基于堆叠沙漏网络的单分蘖水稻植株骨架提取

针对水稻栽培和遗传育种研究中单分蘖性状高通量无损提取的实际需求,该研究提出了一种基于沙漏网络模型的单分蘖水稻关键点预测和骨架提取方法。首先,对原始图像进行批量裁剪、gamma校正和锐化卷积等预处理,获取单色背景下的水稻单分蘖图像数据集;设计水稻单分蘖各器官关键点数据标注策略,构建监督数据集。然后,构建堆叠沙漏网络架构实现叶片数固定和不固定的水稻关键点检测,引入沙漏结构整合图像的多尺度特征,结合中间监督机制整合不同沙漏模块信息。叶片数一致的情况,模型预测准确率最高可达96.48%;叶片数不一致的情况,预测准确率达到82.09%。最后,根据预测关键点及其对应的语义信息连接形成植株骨架,选取茎秆长、叶片长、穗长、叶片-茎秆夹角和茎节点位置5个表型参数对生成骨架模型的实际意义进行评估,其均方根误差依次为5.82 cm、3.09 cm、1.71 cm、3.22°和2.04 cm,证明了该方法能较好地识别水稻单分蘖关键点,为水稻骨架提取提供了一种新思路,有助于加快水稻育种速度。     

几种冲施肥在枸杞上施用效果对比试验

本试验旨在通过在德令哈枸杞上的肥效试验,筛选出对枸杞增产效果最佳的冲施肥种类,并掌握施用时期和方法。试验结果表明,根多叶绿+JINGPING+叶黄喷绿对枸杞增产效果最好。比对照增产48. 4%,其次为有机富硒氨基酸营养液+神锄+磷酸二氢钾,增产37. 8%;再次为碳基冲施肥、液肥+枸杞专用肥,分别增产27%、7. 7%。     

基于密度估计和VGG-Two的大豆籽粒快速计数方法

为快速准确计数大豆籽粒,提高大豆考种速度和育种水平,本研究提出了一种基于密度估计和VGG-Two（VGG-T）的大豆籽粒计数方法。首先针对大豆籽粒计数领域可用图像数据集缺乏的问题,提出了基于数字图像处理技术的预标注和人工修正标注相结合的快速目标点标注方法,加快建立带标注的公开可用大豆籽粒图像数据集。其次构建了适用于籽粒图像数据集的VGG-T网络计数模型,该模型基于VGG16,结合密度估计方法,实现从单一视角大豆籽粒图像中准确计数籽粒。最后采用自制的大豆籽粒数据集对VGG-T模型进行测试,分别对有无数据增强的计数准确性、不同网络的计数性能以及不同测试集的计数准确性进行了对比试验。试验结果表明,快速目标点标注方法标注37,563个大豆籽粒只需花费197 min,比普通人工标注节约了1592 min,减少约\mathrm{96}\%的人工工作量,大幅降低时间成本和人工成本;采用VGG-T模型计数,其评估指标在原图和补丁（patch）情况下的平均绝对误差分别为\mathrm{0.6}和\mathrm{0.2},均方误差为0.6和0.3,准确性高于传统图像形态学操作以及ResNet18、ResNet18-T和VGG16网络。在包含不同密度大豆籽粒的测试集中,误差波动较小,仍具有优良的计数性能,同时与人工计数和数粒仪相比,计数11,350个大豆籽粒分别节省大约\mathrm{2.493}\text{?}\mathrm{h}和\mathrm{0.203}\text{?}\mathrm{h},实现大豆籽粒的快速计数任务。     

利用Re-YOLOv5和检测区域搜索算法获取大豆植株表型参数

为了解决目标检测区域中冗余信息过多导致无法准确检测大豆分枝的缺陷,同时快速获取大豆植株表型参数,该研究提出了一种基于Re-YOLOv5和检测区域搜索算法的大豆植株表型参数获取方法。Re-YOLOv5引入圆形平滑标签技术（Circular Smooth Label,CSL）实现旋转目标检测,解决了传统目标检测中检测区域冗余信息过多导致无法准确检测大豆分枝的缺陷,并加入协调注意力机制（Coordinate Attention,CA）获取目标位置信息以提升检测精度,此外,将原始骨干网络中的3×3卷积结构替换为RepVGG结构进一步增强模型的特征提取能力。基于Re-YOLOv5提出一种检测区域搜索算法（Detection Area Search,DAS）,该算法将检测到的大豆分枝区域作为待搜索区域,通过该区域中的茎节点坐标信息判断各分枝的茎节点,然后将其进行顺序连接,重构大豆植株骨架,最终获取相关的表型参数。试验结果表明,Re-YOLOv5可以实现检测旋转目标的能力,而且在各项性能指标上都优于YOLOv5,其mAP提升了1.70个百分点,参数量下降0.17 M,针对茎节点的检测精确率提升了9.90个百分点,检测小目标的能力明显增强。检测区域搜索算法也能够准确地定位每个分枝上的茎节点从而重构大豆植株骨架,并得到比较准确的大豆植株表型参数,其中,株高、茎节点数、大豆分枝数的平均绝对误差分别为2.06 cm、1.37个和0.03个,在能够满足实际采集的精度要求的同时,也为获取大豆植株表型信息提供参考。     

过表达GmNHX1基因提高大豆根系的耐盐性

Na+/H+反向转运蛋白可调控细胞质pH值、钠离子浓度和细胞体积,从而减轻盐胁迫对植物的伤害.利用发根农杆菌(Agrobacterium rhizogenes)介导法,向大豆根系导入由CaMV35S启动子调控的Na+/H+反向转运蛋白编码基因GmNHX1的cDNA序列,通过该基因的过量表达,提高大豆的耐盐性.通过潮霉素...     

基于YOLOv5m和CBAM-CPN的单分蘖水稻植株表型参数提取

为快速获取单分蘖水稻植株的形态结构和表型参数,该研究提出了一种基于目标检测和关键点检测模型相结合的骨架提取和表型参数获取方法。该方法基于目标检测模型生成穗、茎秆、叶片的边界框和类别,将所得数据分别输入到关键点检测模型检测各部位关键点,按照语义信息依次连接关键点形成植株骨架,依据关键点坐标计算穗长度、茎秆长度、叶片长度、叶片-茎秆夹角4种表型参数。首先,构建单分蘖水稻的关键点检测和目标检测数据集;其次,训练Faster R-CNN、YOLOv3、YOLOv5s、YOLOv5m目标检测模型,经过对比,YOLOv5m的检测效果最好,平均精度均值（mean average precision,mAP）达到91.17%;然后,应用人体姿态估计的级联金字塔网络（cascaded pyramid network,CPN）提取植株骨架,并引入注意力机制CBAM（convolutional block attention module）进行改进,与沙漏网络（hourglass networks,HN）、堆叠沙漏网络模型（stacked hourglass networks,SHN）和CPN模型相比,CBAM-CPN模型的预测准确率分别提高了9.68、8.83和0.5个百分点,达到94.75%,4种表型参数的均方根误差分别为1.06、0.81、1.25 cm和2.94°。最后,结合YOLOv5m和CBAM-CPN进行预测,4种表型参数的均方根误差分别为1.48 、1.05 、1.74 cm和2.39°,与SHN模型相比,误差分别减小1.65、3.43、2.65 cm和4.75°,生成的骨架基本能够拟合单分蘖水稻植株的形态结构。所提方法可以提高单分蘖水稻植株的关键点检测准确率,更准确地获取植株骨架和表型参数,有助于加快水稻的育种和改良。     

核心技术原始创新引领智慧农业健康发展

智慧农业是充分运用人的智慧发展农业的新形态,它是农业发展的新阶段、新模式和新业态。农业信息技术的发展是智慧农业发展的必然要求,以农业大数据、云计算、物联网、人工智能、农业等离子体等新一代技术可以赋能智慧农业,为智慧农业的健康发展提供了新技术、新手段和新方案。农业信息化标准化是引导农业科技进步与创新的前提,是智慧农业发展的迫切需要;农业物联网与农业专用芯片是智慧农业发展的核心技术及装备;农业大数据与云计算是海量复杂农业信息处理的有力技术支撑;农业信息安全与区块链是保障农业信息安全、农产品质量认证与农业安全的关键;农业人工智能是提高农业劳动生产力、降低资源消耗、智能高效生产的必然选择;农业等离子体技术是发展健康农业、提升农产品品质切实有效的新手段。智慧农业核心关键技术原始创新自主可控,必将引领智慧农业健康发展。     

我国农民收入影响因素浅析——以四川省农民收入为例

文章运用了计量经济的方法,分析了影响农民收入的因素.通过逐步回归找出影响农民收入的重要因素,以及其对农民收入的影响程度,并在以上结论的基础上给出增加农民收入的建议.     

技术性贸易壁垒对我国外贸的影响及对策探析

随着经济全球化的不断深化,国际竞争日益激烈,技术性贸易壁垒已经成为世界各国调整贸易利益的重要手段,并对我国的出口贸易产生了巨大影响。我们应如何应对及冲破技术壁垒,以保护我国出口,是我国亟待解决的问题。