西瓜果实与种子相关性研究

对西瓜单瓜重、单瓜种子量、种子粒数、产籽率的相关性分析和自交果实与杂交果实及种子相应性状的差异显著性分析结果显示，单瓜重与单瓜种子重、种子粒数呈正相关，且相关性较强；单瓜种子重与千粒重、产籽率，种子粒数与产籽率呈正相关，相关性中等；单瓜重与千粒重，千粒重与种子粒数、产籽率呈正相关，相关性较弱；而单瓜重与产籽率呈负相关；异质授粉对果实增大和种子数量的增加无促进作用，而对单瓜种子重和千粒重有明显促进作用。     

蓝果忍冬成熟期结合力变化规律的测试分析

为了弄清成熟蓝果忍冬结合力的特性和变化规律、给机械化收获提供技术依据,在蓝果忍冬成熟期间对4个常见品种果实结合力进行了为期16天的跟踪测试。通过分析研究得出:所测试的4个蓝果忍冬品种的结合力分布在0.1~1.7 N之间(P0.05),各品种结合力分布区间略有不同,所测试的野生阿尔泰忍冬、蓓蕾的结合力高于蓝鸟和长白山野生蓝靛果忍冬;各品种结合力随时间呈现出不同程度的下降趋势;同一天内下午的结合力显著大于上午的结合力(P0.05);晴天与阴雨天的结合力无显著性差异。通过因子分析,可将影响结合力的因素测试时间、上下午、相对湿度、温度及天气状况转换成环境因子和时间因子。     

外来猪与利川黑猪二元杂交优势利用试验

为开发利用我市本地黑母猪(利川黑猪)地方良种资源,发展商品瘦肉猪生产,特进行了外来猪与利川黑猪二元杂交试验,对试验各组指标进行了显著性分析,为我市二元杂交猪寻找最佳组合提供科学依据.     

基于显著性目标检测的葡萄叶片病害分割

为提高葡萄叶片病害图像中病斑分割性能,提出了一种基于显著性目标检测的病斑分割方法.采用显著性目标检测网络来生成葡萄病害叶片图像的显著性图,通过多种分辨率的网格结构提取图像局部和全局信息,并将它们融合成预测特征;再对病害叶片的显著性图用自适应阈值法分割出叶片上的病害区域,并用形态学方法进行后处理.结果 表明,在测试集A上...     

粉质黏土粘聚力影响因素显著性分析

本文以位山灌区粉质黏土为研究对象,制备不同干密度、含水率的试样进行差异性冻融处理,冻融循环结束后对土样进行直剪试验,并对试验数据的影响因素显著性分析,结合分析结果建立粘聚力回归方程。结果表明:土体粘聚力与含水率、冻融循环次数呈负相关,与干密度呈正相关,土体粘聚力在冻融循环1～2次之后显著降低,低密度、低含水率的土体在冻融作用下粘聚力下降幅度较大;经多次冻融循环后土体粘聚力趋于稳定;各因素对粉质黏土粘聚力影响存在差异,不同影响因素对土体粘聚力的影响表现为:干密度含水率冻融次数。     

基于显著性增强和迁移学习的鱼类识别研究

针对水下鱼类无法快速准确识别的难点,提出一种具有图像主体自动增强功能的鱼类迁移学习方法。该方法将鱼类RGB图像转换至Lab颜色空间后,利用中央周边算子计算得到整个输入图像的显著性值,进而提供鱼类目标的潜在区域,并结合GrabCut算法获取鱼类分割图像,最终将融合分割图的原始图像送入优化后的残差网络中进行训练。通过对23种鱼类进行识别试验,结果显示,固定ImageNet数据集上ResNet-50预训练模型的conv1层和conv2层参数,微调高层参数的方法能够取得最好的识别效果,且在公开的Fish4Knowledge数据集上,该模型取得了最高的识别准确率,平均识别精度达到99.63%。与其他卷积神经网络方法的对比结果显示,本方法在Fish4Knowledge和Fish30Image数据集上的识别精度和时间性能均具有较大优势,其中识别准确率至少提升4.98%。多个数据集上的试验验证了模型的有效性。     

主要作业参数对单船中层拖网性能的显著性分析

以网口高度和网具阻力作为单船中层拖网性能的表现,在拖速3.0~5.5kn的范围内,选择上、下手纲,重锤,沉力,浮力,上、下叉纲7个作业参数作为影响其性能的因子,共进行了27次不同因子相互组合的模型系列试验。结果显示:显著性因子个数随拖速增加而增加,但到一定拖速后显著性个数不变;在不同拖速条件下,上手纲和下手纲变化对网具性能的影响均不大;重锤和浮力在不同的试验条件下,均是网具性能的主要影响因子。     

基于卷积神经网络的空心村高分影像建筑物检测方法

基于卷积神经网络(CNN)提出了一种适用于空心村高分影像的建筑物自动检测方法,该方法利用多尺度显著性检测来获取包含建筑物信息的显著性区域,然后通过滑动窗口获取显著性区域内目标样本块,再将这些样本块输入训练好的CNN并结合SVM来实现分类。为检验方法有效性,选取高分影像进行实验,结果表明,显著性检测能够有效地获取主要目标,减弱其他无关目标的影响,降低数据冗余;卷积神经网络能够自动学习高层次的特征,基于CNN对高分影像进行建筑物检测,分类准确度可以达到97.6%,表明该方法具有较好的鲁棒性和有效性。     

基于信息融合的农业自主车辆障碍物检测方法

针对单一传感器在智能车辆环境感知中的局限性,提出一种基于摄像机与激光雷达信息融合的农业自主车辆前方障碍物检测方法。对单目摄像机获取的图像进行基于Ft（Frequency-tuned）算法的显著性检测,并生成显著图。同时对激光雷达反射点进行基于数据关联性评估的聚类分析,确定障碍物数量、边界与位置等先验信息。然后以激光雷达坐标相对应的图像像素坐标为种子点,由种子点激活经过处理的显著图,基于受限区域生长实现障碍物区域分割。试验结果表明,基于Ft算法的图像显著性检测具有更好的边缘检测效果,基于种子点的受限区域生长法可以有效地进行障碍物分割。在机器视觉的基础上融入激光雷达数据,可以更好地排除非障碍物的干扰,实现了障碍物的完整检出。     

基于显著性检测的黄瓜叶部病害图像分割算法

针对复杂背景下黄瓜叶部病害分割精度不高的问题,提出了一种基于显著性检测的黄瓜叶部病害图像分割算法。首先利用超像素将黄瓜图像分块,获取黄瓜叶片的边缘,并提出了一种超像素间权重计算方法和显著种子选取方法;然后通过流形排序计算显著图,对得到的显著图进行阈值分割,得到二值图像;再将二值图像与原图像进行掩码运算,得到黄瓜病害叶片;最后利用超绿特征和数学形态学对病害叶片进行分割得到病斑。对常见的黄瓜病害(白粉病、褐斑病、霜霉病、炭疽病)图像进行测试,结果表明该算法与Otsu算法和k-means算法相比,有效解决了冗余分割问题,错分率均在5%以内,算法平均执行时间均小于4 000 ms,分割效果更加精确,为后续构建黄瓜病害自动识别系统奠定了基础。