新疆某牛场大肠杆菌的分离鉴定及16S rRNA序列分析

为了调查新疆某规模化奶牛场犊牛腹泻的原因并确定病原,无菌采集15份腹泻犊牛粪样进行病原的分离培养,采用形态学观察、生化试验、血清学和致病性分析等方法鉴定分离菌株,利用大肠杆菌16SrRNA通用引物进行基因序列扩增并测序,使用DNAStar软件将分离菌株测序结果与GenBank中的其他菌株序列进行同源性比对,采用Mega...     

基于轻量型残差网络的自然场景水稻害虫识别

准确识别水稻害虫对水稻及时采取防护和治理措施具有重要意义,该研究以自然场景中水稻害虫图像为研究对象,针对水稻害虫图像的颜色纹理与背景相近以及同类害虫形态差异较大等特点,设计了一个由特征提取、全局优化以及局部优化模块构成的轻量型残差网络（Light Weight Residual Network,LW-ResNet）用于水稻害虫识别。在特征提取模块通过增加卷积层数以及分支数对残差块进行改进,有效提取自然场景中水稻害虫图像的深层全局特征并使用全局优化模块进行优化;局部优化模块通过设计轻量型注意力子模块关注害虫的局部判别性特征。LW-ResNet网络在特征提取模块减少了残差块的数量,在注意力子模块中采用深度可分离卷积减少了浮点运算量,从而实现了模型的轻量化。试验结果表明,所设计的LW-ResNet网络在13类水稻害虫图像的测试数据集上达到了92.5%的识别准确率,高于VGG16、ResNet、AlexNet等经典卷积神经网络模型,并且LW-ResNet网络的参数量仅为1.62×106个,浮点运算量仅为0.34×109次,低于MobileNetV3轻量级卷积神经网络模型。该研究成果可用于移动端水稻害虫的自动识别。     

基于目标像素变化的柚果单目测距算法

针对山地果园光线变化和枝叶遮挡干扰果实距离检测的问题,该研究提出一种利用目标区域像素数量变化预测成像距离的算法。根据单目测距原理和柚果成像特性,以具备尺寸和形状代表性的离树柚果样本为研究对象,在采摘作业距离范围内利用单一相机以固定间隔步距对果实某一侧面连续获取图像数据,用以建立并验证目标区域像素数量变化与成像距离变化之间的多元回归关系。随后将该算法应用于果园中树上柚果样本以检验其适用性,并讨论初始成像距离和步距取值对测距精度的影响。研究结果表明,在125 cm以内,6个树上柚果样本的测距相对误差均低于5%,满足采摘机械手目标定位的精度要求;初始成像距离对该算法测距精度具有显著影响。该研究单目测距算法满足果园环境中柚果目标与相机间距离检测需求,为相关采摘机械手的柚果目标识别提供了一种可行方案。     

基于GF-1和Sentinel-2时序数据的茶园识别

由于茶园大多分布在地形复杂的山区,地块破碎,分布零散,形状差异大、植被混杂且茶园所处环境长期受到云雨的影响,增加了茶园遥感识别的难度与不确定性,针对这一问题,该研究提出了利用高分1号(GF-1)和哨兵2号(Sentinel-2)时序数据提取茶园的方法,以浙江省武义县王宅镇为研究区,采用GF-1号为主要数据源,并利用MODIS地表反射率产品和Sentinel-2反射率数据,基于时空融合算法得到时间分辨率5 d的10 m Sentinel-2完整的时序数据。综合利用GF-1在空间细节方面的优势和重建的Sentinel-2高观测频率时序数据在反映茶树生长过程方面的优势,分别基于GF-1的光谱和纹理特征及GF-1的光谱、纹理特征和Sentinel-2时序特征两种特征组合方式,采用随机森林算法提取茶园。结果表明,GF-1光谱、纹理信息结合Sentinel-2时序信息分类结果的准确率、错误率、精确率、召回率和F1分数分别为96.91%、3.09%、89.00%、83.09%和0.86,仅基于GF-1光谱和纹理信息的分类准确率、错误率、精确率、召回率和F1分数分别为94.72%、5.28%、73.09%、84.61%和0.78,添加时序信息分类结果总体优于未添加时序信息的分类结果。表明高空间分辨率结合高频率时序遥感数据是提高茶园分类精度的有效手段。     

基于改进UNet模型的油茶果振动采摘点定位方法

针对非花果同期油茶果采收效率低这一问题,提出一种侧枝振动采摘点定位方法,通过振动侧枝降低树木损伤并实现高效采收。首先构建数据集,对侧枝分段标注,向UNet中添加CloFormer注意力机制并命名为Clo-UNet,实现侧枝的二维重构。其次,在Clo-UNet基础上进一步设计采摘点定位方法并命名为Clo-UNet-Point,该方法优先选择采收离果实最远且最粗的枝条。试验表明,Clo-UNet在验证集上表现优异,其中br_con（连果枝）、danger（危险区）和br_pro（优先采收区域）的平均交并比mIoU分别达到85.36%、86.37%和81.29%,平均像素精度mPA分别达到94.97%、96.17%和89.48%,Clo-UNet在整个数据集上的mIoU和mPA分别比UNet高5.14、6.85个百分点。通过观察验证集647幅图像,Clo-UNet-Point算法在不同光照条件下均能定位到采摘点,平均检测一张图像用时0.15 s。该研究可为未来非花果同期类油茶果的自动化振动采收奠定理论基础。     

激光诱导击穿原子光谱在土壤分析中的应用

土壤分析是土壤学研究及应用的前提和基础,传统化学土壤分析方法逐渐不能适应现代土壤学海量信息数据快速获取的需求。激光诱导击穿光谱作为一种全新的、反映土壤组成元素原子信息的光谱技术,其无需对样品进行复杂前处理,可实现原位、快速、多元素连续在线检测,每条光谱记录土壤样本独一无二的特征,可以视为土壤“指纹”,成为现代土壤分析的有效技术之一。首先介绍和分析了激光诱导击穿原子光谱的原理、光谱获取的主要影响因素、光谱数据处理的化学计量学方法等;然后阐述和梳理了基于激光诱导击穿光谱技术在土壤分析方面的应用成果和进展,包括土壤鉴定、土壤养分评估、土壤重金属测定、微观/介观尺度土壤原位表征等;最后讨论和总结了激光诱导击穿光谱技术在土壤分析中所面临的挑战及其应用展望。     

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。     

高产嗜铁素恶臭假单胞菌A3菌株的鉴定及其对黄瓜的促生作用

从大棚蔬菜根际土中分离到一株嗜铁素高产菌株A3,铬天青（CAS）法定量检测其嗜铁素相对含量达93.40%,Shenkers实验确定为羧酸型嗜铁素。在不同底物诱导下,该菌株可不同程度地产生吲哚乙酸（IAA）及1-氨基环丙烷-1-羧酸（ACC）脱氨酶,并具有一定的溶磷能力。根据形态特征、生理生化、API系统及16S rRNA基因序列分析,将菌株A3鉴定为恶臭假单胞菌（Pseudomonas putida）。在缺铁Hoagland营养液中添加难溶性铁及菌株A3嗜铁素发酵滤液的处理组,能够显著提高黄瓜幼苗的株高、根长、叶长、鲜重及叶绿素含量,表明菌株A3产生的嗜铁素在低铁条件下对黄瓜幼苗具有促生作用。     

农村环境污染识别方法与应用研究

本研究提出了基于农户分类的农村环境污染识别方法并用于实地研究。以经济活动类型、地理位置为基础,将农户分为典型种植户、典型养殖户、种养结合户、城郊农户4大类,并细划这4大类的污染类型,具体包括农户生活、农业种植、畜禽养殖、水产养殖、乡村旅游;识别各类型农户生产与生活全过程的污染源与污染强度,如单位面积化肥施用量、人均生活垃圾产生量等;统计区域内污染状况,通过估算污染源的贡献率,定量识别重点污染源与重点污染物;引入等标污染负荷率及水质指数,识别区域污染程度、主要污染类型。应用此方法在河北省曲周县进行实地研究,识别出曲周县重点污染物为TN,重点污染源为农业种植;农村环境引起的地表水TN污染指数为1.26,已经造成地表水TN超标;将曲周县10个乡镇污染类型分3类,种植养殖污染型、农业种植污染型和综合污染型。识别结果为有效控制不同区域农村环境污染提供必要的前提条件。     

基于K-means聚类的柑橘红蜘蛛图像目标识别

为快速检测红蜘蛛虫害,该研究采用基于Lab颜色模型中a(红/绿)、b(黄/蓝)层信息的K-means聚类法识别彩色图像中的红蜘蛛。试验选取8幅具有不同清晰度的柑橘红蜘蛛图像,采用基于Sobel边缘检测算子的评价函数计算图像清晰度评价值以评价图像清晰度,对比采用灰度法和包含2、3、4或5个聚类中心的K-means聚类法的目标识别效果和识别效率。结果表明,灰度法对8幅图像中红蜘蛛目标识别率平均值为29%,误判率平均值为201%,无法应用于复杂背景图像中的红蜘蛛目标识别。包含5个聚类中心的K-means聚类法对清晰度较高的图像识别率为100%,误判率为0,对清晰度较低的图像识别率为88%,误判率为0;当图像尺寸较小时,包含4个聚类中心的K-means聚类法识别效率与灰度法相当;当图像尺寸较大时,重复计算聚类中心导致识别耗时较长;基于Lab颜色空间的识别算法无法有效识别其他颜色的红蜘蛛,继续研究的方向为引入红蜘蛛形态信息以提高识别准确率和优化聚类中心的选取以降低识别耗时。