基于BERT+BiLSTM+CRF深度学习模型和多元组合数据增广的渔业标准命名实体识别

为解决渔业标准命名实体识别任务中部分实体语料分布稀疏导致的效果不佳问题,提出了基于多元组合数据增广(data augmentation method based on multiple combination,MCA)的渔业标准命名实体识别方法,该方法融合了基于领域词典的联合替换算法(joint replacement...     

光谱技术结合水分校正与样本增广的棉田土壤盐分精准反演

棉田土壤盐分的精准反演对于棉花的种植管理具有重要意义。水分和盐分作为主要环境因素,共同影响棉田土壤的波谱特征,两者之间的耦合关系直接影响土壤盐分的检测分析。为了提高基于光谱技术构建的模型对棉田土壤盐分信息解析的准确性与可靠性,该研究联用可见/短波近红外（400～1 000 nm）和长波近红外（960～1 693 nm）技术,采集不同含水率与含盐量的新疆地区土壤样本的光谱;结合外部参数正交法（external parameter orthogonalization,EPO）,校正不同标样集与不同波段光谱中的土壤含水率干扰信息;引入基于不同卷积步幅的深度卷积对抗网络（deep convolutional generative adversarial networks,DCGAN）,进行样本增广与质量评估;参考三层残差神经网络设计一维卷积神经网络RNet,最终构建基于EPO-DCGAN-RNet的优化模型,用于棉田土壤盐分的反演。结果表明,与传统机器学习方法和基于VGG或EfficientNet结构一维卷积神经网络相比,该研究提出的EPO-DCGAN-RNet方法能够有效地滤除水分对盐分反演的影响、提高模型对特征波段的挖掘能力、降低深度学习算法对样本量的依赖性,并能得到更优的模型预测性能。EPO-DCGAN-RNet的建模集R²和均方根误差分别为0.942、115.420 μS/cm,验证集R²和均方根误差分别为0.910和136.472 μS/cm。研究结果可为新疆棉田土壤盐分快速精准检测提供理论指导和技术支持,有助于促进盐碱地区棉花种植的水肥科学管理。     

矩形区组方“RBS”设计及树木育种中的应用Ⅱ.“RBS”增广设计

本文介绍矩形区组方“ＲＢＳ”增广设计及其在树木育种中的应用。“ＲＢＳ”增广设计的方差分析和遗传分析的数学模型，并举例介绍其计算过程。     

玉米株型性状的遗传表达和自交系与杂交种株型的聚类分析

以4×7交配模式共得正、反交F_1杂交组合56个。对包括这11个自交系在内的15个自交系和包括这56个组合在内的60个 F_1组合(另外4个 F_1组合均为正交)研究了13个玉米株型性状的遗传表达和亲子关系。根据上部第1～8片叶的叶夹角和棒三叶的叶向值等9个性状对15个自交系和32个杂交种分别进行聚类分析。得到如下主要结果:①13个株型性状的正、反交 F_1间差异不显著。②对13个株型性状的遗传模型和杂种优势来源作了初步推断。株高(PH)、穗上一叶叶向值(LOV1)、棒三叶叶向值(LOV3)、穗上叶平均叶夹角(AALA)、穗上平均叶间距(AILA)、穗下平均叶间距(AILB)和穗上平均叶长(ALLA)等性状的加性方差显著大于显性方差,说明这些性状的遗传主要来自加性作用。穗位高(EH)、雄穗分枝数(TB)、茎粗(SD)、单株叶面积(LAP)、棒三叶叶面积(ALNE)和穗上平均叶宽(ALWA)的遗传由加性和非加性共同决定。③按8个穗上叶夹角和 LOV3所作的聚类分析可以把玉米自交系和杂交种的株型分为紧凑型、近紧凑型、近平展型和平展型四类;并可从自交系和杂交种聚类分析结果的对比看出株型性状的亲子关系。④针对各株型性...     

玉米几个主要农艺性状的遗传研究

采用增广NCⅡ设计,研究玉米的株高、穗位高、穗长、穗粗、穗行数、粒长、百粒重和小区产量的遗传。结果表明,穗位高和百粒重符合加性-显性遗传模型,株高和穗行数除加性-显性效应外还有上位性效应,粒长和小区产量除加性效应外还有上位性效应,穗粗和穗长只有加性效应。显性性质:株高和穗位高平均为部分显性,百粒重和穗行数平均为超显性,显性方向株高、穗位高、百粒重和穗行数均为双向显性。     

海岛棉纤维比强度的配合力分析及遗传表达特点研究

应用增广ＮＣⅡ设计对１０个海岛棉品种（系）Ｆ１代纤维比强度进行了分析。配合力分析表明：父本间一般配合力差异显著，特殊配合力间存在着明显差异；海岛棉纤维比强度的遗传主要受加性作用控制１，显性作用和上位性作用显著；在非加性方差中，上位性作用比显性作用相对重要些；比强度的狭义遗传力较低。现有品种中，Ａ杂交铃是比强度最好的亲本。     

基于卷积评价及对抗网络的花粉、孢子图像增广算法

针对花粉、孢子图像特征复杂,样本稀缺及种类繁多制约图像检测识别效果的问题,建立基于自适应阈值分割的pix2pix图像增广模型.首先基于卷积评价改进自适应阈值分割算法,择优选取语义分割图像;其次构建pix2pix图像增广模型,将语义分割图像和原始图像建立标签映射用于模型训练,根据语义分割图像生成仿真图像,扩充样本数据集.结果表明,以149种花粉、孢子图像为样本,通过图像增广模型生成的花粉、孢子图像整体相似度达到85.40％;图像增广前Faster RCNN、YOLOv3检测模型的检测精准率分别为86.18％、85.64％,使用增广后的样本训练模型,检测精准率分别达到92.16％、90.57％,提升5.98个百分点和4.93个百分点.     

基于卷积神经网络的番茄叶部病害识别方法

【目的】利用卷积神经网络构建作物病害识别模型,提高识别性能,解决作物病害识别性能低、泛化效果差等问题。【方法】通过数据增广技术增加样本多样性,引入聚焦损失改进模型学习目标,解决样本非均衡问题,分析比较不同卷积神经网络结构的识别性能,并用类激活图生成技术度量模型的可靠性。在番茄叶部病害数据集上验证方法的有效性。【结果】应用数据增广技术后,模型在简单背景样本上的识别准确率提高了1.0%,在复杂背景样本上提高了12.5%;聚焦损失使模型的准确率提高了0.1%;该模型的识别准确率为99.8%,对各类病害的召回率在97.3%以上;应用类激活图技术生成的显著性图可有效标识模型在识别过程中的重点关注区域。【结论】该方法能够有效解决病害图像样本非均衡问题,提高了病害识别模型的泛化性能,同时类激活图可以用于分析模型的可靠性,从而为番茄叶部病害防治提供参考。