新鲜烟叶的成熟度对烤后烟叶的质量有显著影响,可于烘烤前完成不同成熟度的新鲜烟叶分选,并对各成熟度采用特定烘烤工艺,以提高烘烤后的烟叶质量.以云烟87的新鲜烟叶为试验样本,将采集的新鲜烟叶分为上部叶、中部叶、下部叶,并依据不同部位成熟度划分为欠熟、成熟、过熟.采用YOLO v5s目标检测算法,利用卷积神经网络提取新鲜烟叶的不同成熟度特征,完成不同部位新鲜烟叶的成熟度识别试验,并与Faster-RCNN、Mask-RCNN检测模型的测试结果进行对比.结果表明,YOLO v5s对云烟87不同部位新鲜烟叶成熟度检测的总体mAP值分别为99.1％、97.5％、98.5％,单幅图像检测平均时间为29～30 ms.3种模型的对比试验中,Mask-RCNN、Faster-RCNN测试的mAP值均低于YOLO v5s,单幅图像检测平均时间均远高于YOLO v5s.采用YOLO v5s训练的不同部位新鲜烟叶的检测模型,在检测速度与精准度方面基本满足对新鲜烟叶成熟度识别的生产要求.
为探究不同浓度的锌、硼、氮、磷配方施肥处理对福建柏[Fokienia hodginsii(Dunn)Henry et Thomas]种子园产量和叶片光合特性的影响,旨在为营建高产稳产的福建柏种子园提供科学的理论依据,以福建省安溪县丰田国有林场福建柏种子园为研究对象,采用5因素4水平L16(45)正交试验设计,分析不同浓度的锌、硼、氮、磷配方施肥对福建柏种子园母树的球果表型、产量、种子数量和叶片光合特性的影响.结果表明,不同配方施肥处理下的福建柏种子园产量相比于对照组均有所提高,以处理11(0.4％浓度ZnSO4、0.3％浓度硼酸、0.3 kg/株氮肥和0.5 kg/株磷肥)的施肥促进效果最佳,果长、果径、单果种子数、球果产量、种子产量较对照组分别提高了 30％、18.7％、44.4％、112.3％、206.2％,处理1的施肥促进效果最低.不同配方施肥处理对福建柏叶片的光合特性存在显著性差异(P＜0.05),其中处理11的施肥效果最佳,净光合速率(Pn)、气孔导度(Gs)、蒸腾速率(T,)和水分利用效率(WUE)分别比对照组增加了 345.7％、1 100％、456.2％、340.8％,胞间二氧化碳浓度(Ci)值比对照组降低了 36.9％,处理1的施肥效果最小.通过综合分析产量指标和光合指标之间的相关性发现,福建柏叶片Gs、WUE 与球果产量和种子产量呈显著正相关(P＜0.05).叶片Ci与球果产量和种子产量呈显著负相关(P＜0.05).综上所述,在实际生产中,0.4％浓度ZnSO4、0.3％浓度硼酸、0.3 kg/株氮肥和0.5 kg/株磷肥的混合配方施肥更利于福建柏母树生长,达到种子园增产、稳产的目的.
为探讨水肥耦合对番茄产量和品质的影响,以设施番茄为研究对象,采用水肥一体化技术盆栽栽培,设置3种单株灌水量水平(W1,60％θF;W2,70％θF;W3,80％θF)与3个肥料浓度(F1∶1/4常规用肥;F2∶1/2常规用肥;F3∶3/4常规用肥),以常规灌水施肥处理作为对照,测定相关形态指标、品质指标及产量.结果表明,水肥耦合对日光温室番茄产量和品质具有显著影响,番茄产量随肥料用量的增加表现出先增加再减少的趋势;水分利用效率随施肥量的增加呈下降趋势,合理施肥有利于提高水分利用效率;W2F2和W3F3条件下番茄综合品质较高;适当降低灌水量有利于番茄品质的提高,过多的水分或肥料均会造成番茄品质下降.综合考虑品质、产量、水分利用效率等因素,长春地区日光温室番茄选择W2(70％θF)F2(1/2常规用肥)作为最优水肥组合.
针对水稻病害图像识别中浅层特征无法记忆、深层特征提取不充分、序列特征鲁棒性较弱等问题,提出一种将CNN与BiLSTM相结合的水稻病害识别新方法.首先,利用卷积神经网络自动提取水稻病害的浅层特征;然后,利用BiLSTM中各个循环单元之间的反馈链接可以充分挖掘和记忆水稻特征序列数据中的上下文相关信息和位置信息的优势,将浅层特征与序列特征结合形成一个新的特征序列,解决了特征无法记忆、提取不足的问题;最后,使用全局平均池化层代替全连接层,以减少参数、防止过拟合.针对自建的水稻病害数据库,试验结果显示:所提出模型的水稻病害平均识别精确率达到了 99.38％,与CNN和CNN-LSTM模型相比,所提出模型分别提高0.63、1.38百分点.同时,在召回率和F1值上也显现出了优势,分别达到99.42％、99.39％.因此,所提出的方法提升了水稻病害识别精确率,可应用于实际的水稻病害诊断中.
精确识别与分类复杂场景下水稻害虫对水稻病害治理与产量提升具有重要的研究意义,提出一种基于多原型指导的小样本水稻害虫识别与分类模型.首先,利用Vision Transformer网络作为主干网络进行特征映射,将水稻害虫图片映射到深度特征空间;其次,利用可微分的超像素聚类算法实现深度特征图中类特定原型的聚类分组,构造水稻多类型害虫的特征表达;再次,提出一种双通道特征融合注意力模块实现水稻害虫支持特征和查询特征的深度融合;最后,利用无参数的度量学习算法计算待测水稻病虫害图片特征与深度融合特征之间的距离,根据距离值实现待测病虫害图片的识别与分类.试验结果表明,所提出的水稻害虫识别模型可以实现0.955的识别准确率、0.941的精确率、0.949 的召回率和 0.962 的F1值,与 AlexNet、ResNet、YOLO v5、Vgg-16、Inception v3和LeNet5等模型相比,所提出模型的各项指标表现良好.该方法的提出为农作物害虫的智能化识别提供了新的思路.
