秋水仙素诱变对桑黄菌丝生长及活性成分的影响

以1.0%纤维素酶和0.5%蜗牛酶不同处理时间的桑黄菌丝为试材,采用0.1%秋水仙素诱变桑黄菌丝研究其诱变下桑黄菌丝再生菌株的生长速率以及多糖、黄酮和三萜等活性成分含量变化,以期获得生长快且活性成分含量高的菌种,以期为桑黄菌株选育、种质资源创新和应用奠定基础。结果表明:秋水仙素诱变后桑黄菌丝再生菌株的生长速率以及多糖、黄酮和三萜等活性成分含量基本呈增加趋势。其中,与对照相比,诱变酶解桑黄菌丝20 min获得的再生菌株20-1生长速率最快,增加了366.67%;三萜和多糖含量最高的再生菌株为10-5,分别增加了1069.73%和281.85%;多酚含量最高的再生菌株为5-1,增加了530.56%;黄酮含量最高的再生菌株为30-1,增加了3771.43%。     

马铃薯原生质体培养体系改良

试验以马铃薯试管苗叶片为原生质体来源，通过研究材料预处理方法对原生质体产量和质量的影响，培养方式及培养基中糖醇与细胞分裂的愈伤组织形成的关系，优化并建立了高效稳定的原生质体培养体系，获得了2个双单倍体系的叶肉原生质体再生植株。     

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。     

相机与毫米波雷达融合检测农机前方田埂

为满足自主作业农机地头转弯的需求,解决单传感器检测获取信息不足的问题,该研究提出了将相机与毫米波雷达所获取数据融合的多传感前方田埂检测方案,利用视觉检测得到田埂形状后辅助滤除毫米波雷达中干扰点进而得到田埂的距离和高度信息。在视觉检测方面,根据前方田埂在图像中的分布特点,提出了基于渐变重采样选取部分点的加速处理方式,并在此基础上利用基于11维颜色纹理特征的支持向量机进行图像分割和基于等宽假设的几何模型特征进行误分类点剔除,然后拟合提取图像中田埂边界。在毫米波雷达检测方面,提出了竖直放置毫米波雷达的检测方式,以克服安装高度与地形颠簸的影响,并获得前方田埂的高度信息。将相机与毫米波雷达获取的数据进行时空对齐后,利用视觉检测结果滤除毫米波雷达干扰点,并将毫米波雷达获得的单点距离信息进行扩展,形成维度上的数据互补,获得前方田埂的形状、距离、高度等更加丰富准确的信息。测试结果表明,在Nvidia Jetson TX2主控制器上,基于视觉的检测平均用时40.83 ms,准确率95.67%,平均角度偏差0.67°,平均偏移量检测偏差2.69%;基于融合算法的检测平均距离检测偏差0.11 m,距离检测标准差6.93 cm,平均高度检测偏差0.13 m,高度检测标准差0.19 m,可以满足自主作业农机的实时性与准确性要求。     

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。     

基于语义分割的非结构化田间道路场景识别

环境信息感知是智能农业装备系统自主导航作业的关键技术之一。农业田间道路复杂多变,快速准确地识别可通行区域,辨析障碍物类别,可为农业装备系统高效安全地进行路径规划和决策控制提供依据。该研究以非结构化农业田间道路场景为研究对象,根据环境对象动、静态属性进行类别划分,提出一种基于通道注意力结合多尺度特征融合的轻量化语义分割模型。首先采用Mobilenet V2轻量卷积神经网络提取图像特征,将混合扩张卷积融入特征提取网络最后2个阶段,在保证特征图分辨率的基础上增加感受野并保持信息的连续性与完整性;然后引入通道注意力模块对特征提取网络各阶段特征通道依据重要程度重新标定;最后通过空间金字塔池化模块将多尺度池化特征进行融合,获取更加有效的全局场景上下文信息,增强对复杂道路场景识别的准确性。语义分割试验表明,不同道路环境下本文模型可以对场景对象进行有效识别解析,像素准确率和平均像素准确率分别为94.85%、90.38%,具有准确率高、鲁棒性强的特点。基于相同测试集将本文模型与FCN-8S、SegNet、DeeplabV3+、BiseNet模型进行对比试验,本文模型的平均区域重合度为85.51%,检测速度达到8.19帧/s,参数数量为,相比于其他模型具有准确性高、推理速度快、参数量小等优点,能够较好地实现精度与速度的均衡。研究成果可为智能农业装备在非结构化道路环境下安全可靠运行提供技术参考。     

基于离散小波分解与重构的多源土壤含水量数据融合方法与评估

为提高土壤含水量格点数据的区域适用性、准确性，该研究提出了基于离散小波多尺度分解与重构的多源土壤含水量数据融合方法，利用2016-2018年6-9月ESA-CCI、SMAP、ERA5-Land数据集以及地面站点观测的土壤含水量数据，在以黄河流域为主体的主要农业气候区开展了融合方法可行性和适用性研究。结果表明，融合方法能有效捕获融合数据源的多尺度特征信息，通过多源多尺度逐层特征信息权重融合与重构，能有效改进单一数据源在不同农业气候区域的适用性、时空结构和波动特征的准确性。融合结果总体评估的均方根误差、偏差(Bias)和相关系数(r)分别为0.053 m³/m³、0.001 m³/m³和0.721，时空分解评估的综合表现均优于单一融合数据源的评估指标，多尺度时空波动频谱结构特征与观测时空序列更吻合，特别在25 d时间尺度以内时空波动吻合度改进最为明显。该研究获得了较理想的区域土壤含水量改进预期，可为区域生态环境监测、农业可持续发展、水土保持、防灾减灾等科学研究和业务应用提供可行有效的方法参考。     

基于数据融合的玉米种子内部机械裂纹检测方法

为深入研究玉米种子脱粒和输送等环节中产生的内部裂纹机理和检测技术,该文在体视显微检测基础上提出了基于融合技术的边缘检测方法。该方法采用改进的数学形态学方法和传统Sobel边缘检测算子对损伤玉米种子图像进行边缘检测,建立相应的融合规则,将2种方法检测出来的图像边缘进行基于小波变换的融合处理,并从新图像中提取玉米种子内部机械损伤的特征信息。结果表明,该检测方法结合了2种边缘检测方法的优点,有效提高了边缘检测准确性,在准确提取玉米种子内部裂纹特征同时能有效降低噪声,较单一边缘检测算法有更好的效果。     

CBERS-02B星HR高分辨率遥感数据融合研究分析

在阐述遥感影像融合原理的基础上,以贵州省贵阳市部分区域为研究区,应用PCA,Brovey,SVR,IHS共4种融合方法对CBERS-02B星HR数据与CCD数据进行融合实验。从光谱信息和空间信息两个方面对融合效果进行分析,对比4种融合方法对CBERS-02B星影像数据的适用程度,同时与SPOT-5融合数据进行对比分析。研究表明:(1)4种融合方法中,SVR变换法最适合CBERS-02B星遥感数据的融合,融合数据的各评价指标均高于其他融合方法,空间信息丰富,图像细节效果良好;(2)CBERS-02B星同源遥感数据融合影像的质量低于SPOT-5影像融合数据;(3)CBERS-02B星CCD数据的质量低是导致融合影像质量不高的主要原因,所以在CBERS-02B星HR数据的使用过程中应尽量寻求其他来源的多光谱数据进行融合。     

不同光照条件下农作物图像Contourlet域融合方法

为了更好地实现不同光照条件下的农作物图像融合,在Contourlet变换(contourlet transform,CT)的基础上采用了适合农作物图像的融合规则进行了融合处理。首先,采用Contourlet变换对源图像进行多尺度、多方向分解,得到低频子带系数和带通方向子带系数。然后,针对低频子带系数的选择,采用了一种改进的线性加权融合方法,以期减小噪声对融合结果的影响;针对带通方向子带系数的选择,结合人眼视觉特性,采用了一种基于梯度最大化规则的系数选择方案,得到待融合图像的系数。最后,经过Contourlet逆变换得到融合图像。与小波变换方法(wavelet transform,WT)进行了融合结果的比较,结果表明,与WT方法相比,该文方法在互信息量(mutual information,MI)、空间频率(spatial frequency,SF)、均方差(mean square error,MSE)、信息熵(entropy,Ent)、相关系数(correlation coefficient,CC)、平均梯度(average gradient,G’)和峰值信噪比(peak signal to noise ratio,PSNR)指标上均有了较大提升,表明利用该方法可以取得优于WT的融合效果;在此基础上,利用CT常见融合规则与文中融合规则进行了比较,同样表明CT方法可以有效提高图像融合的效果。研究表明,将文中所采用的融合规则应用于不同光照条件下的农作物图像融合是有效的、可行的。该研究可为变光照条件下的作物图像融合技术提供参考。