SSR荧光标记毛细管电泳法与国家冬油菜区试指纹鉴定平台的构建

为了提高油菜品种指纹检测的精确性及未来构建大规模油菜新品种指纹数据库的需求,应用SSR荧光标记毛细管电泳检测法构建国家冬油菜区试指纹鉴定平台。以40对荧光引物对2012-2013年度163份国家冬油菜区试参试品种（系）进行分析。结果共检测到42个等位位点和131个等位变异。其中A基因组（n1～n10）检测位点25个,C基因组(n11～n19)检测位点17个。每个位点等位变异数从2到6不等,平均为3.02。42个检测位点的PIC值变化范围在0.10～0.69之间,平均值为0.36。其中引物BRGMS171的杂合度、PIC值分别高达0.67、0.70,可考虑作为以后区试杂交种纯度鉴定的核心标记。SSR位点的纯合度分析得出本年度18份常规种平均纯合度为81.9%,145份杂交种为57.9%。以131个等位变异计算品种（系）间DICE相似系数,163份品种（系）间平均遗传相似系数变幅为0.607～0.765,变幅最大的为品种（系）FC03（0.438～0.879）,变幅最小为品种（系）宜油21（0.611～0.806）。     

融合多尺度特征和注意力机制的油菜倒伏分类

倒伏是限制油料作物高产、稳产、优产的主要因素,对油菜倒伏类型的实时监测与评估对于油菜预产和品种选育至关重要。该研究提出一种无人机可见光影像下融合多尺度特征和注意力机制的油菜倒伏分类方法,对绿熟期和黄熟期的倒伏级别进行分类鉴定。首先,设计一种图像分类模型NGnet（nam-ghost network）,用于对角果期的油菜倒伏程度进行分类。该网络采用改进的GhostBottleNeck模块,融入利用权重因子来体现重要特征的注意力机制模块NAM（normalization-based attention module）,再将不同尺度的注意力特征进行融合,以降低模型参数量、提高准确率;其次,构建使用无人机高空遥感正射影像的油菜倒伏数据集（rape lodging dataset, RLD）,该数据集由5789张分辨率为3×255×255且人工标注倒伏级别的小区影像构成;最后,将本文NGnet模型在RLD数据集上的进行验证,准确率达到85.10%,比T2T-VIT、SwinTransformerV2、MobileNetV3、Res2Net、RepVGG 和 RepLKNet分别高出15.6、11.92、7.01、6.22、6.08、2.37个百分点。试验结果表明,NGnet模型对油菜倒伏分类任务是有效的,可为基于无人机RGB影像的油菜倒伏鉴定和良种选育等提供参考。     

无人机遥感及深度学习在油菜冻害识别中的应用研究

气象灾害是影响我国农作物产量及农业可持续发展的重要因素,低温冻害导致油菜生长发育迟缓和大幅度减产.便捷、精准地识别和评估油菜冻害不仅为精准农田管理提供依据而且对培育抗冻品种有重要意义.本研究借助低空无人机遥感技术,用大疆精灵无人机Phantom 4 Pro V2.0,搭载2000万像素RGB相机,对生长88天正处于越冬...     

无人机遥感影像在油菜品种识别中的应用

采用无人机遥感技术进行油菜品种识别,是产量预测及灾害评估的重要前提和基础。本研究利用无人机作为数据采集设备,以基地24个品种油菜苗期育种材料为识别数据,将无人机获取的影像进行拼接、裁剪、旋转等预处理,按照4∶1划分训练集和测试集,构建注意力机制引导的卷积神经网络搭建油菜影像识别网络模型,并采用总体准确率、Kappa系数等评价参数对识别结果进行评价。结果表明,本研究的网络模型识别准确率和Kappa系数分别达到了89.60%和0.889 4,高于5个经典网络模型。说明,注意力机制能够更加充分地提取无人机遥感影像的油菜特征,有效地提高卷积神经网络对不同品种油菜的识别精度。本研究网络模型弥补了传统油菜细分需要人力统计及现有方法设备成本高的缺陷,为采用无人机遥感技术进行作物品种识别提供技术支撑。