基于YOLO v8n-seg和改进Strongsort的多目标小鼠跟踪方法

多目标小鼠跟踪是小鼠行为分析的基本任务,是研究社交行为的重要方法。针对传统小鼠跟踪方法存在只能跟踪单只小鼠以及对多目标小鼠跟踪需要对小鼠进行标记从而影响小鼠行为等问题,提出了一种基于实例分割网络YOLO v8n-seg和改进Strongsort相结合的多目标小鼠无标记跟踪方法。使用RGB摄像头采集多目标小鼠的日常行为视频,标注小鼠身体部位分割数据集,对数据集进行增强后训练YOLO v8n-seg实例分割网络,经过测试,模型精确率为97.7%,召回率为98.2%,mAP50为99.2%,单幅图像检测时间为3.5 ms,实现了对小鼠身体部位准确且快速地分割,可以满足Strongsort多目标跟踪算法的检测要求。针对Strongsort算法在多目标小鼠跟踪中存在的跟踪错误问题,对Strongsort做了两点改进:对匹配流程进行改进,将未匹配上目标的轨迹和未匹配上轨迹的目标按欧氏距离进行再次匹配;对卡尔曼滤波进行改进,将卡尔曼滤波中表示小鼠位置和运动状态的小鼠身体轮廓外接矩形框替换为以小鼠身体轮廓质心为中心、对角线为小鼠体宽的正方形框。经测试,改进后Strongsort算法的ID跳变数为14,MOTA为97.698%,IDF1为85.435%,MOTP为75.858%,与原Strongsort相比,ID跳变数减少88%,MOTA提升3.266个百分点,IDF1提升27.778个百分点,与Deepsort、ByteTrack和Ocsort相比,在MOTA和IDF1上均有显著提升,且ID跳变数大幅降低,结果表明改进Strongsort算法可以提高多目标无标记小鼠跟踪的稳定性和准确性,为小鼠社交行为分析提供了一种新的技术途径。

基于深度学习的小麦抗旱相关根系表型原位测量与分析

根系是植物吸收水分的主要通道,根系表型与植物抗旱能力息息相关。为了快速准确地获取小麦根系表型指标,利用土培根盒法进行了小麦干旱胁迫实验,共采集18个时间点的根系时序图像。设计了一套基于深度学习的根系图像处理与分析流程,针对土壤遮蔽引起的断根问题,提出了一种融合目标检测网络和沙漏注意力网络的检测-修复两阶段断根修复方法,以修复根系断裂区域,并通过多尺度训练和自适应迭代法提高修复精度和鲁棒性。提取了小麦在干旱胁迫和对照处理下的根面积、总根长、根宽、根深、根宽深比、根密度6个表型性状,分析了小麦根系对干旱胁迫的表型响应。结果显示,干旱胁迫下,小麦会有更低的根系生物量、更深的根系扎根深度及更分散的根系构型。同时计算了小麦根系干旱胁迫耐受性指数,结合主成分分析法,对小麦品种的抗旱能力进行了描述和排序。

玉米典型叶部病害高光谱识别及其烈度分类

[目的/意义]近年来,玉米叶部病害发生日趋加重且呈现混发现象,严重威胁玉米产量和品质。但目前鲜有研究对叶部病害种类识别及其烈度分类进行结合,无法满足实际场景中玉米不同病害及不同烈度混发下的病害防控需求。[方法]提出一种基于高光谱技术实现玉米典型叶部病害种类识别及其烈度分类的方法,通过挖掘玉米大斑病、小斑病和南方锈病3种叶部病害的光谱特性,优选敏感特征构建基于病害发展全阶段(包含病害所有烈度)和病害单一烈度下的病害种类识别模型;进一步地,针对玉米叶部单一病害构建烈度分类模型,以期实现对不同叶部病害的全过程识别与病害烈度分类。[结果和讨论]3种玉米叶部病害在550~680 nm的可见光、740~760 nm的红边、760~1000 nm的近红外和1300~1800 nm的短波红外处其光谱变化显著。基于此提取的光谱特征能够有效捕捉病害特异性信息。基于病害发展全阶段构建的病害种类识别模型最优总体精度(Overall accuracy,OA)达77.51%,Macro F_(1)达0.77;而基于病害单一烈度下的病害种类识别模型精度随着病害烈度的增加而升高。在病害发展阶段处于重度烈度时,病害种类识别模型最优精度达95.06%,Macro F_(1)达0.94。此外,研究构建的3种玉米叶部病害烈度分类模型最优精度均超过70%,其中大斑病烈度分类效果最好(OA=86.25%,Macro F_(1)=0.85)。[结论]基于高光谱数据能够有效实现玉米典型叶部病害种类识别及其烈度分类,为大范围作物病害监测提供研究基础及理论依据,助力精准防控与绿色农业。

基于Micro-CT和改进DeepSORT的再生稻再生芽追踪计数与再生力评价

再生稻具有一种两收的优势,其再生力直接决定了水稻再生季产量,而水稻再生力与再生季再生芽的数量密切相关。传统人工水稻再生芽检测方法存在接触损伤、主观低效和重复性差等缺点,该研究提出了一种基于MicroCT(computed tomography)和改进的DeepSORT(simple online and realtime tracking)的再生芽多目标追踪计数和再生力评价方法。首先采用Micro-CT成像获取再生季水稻断层图视频流,然后利用YOLOv5s网络作为再生芽追踪检测器,最后通过改进的DeepSORT追踪算法实现水稻再生芽的精准追踪计数。其中DeepSORT改进包括优化再生芽追踪过程中的ID错误;增加再生芽目标追踪的匹配次数,改善ID跳变的问题;计算再生芽的高度信息,实现对再生芽中有效芽的判别。试验结果表明,在目标检测上,YOLOv5s对再生芽和茎秆的平均检测准确率分别为97.3%和99.1%,在再生芽多目标追踪上,改进的DeepSORT算法的多目标跟踪准确度为77.61%,高阶跟踪精度为61.73%,ID跳变为6,与改进之前相比,多目标跟踪准确度和高阶跟踪精度分别提升了1.5和8.5个百分点,ID跳变降低了94%。对8种不同处理共104盆水稻再生芽进行追踪计数,将系统测量值与人工测量值进行统计对比,结果证明本文方法测量的再生芽数量和人工观测值的决定系数为0.983,均方根误差为3.460,平均绝对百分比误差为5.647%,两者具有较高的回归性。研究基于有效再生芽和茎秆数量的比值得到水稻早期再生力,对2个水稻品种共38盆水稻的再生力和再生季实际产量进行相关分析得到决定系数分别为0.795和0.764。该研究为水稻再生芽无损检测和再生力早期评价提供了一种技术途径。

基于改进Faster R-CNN和Deep Sort的棉铃跟踪计数

棉铃作为棉花重要的产量与品质器官,单株铃数、铃长、铃宽等相关表型性状一直是棉花育种的重要研究内容。为解决由于叶片遮挡导致传统静态图像检测方法无法获取全部棉铃数量的问题,提出了一种以改进Faster R-CNN、Deep Sort和撞线匹配机制为主要算法框架的棉铃跟踪计数方法,以实现在动态视频输入情况下对盆栽棉花棉铃的数量统计。采用基于特征金字塔的Faster R-CNN目标检测网络,融合导向锚框、Soft NMS等网络优化方法,实现对视频中棉铃目标更精确的定位;使用Deep Sort跟踪器通过卡尔曼滤波和深度特征匹配实现前后帧同一目标的相互关联,并为目标进行ID匹配;针对跟踪过程ID跳变问题设计了掩模撞线机制以实现动态旋转视频棉铃数量统计。试验结果表明:改进Faster R-CNN目标检测结果最优,平均测量精度mAP75和F1值分别为0.97和0.96,较改进前分别提高0.02和0.01;改进Faster R-CNN和Deep Sort跟踪结果最优,多目标跟踪精度为0.91,较Tracktor和Sort算法分别提高0.02和0.15;单株铃数计数结果决定系数、均方误差、平均绝对误差和平均绝对百分比误差分别为0.96、1.19、0.81和5.92%,与人工值具有较高一致性,开发的棉铃跟踪软件可以实现对棉铃的有效跟踪和计数。

基于VFNet-Improved和Deep Sort的棉花黄萎病病情分级

棉花是全球最重要的经济作物之一,而黄萎病是世界主要棉花生产区的第一大病害,黄萎病病原菌通过感染棉花的根部使叶片萎蔫、褪色以致脱落,导致棉花质量和产量严重下降。国家标准将患黄萎病叶片划分为5个等级,传统检测方法主要依赖人工,存在主观、低效、重复性差等问题,因此提出一种以VFNet-Improved、Deep Sort和撞线匹配机制为主要算法框架的棉花黄萎病病情分级方法,实现在旋转视频输入情况下对患病叶片的数量统计和病情等级的划分。研究首先基于VFNet目标检测网络,融合多尺度训练、动态卷积等优化方法,实现对旋转视频中患病叶片的精准定位;然后采用Deep Sort跟踪器实现前后帧同一叶片的相互关联,并针对跟踪过程ID跳变问题设计了掩膜撞线匹配机制;最后使用OpenCV对经过掩膜线的叶片进行特征提取与患病分级的划分。试验结果表明,VFNet-Improved可以有效改善棉花患病叶片识别精度,mAP75达到0.906,较改进前VFNet模型提升了0.012,帧率FPS为12.9帧/s;Deep Sort跟踪器跟踪效果MOTA为0.835,对患病叶片数量统计结果R2、RMSE、MAE与MAPE分别为0.890、5.138、4.300和14.967%,与人工统计值具有较高一致性。本研究为棉花黄萎病病情精准、高效鉴定提供一种新的科学工具,对棉花抗病品种筛选和遗传机制解析具有重要意义。

基于水稻种粒高光谱的品质性状预测方法

为探究作物种子品质性状无损检测方法,以100份水稻核心种质资源为试验材料,基于近红外高光谱相机采集水稻种粒的透射、反射光谱数据并提取光谱参数,水稻种粒脱壳后使用近红外谷物分析仪测定米粒品质;以水稻种粒光谱参数为自变量、米粒品质指标为因变量,建立米粒品质预测模型。结果显示,使用单一光谱建模时,透射光谱建模效果优于反射光谱建模效果;结合透射-反射特征光谱集合建模可使粗蛋白预测模型R2从0.74提高至0.91,可使直链淀粉预测模型R2从0.40提高至0.69,可使水分预测模型R2从0.53提高至0.68。结果表明,使用水稻种粒光谱参数可无损预测稻米品质,同时利用透射、反射光谱可提升建模效果。

基于多源数据的马铃薯植株表型参数提取

作物具有结构多样、生长环境复杂等特征。RGB图像数据能真实地反映植株的纹理特征与颜色特征,三维点云数据包含了作物的体量信息。将RGB图像和三维点云数据结合,实现作物的二维和三维表型参数提取,对表型组学的方法研究具有重要意义。本研究以马铃薯为研究对象,使用RGB相机和激光扫描仪分别采集了50个马铃薯的RGB图像与三维激光点云数据。对比了OCRNet,UpNet,PaNet和DeepLab v3+四种深度学习语义分割方法的分割精度,并选择精度较高的OCRNet网络实现马铃薯顶视图像的语义分割。优化了Mean shift聚类算法流程,完成了马铃薯植株激光点云的单株分割,并结合欧式聚类和K-Means聚类算法对单株马铃薯植株点云的茎和叶进行准确地分割。同时,提出一种利用编号建立马铃薯单株RGB图像和激光点云间一一对应关系的策略,并以此为基础分别从RGB图像与激光点云中提取同一马铃薯植株包括最大宽度、周长、面积、株高、体积、叶长与叶宽在内的8个二维表型参数与10个三维表型参数。最后,选择了比较具有代表性、易测量的叶片数、株高、最大宽度三个表型参数进行精度评估,平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)分别为8.6%、8.3%和6.0%,均方根误差(Root Mean Square Error,RMSE)分别为1.371片、3.2 cm和1.86 cm,决定系数R2分别为0.93、0.95和0.91。精度评估的结果表明,所提取的表型参数能够准确、高效地反映马铃薯的生长状态,将马铃薯的RGB影像数据与三维激光点云数据相结合,能够充分发挥RGB图像纹理颜色特征丰富、三维点云能够提供体量信息的优势,实现马铃薯植株二维与三维表型参数高精度、非破坏性的提取。本研究成果不仅可以为马铃薯的种植和育种提供重要的技术支持,还可以为基于表型数据的研究提供有力支持。

加强大学生感恩教育 实现社会和谐发展

文章通过对当代大学生感恩意识缺失现状及原因的分析,提出了在构建和谐社会中,如何加强大学生感恩教育,进而实现人与自我、人与社会、人与自然的三大和谐。

大学生失信行为心理分析与诚信重建对策初探

文章针对当代大学生中几种典型的失信行为,包括考试作弊、还贷违约和就业中的违约等,从马斯洛需求理论分别进行了分析,进而从社会、大学生自身以及健全规章制度等几个方面进一步探讨了大学生诚信重建的对策。

高等教育人才培养改革探讨——农业高校多学科交叉人才培养

人才是推动国家发展进步的核心动力,随着各个学科高新技术的飞速发展,传统高等教育中的单一学科教学不利于高级人才的培养。应当提倡发展交叉学科,并提倡实践应用和基础教育并重。我国是农业大国,农业发展是根本,随着农业学科的不断发展和实际需要,注重农业学科和多种学科的融合,为培养更为全面的高素质农业科技人才创造良好的条件和环境。

互联网下的高校思想政治工作初探

随着互联网技术的发展和上网人数的迅速增加,网络文化对社会生活的影响越来越大,而作为中国社会'网络化'发展前沿的高校,思想政治工作面临着许多新情况、新问题。我们必须充分认识加强和改进网络环境下高校思想政治工作的重要意义,认真研究网络环境下高校思想政治工作的特点和规律,积极探索进一步加强和改进高校思想政治工作的新途径和新方法,努力用社会主义精神文明去占领网络文化阵地,为深化教育改革,全面推进素质教育,提供强有力的精神支柱和思想保证。

小麦分蘖形态学特征X射线-CT无损检测

针对传统小麦分蘖形态学特征需采用人工接触或有损方法获取,不仅过程繁琐、主观性强而且会影响小麦后续生长。为实现小麦分蘖性状快速、准确、无损测量,该文提出一种基于X射线断层成像的小麦分蘖形态学特征提取方法。首先构建了小麦分蘖X-ray CT断层扫描成像系统,采用滤波反投影(filtered back projection,FBP)断层重建算法和图形处理单元(graphics processing unit,GPU)加速算法快速获取小麦分蘖茎秆断层图像,设计了专门的分蘖图像分析算法实现对小麦分蘖形态学特征参数(分蘖数、分蘖角度、分蘖茎粗和分蘖壁厚)的无损检测。该研究对107株小麦植株测量结果表明:分蘖数测量准确率可达100%,分蘖角度、茎粗和壁厚的平均测量误差分别为3.65%,4.84%和7.86%。该技术相较于人工测量方法和石蜡切片方法,能够对小麦分蘖形态学特征进行较为精准无损检测,实现单株测量效率约200 s,对于小麦功能基因组和抗倒伏能力品种的筛选具有重要的研究意义。

基于结构光三维点云的棉花幼苗叶片性状解析方法

针对传统的棉花叶片表型测量方法主观、低效,对复杂性状如卷叶程度、黄叶占比等很难量化的问题,提出一种基于结构光三维成像的棉花幼苗叶片性状解析方法。首先,采用结构光扫描仪获取棉花幼苗的三维点云数据;然后,利用直通滤波、超体聚类、条件欧氏距离算法,实现叶片点云的识别与分割;最后,基于分割的叶片点云,采用三角面片化、随机采样一致性、Lab颜色分割等处理,实现叶片面积、周长、生长角度、卷曲度、黄叶占比等参数的快速、准确、无损提取。对40株棉花幼苗进行三维结构光成像试验,结果表明,3D叶片面积、周长测量的平均绝对误差分别为2.59%、2.85%,具有较高的测量精度,还证明叶片卷曲度和黄叶占比能显著区分病叶和正常叶。

基于颜色特征和BP神经网络的大米加工精度判别方法研究

提出了基于颜色特征和BP神经网络判别大米加工精度的方法。设计了基于机器视觉的大米加工精度检测装置采集大米图像,利用图像处理技术对获取的大米图像进行预处理,提取大米籽粒目标图像;在大米籽粒腹部确定半径为R的圆形区域作为颜色特征值提取区域,将颜色特征值提取区域按面积平均分成5个同心圆子区域,提取每个子区域的R、G、B颜色值,并将颜色值转成色调H值作为描述大米籽粒表面加工精度的颜色特征值,以5个颜色特征值作为输入值,采用BP神经网络对大米的加工精度进行检测。试验结果表明:该方法对4种不同加工精度大米样品籽粒检测的平均准确率为92.17%。

基于PLC的网络温度监控系统的研究

利用PLC的PWM指令和PID指令,通过Profibus总线建立了由PC、CPU315-2-DP、CPU224构成的网络温度控制系统,详细讨论了温度检测算法以及PID控制算法,给出了软件设计流程图,介绍了温度监控系统的设计。实验表明,系统可靠性、温度性高,控制精度可以达到10℃,具有实际应用价值。

基于时间序列的玉米叶片性状动态提取方法研究

玉米叶片性状对生长发育、遗传育种及功能基因解析研究具有重要意义,而传统的测量方式效率低、主观性强、测量性状少,已无法满足现代玉米研究的需求,为此提出一种基于时间序列的玉米叶片性状动态追踪技术。研究基于高通量作物表型平台,针对100份玉米品种资源,每间隔3 d获取8个玉米生长点图像;利用图像分割、叶片骨架提取等算法得到单片叶长、叶角度、叶弯曲度参数;基于叶片相对位置信息实现玉米叶片的动态追踪及标记。试验结果和人工测量值相比,叶长和叶夹角测量误差分别为0.92%和3.32%。叶片追踪可以得到叶片的动态变化过程,计算获取叶片长度的平均生长率及叶片弯曲度的变化分布。

边缘计算在智慧农业中的应用现状与展望

互联网技术快速发展使得数据量剧增,云计算的数据集中处理模式存在实时性不足、能耗过高以及数据安全等一系列问题。边缘计算是在靠近数据源端执行计算的分散处理模式,与云计算相比具有低延迟、低成本、安全性高、个性化设计等优势。随着智慧农业迅速发展,结合深度学习的农业应用屡见不鲜,如作物病害检测、生长环境监测、作物自动采摘、无人农场管理等,边缘计算可以为农业多场景、复杂任务提供高效、可靠的新型数据处理方案。该研究概述了边缘计算的发展,计算架构及主要优势;介绍了边缘计算在农业中的应用背景,结合文献量分析,归纳了边缘计算在农业上的主要应用场景及相关智能农业装备,调研了现有常用边缘计算设备及性能参数,总结了适合边缘计算的主流深度学习算法及模型压缩方法。研究表明边缘计算在智慧农业中的应用有效促进了农业的数字化、智能化,未来在多场景、多功能边缘计算智能农业装备开发等领域将面临重大挑战和机遇。

基于运动恢复结构的玉米植株三维重建与性状提取

针对传统的玉米植株性状测量方法存在主观性强、劳动强度大、有损伤等问题,提出了基于运动恢复结构(Structure from motion,SfM)的户外玉米植株三维重建方法,并提取了株高、单株最小包围盒体积、茎粗、叶面积、叶片数、叶夹角等11个性状参数。采用前期研制的小车,在户外采集不同视角下的玉米植株图像(采集间距为5~6 cm),基于SfM算法获取玉米植株三维点云;运用直通滤波、圆柱拟合和条件欧氏聚类算法自动分割单株、茎秆和叶片等点云数据,基于距离最值遍历、三角面片化等算法实现株高、茎粗、叶面积等11个性状的准确、无损测量。结果表明,与人工测量值相比,测得的株高、茎粗和叶面积的平均绝对百分比误差分别为3.163%、4.760%和19.102%,均方根误差分别为3.557 cm、1.540 mm、48.163 cm2,决定系数分别为0.970、0.842、0.901。研究表明,本文方法适用于作物表型户外测量,为表型研究提供了一种新的作物表型户外测量方法,同时还证明,株高和单株最小包围盒体积可以显著区分低地上部生物量玉米植株和高地上部生物量玉米植株。

基于磁导引的履带式小车作物图像自动采集系统设计与试验

为实现自动高效获取农作物的生长图像,设计了1种适用于旱田作物的高通量履带式小车图像采集系统。系统采用磁导引传感器和磁条实现小车在田间按路径自动行走;采用履带式小车底盘结构以保证系统在田间复杂环境下能稳定运行;在小车支架两侧分别安装俯视和侧视相机,可同时采集2个作物行的俯视图和侧视图,以提高工作效率;运用无线通信技术远程监控小车运行情况;系统顶端安装太阳能电池板,为小车在运行时补充电能。以盆栽玉米植株为研究对象,用该系统采集了玉米幼苗期到抽穗期的植株图像,结果表明,该系统运行稳定可靠,在旱田以0.1 m/s速度作直线行驶时,绝对误差小于2 cm,最小转弯半径为0.5 m,连续采集模式下单个相机采集效率为30张/min,能满足实际需求。