基于注意力机制及多尺度特征融合的番茄叶片缺素图像分类方法

针对番茄早期缺素性状不明显及各生长期特征差异较大所导致的特征区域尺寸不一致、难提取、难辩别等问题,提出了一种基于注意力机制及多尺度特征融合卷积神经网络的番茄叶片缺素图像分类方法（Multi-Scale Feature Fusion Convolutional Neural Networks Based On Atte ntion Mechanism,MSFF-AM-CNNs）。首先根据番茄叶片缺素特点提出了多尺度特征融合结构（Multi-Scale Feature Fusion Module,MSFF Module）;其次在DenseNet基础上,结合浅层网络主要提取纹理、细节特征,深层网络主要提取轮廓、形状特征的特点分别提出具有针对性的特征提取方法,通过不同形式引入注意力机制及多尺度特征融合结构,使全局多尺度信息融合多个特征通道、选择性地强调信息特征并达到对特征精准定位的功能;同时引入Focal Loss函数以减少易分类样本的权重。试验结果表明,MSFF-AM-CNNs的平均召回率、平均F1得分、平均准确率较原模型DenseNet-121均大幅提升,其中缺氮和缺钾叶片的准确率分别提高了8.06和6.14个百分点,召回率分别提高了6.31和5.00个百分点,F1得分分别提高了7.25和5.55个百分点,平均识别准确率可达95.92%,具有较高的识别准确率及广泛的适用性,能够满足番茄叶片缺素图像的高精度分类需求,可为植物叶片缺素识别提供参考。     

混流式水轮机叶道空化涡诱发高振幅压力脉动特性

混流式水轮机部分负荷叶道空化涡不稳定特性已成为制约水电与其他可再生能源多能互补发展、扩大水轮机稳定运行范围急需研究的技术难题。该研究以HL702低水头混流式模型水轮机为研究对象,通过非稳态数值模拟技术及涡流可视化试验,对部分负荷工况下的叶道空化涡不稳定涡流演化及压力脉动特性展开研究。结果表明,叶道空化涡在水轮机转轮内为一个体积周期性变化的动态过程,其涡结构脉动主频为转轮转频的1.1倍。叶道空化涡诱发时,水轮机转轮叶片压力面和吸力面均捕捉到与涡结构频率相同的压力脉动信号。叶道空化涡体积的变化主要发生在转轮叶片背面出水边与下环交界附近,引起压力脉动幅值的局部放大。进一步分析发现,叶道空化涡发生工况下水轮机内部的瞬时压力脉动信号与空泡体积加速度成正比,表明涡流演化是引起压力脉动幅值上升的重要原因。研究进一步阐明了部分负荷工况叶道空化涡的演化特征,揭示了涡流诱发不稳定高振幅压力脉动的内在机制。     

基于生物酶法的酰基化桑椹花青素的制备与特性

为尽可能减少花青素的降解,提高其稳定性,采用生物酶法,对桑椹花青素进行酰基化修饰,并与非酰基化花青素进行对比研究。运用单因素试验筛选脂肪酶、反应溶剂和酰基供体,分析对花青素酰基转化率的影响。确定酰基化反应的优化条件为南极假丝酵母脂肪酶为酰基化催化酶、吡啶为催化反应溶剂、苯甲酸甲酯为酰基供体,酰基化效果最好,转化率最大为13.5%。采用傅里叶红外、高效液相色谱对产物进行分析,经鉴定,酰基化产物为单酰基或多酰基花青素。此外,研究了酰基化对花青素稳定性和抗氧化性的影响。酰基化可提高花青素的热稳定性、光稳定性和耐酸碱稳定性。相同温度下,酰基化花青素保留率提高约5.0%,光照6d后,酰基化花青素的保留率仍高达96.1%。酰基化可以显著增加花青素体外抗氧化性,增强DPPH自由基清除能力,总还原能力比非酰基化花青素提高30%,金属离子螯合能力高达90%。酰基化花青素肿瘤细胞活性抑制率可达81%,而非酰基化花青素仅为50%。该研究为花青素稳定性提高和性能改善提供参考的理论依据。     

融合2D-3D卷积特征识别哺乳母猪姿态转换

母猪姿态转换影响仔猪存活率,且动作幅度与持续时间存在差异,准确识别难度大。该研究提出一种融合2D-3D卷积特征的卷积网络(2D+3D-CNet,2D+3D Convolutional Network)识别深度图像母猪姿态转换。以视频段为输入,引入注意力机制SE模块和3D空洞卷积,以提升3D卷积网络姿态转换的时空特征提取能力,用2D卷积提取母猪的空间特征;经特征融合后,动作识别分支输出母猪转换概率,姿态分类分支输出4类姿态概率,结合这两个输出结果识别8类姿态转换,减少了人工标注数据集的工作量;最后设计动作分数,优化母猪姿态转换的时间定位。在测试集上,2D+3D-CNet姿态转换识别精度为97.95%、召回率为91.67%、测试速度为14.39帧/s,精度、召回率和时间定位精度均高于YOWO、FRCNN-HMM和MOC-D方法。该研究结果实现了母猪姿态转换高精度识别。     

基于特征选择和GA-BP神经网络的多源遥感农田土壤水分反演

土壤水分是影响水文、生态和气候等环境过程的重要参数,而微波遥感是农田地表土壤水分测量的重要手段之一。针对微波遥感反演农田地表土壤水分受植被覆盖影响较大的问题,该研究提出了一种基于特征选择和GA-BP神经网络(Genetic Algorithm-Back Propagation neural network)的多源遥感农田地表土壤水分反演方法。首先对Sentinel-1微波遥感数据和Sentinel-2光学遥感数据进行预处理并提取21个特征参数;然后采用差分进化特征选择(Differential Evolution Feature Selection,DEFS)算法从21个特征中选出包含10个参数的最优特征子集,并利用主成分分析(Principal Component Analysis,PCA)法将特征子集进行降维;之后建立BP神经网络,采用遗传算法(GeneticAlgorithm,GA)对BP网络的节点权值进行优化,使用降维后的特征矩阵和部分实测土壤含水量数据对BP网络进行训练;最后利用训练好的GA-BP网络对研究区土壤水分进行反演,并利用实测数据对反演结果精度进行对比验证。试验结果表明,该研究反演结果的决定系数为0.789 3,均方根误差为0.028 7 cm~3/cm~3,相比单纯使用GA-BP神经网络,加入DEFS和PCA之后决定系数提高了0.215 7,同时均方根误差降低了0.029 5 cm~3/cm~3。该结果展示了DEFS和PCA算法在土壤水分反演最优特征集选择的有效性,为多源遥感农田地表土壤水分反演提供了新思路。     

生物基包膜抑制型尿素对土壤温室气体排放及小青菜产量的影响

为研究生物基包膜氮肥对土壤温室气体排放及小青菜(Brassica chinensis)产量的影响,采用密闭式静态箱-气相色谱法测定盆栽试验条件下施用不同类型包膜尿素对土壤温室气体的排放特征,探究不同类型包膜尿素对土壤温室气体排放综合增温潜势(GWP)、排放强度(GHGI)及小青菜产量的影响。结果表明:抑制型尿素(I)、生物基包膜尿素(CRU)、生物基包膜抑制型尿素(CIRU)能够显著降低N_2O、CO_2、CH_4 3种温室气体的累积排放量。与普通尿素(U)相比,处理I、CRU和CIRU的N2O累积排放量显著降低了20.79%～79.52%,CO_2的累积排放量显著降低了46.53%～62.24%,CH4的累积排放量显著降低了25.38%～30.11%。与处理U相比,处理I、CRU和CIRU的GWP分别显著降低了40.44%、60.66%和65.02%;温室气体GHGI与GWP呈现出同样的趋势,处理I、CRU和CIRU分别显著降低了26.32%、70.53%和78.95%。与其他处理相比,处理CIRU具有最优的温室气体减排效果。处理CIRU的小青菜产量最高,为1 960.00 kg·hm~(-2),较处理U显著增产68.00%。研究表明,生物基包膜抑制型尿素在提高小青菜产量的同时还可以减少菜地温室气体排放及氮素气态损失。     

单端孢霉烯族毒素生物脱毒技术研究进展

单端孢霉烯族毒素在粮食和饲料中污染严重,主要是T-2毒素和脱氧雪腐镰刀烯醇(DON)等,其毒性作用强,对人和动物产生严重危害.因此,单端孢霉烯族毒素的脱毒方式逐渐成为研究热点,尤其是生物脱毒.很多微生物被证实能够降解霉菌毒素,包括细菌、真菌和酵母菌,可将毒素降解成低毒或无毒的产物.论文以生物脱毒为出发点,从细菌、真菌和...     

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.     

试论我国公共资源治理的制度供给改革——以农业生物遗传资源治理为例

遗传资源是现代生物技术发展不可或缺的战略资源.近年来,我国农业遗传资源面临着生物多样性退化、生物海盗剽窃、育种材料奇缺、遗传资源开发程度低等现实问题.公共资源的公共性、稀缺性、非排他性、效用综合性等决定公共资源治理中的实时多元化制度需求,如果社会缺乏灵活高效的制度变迁机制,由此带来的有效制度供给不足,必然最终导致公共资...     

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(RandomForest,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。