基于改进残差神经网络的家蚕日龄识别模型

家蚕日龄的准确识别有助于精准饲喂和动物福利,因此为准确识别家蚕生长时期中3龄第1天至5龄第7天,共14个日龄,在实际环境下采集特定家蚕品种,构建以14个日龄为单位的数据集。提出一种基于改进残差神经网络的Moga-ResNet,该方法在经典残差神经网络ResNet50的基础上,引入多阶门控机制以获取日龄图像的显著性特征。通过在同一个家蚕日龄数据集上开展模型训练与测试得到,Moga-ResNet的识别准确率为96.57%,F1值为96.57%,召回率为96.62%,与Swin Transformer、MobileNet v3、CSPNet和DenseNet四个经典模型的评价指标相比,Moga-ResNet在家蚕的日龄识别中具有较强的识别能力,可以为开展家蚕精准饲喂和数字化管理相关工作提供基础。

创设“五重表征”教学模式,促进概念本质理解——以“共价键”为例

化学概念教学既是化学教学的重点,又是难点。在化学教学中,教师运用多重表征的模式呈现化学知识,引导学生对概念进行科学建构,使学生能有效促进对概念的深度加工和本质理解。本文基于“五重表征”教学模式的设计理念,运用数字化仿真实验作为辅助工具,对“共价键”教学案例设计了与之匹配的学生认知路径和教学流程,引导学生在宏观、微观、符号、曲线和模型之间完成不同知识表征的相互转化,帮助学生形成了螺旋上升的概念层次结构。“共价键”教学案例证明“五重表征”教学模式具备促进学生对概念本质理解的应用潜力。

深松作业下多机协同任务分配优化方法

任务分配方式对农业机械作业油耗影响显著。在多机协同多任务分配过程中,与将完整田块作业任务分配给单台农业机械相比,拆分各任务田块作业量并采用多农机协同作业能进一步降低作业油耗。为实现农业机群高效节能协同作业,该研究以深松作业为例,首先系统地分析机群协同作业过程油耗;然后建立以农机作业量为优化变量、以最低机群油耗和最短整体耗时为优化目标的多目标优化模型,并采用INSGA-Ⅱ算法对模型进行优化求解;最后基于实际深松作业案例,分析了所提模型的有效性和实用性。案例分析结果表明:与传统NSGA-Ⅱ算法相比,INSGA-Ⅱ算法可降低4.35%机群油耗及4.51%整体耗时;与传统作业方式相比,根据本文模型进行多机协同任务分配可降低5.51%机群油耗及42.65%整体耗时。研究结果可为无人农场多任务多农机作业分配提供科学依据。

基于深度学习的复杂自然环境下桑树枝干识别方法

在复杂自然环境下完成桑树枝干识别是实现桑叶采摘机智能化的关键部分,针对实际应用中光照条件变化多、桑叶遮挡和桑树分枝多等问题,提出一种基于深度学习的复杂自然环境下桑树枝干识别方法。首先,采用旋转、镜像翻转、色彩增强和同态滤波的图像处理方法扩展数据集,以提高模型的鲁棒性,通过Resnet50目标检测网络模型以及相机标定获得照片中所需的桑树枝干坐标,通过试验发现当学习率设置为0.001,迭代次数设置为600时模型的识别效果最优。该方法对于复杂自然环境中的不同光照条件具有良好的适应性,能够对存在多条分支以及被桑叶遮挡的桑树枝干进行识别并获取坐标信息,识别准确率达到87.42%,可以满足实际工作需求。

植物蛋白肉3D打印工艺参数优化

为提高植物蛋白肉3D打印品质,该研究探究了3D打印工艺参数对植物蛋白肉品质的影响。通过单因素试验,分析打印速度、喷嘴高度和挤压流量等3D打印工艺参数对植物蛋白肉的硬度、弹性和咀嚼性的影响。采用Box-Behnken Design响应面试验设计,分别建立硬度、弹性和咀嚼性的多元回归拟合模型,提出基于多目标烟花算法的植物蛋白肉硬度、弹性和咀嚼性的3D打印工艺参数优化方法。研究结果表明,打印速度为49.06 mm/s、喷嘴高度为1.21 mm、挤压流量为80.75 mm3/s时,植物蛋白肉硬度、弹性和咀嚼性分别为43.14 N、2.78 mm、75.92 mJ,与鸡肉品质相似度最高。优化结果与验证性试验结果相比,硬度相对误差为2.21%、弹性相对误差为5.48%、咀嚼性相对误差为2.52%。该研究通过3D打印工艺参数的优化改善了植物蛋白肉的品质,可为高品质植物蛋白肉研究与生产提供参考。