结合高光谱成像和机器学习的棉种年份鉴别

棉花精量播种技术目前已经在新疆兵团全面推广,该技术能精确实现一穴一粒的农艺技术指标,但是也对高质量棉种的筛选提出了更高的要求。为了避免播种往年活力不足的棉种而导致发芽率降低的问题,结合机器学习和近红外(NIR)高光谱成像技术(HSI)进行棉种年份精确鉴别,实现棉种的快速无损筛选。采集2016年—2019年近四年外观无明显差异的棉种各360粒,共1440粒棉种(按照3∶1∶1划分训练集、验证集和测试集)作为样本,按照每批60粒采集915~1698 nm范围的棉种高光谱图像,去除首尾两端噪声大的光谱,保留1002~1602 nm范围的光谱为原始数据。利用Savitzky-Golay(SG)平滑算法对光谱进行预处理,采用主成分载荷方法(PCA-loading)选取13个特征波段,基于全部光谱数据和特征波段(±10 nm)数据建立逻辑回归(LR)、偏最小二乘判别分析(PLS-DA)、支持向量机(SVM)、循环神经网络(RNN)、长短记忆网络(LSTM)和卷积神经网络(CNN)六种分类模型。使用全光谱数据建模时,六种分类模型在测试集上的鉴别准确率分别为96.27%,98.98%,99.32%,96.95%,97.63%和100%,其中CNN和SVM模型取得了较好的结果;使用特征光谱数据建模时,六种分类模型在测试集上的鉴别精度分别为93.56%,97.29%,98.30%,95.25%,94.24%和99.66%,其中CNN和SVM模型仍有较好的分类结果。结果表明,使用全光谱数据建模时,六种分类模型都可以实现较高精度的棉种年份鉴别,使用特征光谱数据建模时CNN和SVM模型的鉴别精度仍可达到98%;其中深度学习方法优于传统机器学习方法,但是传统机器学习方法仍能保持较好的鉴别准确率。因此,结合近红外高光谱成像技术和机器学习方法能够实现棉种年份的高精度鉴别,为棉花精量播种过程中的优质棉种选种技术提供理论依据和方法。

注重公路排水系统的设计和施工确保公路工程质量

本文通过对路基路面排水系统的综合分析,指出公路工程出现质量问题,其中一个重要原因是排水系统没有完善所致,从而指出:搞好公路排水系统,对保证公路的使用性能和使用寿命具有十分重要的作用。

学龄前儿童视觉发育状况调查研究

目的了解学龄前儿童视觉发育状况及斜弱视患病率。方法对4610名城乡3～6岁学龄前儿童进行随机抽样调查，项目包括视力、屈光状态、眼位、斜视弱视等。用）（2检验城乡及不同年龄视力分布差异。结果3岁、4岁、5岁和6岁组儿童视力1．0以上检出率分别为28．4％、39．3％、46．2％、76．5％，各年龄组视力主要分布3岁（0．63±0．19）、4岁（0．69±0．16）、5岁（0．71±0．22）、6岁（0．79±0．29），乡镇较城市儿童视力好。屈光状态以远视为主；显性斜视检出率为2．21％，外斜视多见于内斜视；隐性斜视检出率为33．52％，主要是外隐斜；弱视患病率以现行诊断标准为6岁组2．93％，5岁组4．81％，4岁组16．21％，3岁组33．33％。结论学龄前儿童视力随年龄增长而上升；国内弱视诊断中视力标准偏高，应尽快制定各年龄组弱视诊断视力标准。屈光不正、斜视和弱视是影响学龄前儿童正常视功能的主要因素，依然是儿童时期防盲治盲的重点。