供参考。     

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。     

基于声振信号对称极坐标图像的苹果霉心病早期检测

为实现苹果早期霉心病较高精度的检测,该研究采用对称极坐标法（Symmetrized Dot Pattern,SDP）将苹果声振信号变换为雪花图,然后采用AlexNet、VGG16和ResNet50卷积神经网络以迁移学习方式深度挖掘SDP雪花图像的特征信息,将其输入到支持向量机（Support Vector Machine,SVM）分类器,对霉心程度≤7%的苹果进行检测。研究结果表明,当时间间隔系数为25和角度放大因子为50°时,健康果与早期霉心果声振信号的SDP图形状特征差异最大,在此条件下获取的SDP图经卷积神经网络AlexNet、VGG16和ResNet50提取特征并构建了不同核函数的SVM霉心果检测模型,在各类SVM模型中,ResNet50-SVM-gaus（高斯基）模型用相对较少的训练时间和参数量可取得训练集霉心果较高分类准确率,经超参数优化训练该模型对健康果和早期霉心果测试集不平衡样本（10∶1）的总体分类准确率达到96.97%,平均查准率、平均查全率、平均加权调和均值、Kappa系数和马修斯相关系数值分别为80.19%、90.36%、86.21%,82.54%和82.68%,该模型不仅对多数类的健康果保持较高分类准确率,而且对少数类的早期霉心果也具有较高判别能力。这些研究结果为声振法应用于果蔬内部病害的早期在线检测系统研发提供了技术支撑。