针对不同环境、多性状条件下优良品种选择效率低下的问题,探讨整合环境型鉴定技术(envirotyping techniques,ET)和多性状选择对黄淮海夏玉米区试参试品种进行综合评价,以期为品种合理布局提供理论依据。本研究以2016—2017年黄淮海夏玉...针对不同环境、多性状条件下优良品种选择效率低下的问题,探讨整合环境型鉴定技术(envirotyping techniques,ET)和多性状选择对黄淮海夏玉米区试参试品种进行综合评价,以期为品种合理布局提供理论依据。本研究以2016—2017年黄淮海夏玉米组区域试验数据为材料,基于当年19个环境协变量信息采用ET将40个试点划分为不同生态区(mega-environments,ME)。采用品种-产量×性状(genotype by yield×trait,GYT)双标图技术对不同生态区(mega-environments,ME)籽粒产量与生育期、株高、穗位高、倒伏率、空秆率、穗长、秃尖、穗行数、穗粒重、百粒重、茎腐病和黑粉病等农艺性状的组合表现进行综合评价,研究GYT双标图技术在玉米区域试验多性状评价中的作用。AMMI方差分析表明,2016年被测农艺性状基因型、环境和互作效应均达到了极显著水平(P<0.01),2017年被测农艺性状除穗位高互作效应不显著外,其余性状基因型、环境和互作效应均达到了极显著水平。根据当年气象因子信息将位于8个省份的40个试点划分为4个ME,降水亏缺(dbp)、饱和水汽压差(vpd)、相对湿度(rh)和最高温度(Tmax)在5个物候期中呈现出较大的变化趋势。GYT双标图与ME结合,可以筛选出不同ME的优势品种。2016年参试品种中,衡玉321和冀丰118在划定的4个ME中均表现出丰产性突出、稳定性较好的特征,属于丰产稳产型品种。而潞玉36和潞研1502则属于参试品种中丰产性、稳定性均较差的品种。2017年参试品种中,DK56在ME2和ME4试点中产量-性状组合表现较为协调,DK205和衡玉6105分别在ME1和ME3生态区中有较好的表现。对照品种郑单958两年区域试验表现出较好的稳定性但丰产性一般。基于环境型鉴定技术划分生态区与GYT双标图相结合对参试品种的丰产性、适应性和稳定性进行评价,实现品种推广的精细定位,为黄淮海夏玉米区品种多性状综合评价提供理论基础。展开更多
[目的]本文旨在解决在自然环境下不同成熟度苹果目标检测精度较低的问题。[方法]提出了一种改进的YOLOv5s模型SODSTR-YOLOv5s(YOLOv5s with small detection layer and omni-dimensional dynamic convolution and swin transformer bloc...[目的]本文旨在解决在自然环境下不同成熟度苹果目标检测精度较低的问题。[方法]提出了一种改进的YOLOv5s模型SODSTR-YOLOv5s(YOLOv5s with small detection layer and omni-dimensional dynamic convolution and swin transformer block),用于不同成熟度苹果检测。首先改进YOLOv5s的多尺度目标检测层,在Prediction中构建检测160×160特征图的检测头,提高小尺寸的不同成熟度苹果的检测精度;其次在Backbone结构中融合Swin Transformer Block,加强同级成熟度的苹果纹理特征融合,弱化纹理特征分布差异带来的消极影响,提高模型泛化能力;最后将Neck结构的Conv模块替换为动态卷积模块ODConv,细化局部特征映射,实现局部苹果细粒度特征的充分提取。基于不同成熟度苹果数据集进行试验,验证改进模型的性能。[结果]改进模型SODSTR-YOLOv5s检测的精确率、召回率、平均精度均值分别为89.1%、95.5%、93.6%,高、中、低成熟度苹果平均精度均值分别为94.1%、93.1%、93.7%,平均检测时间为16 ms,参数量为7.34 M。相比于YOLOv5s模型,改进模型SODSTR-YOLOv5s精确率、召回率、平均精度均值分别提高了3.8%、5.0%、2.9%,参数量和平均检测时间分别增加了0.32 M和5 ms。[结论]改进模型SODSTR-YOLOv5s提升了在自然环境下对不同成熟度苹果的检测能力,能较好地满足实际采摘苹果的检测要求。展开更多
文摘针对不同环境、多性状条件下优良品种选择效率低下的问题,探讨整合环境型鉴定技术(envirotyping techniques,ET)和多性状选择对黄淮海夏玉米区试参试品种进行综合评价,以期为品种合理布局提供理论依据。本研究以2016—2017年黄淮海夏玉米组区域试验数据为材料,基于当年19个环境协变量信息采用ET将40个试点划分为不同生态区(mega-environments,ME)。采用品种-产量×性状(genotype by yield×trait,GYT)双标图技术对不同生态区(mega-environments,ME)籽粒产量与生育期、株高、穗位高、倒伏率、空秆率、穗长、秃尖、穗行数、穗粒重、百粒重、茎腐病和黑粉病等农艺性状的组合表现进行综合评价,研究GYT双标图技术在玉米区域试验多性状评价中的作用。AMMI方差分析表明,2016年被测农艺性状基因型、环境和互作效应均达到了极显著水平(P<0.01),2017年被测农艺性状除穗位高互作效应不显著外,其余性状基因型、环境和互作效应均达到了极显著水平。根据当年气象因子信息将位于8个省份的40个试点划分为4个ME,降水亏缺(dbp)、饱和水汽压差(vpd)、相对湿度(rh)和最高温度(Tmax)在5个物候期中呈现出较大的变化趋势。GYT双标图与ME结合,可以筛选出不同ME的优势品种。2016年参试品种中,衡玉321和冀丰118在划定的4个ME中均表现出丰产性突出、稳定性较好的特征,属于丰产稳产型品种。而潞玉36和潞研1502则属于参试品种中丰产性、稳定性均较差的品种。2017年参试品种中,DK56在ME2和ME4试点中产量-性状组合表现较为协调,DK205和衡玉6105分别在ME1和ME3生态区中有较好的表现。对照品种郑单958两年区域试验表现出较好的稳定性但丰产性一般。基于环境型鉴定技术划分生态区与GYT双标图相结合对参试品种的丰产性、适应性和稳定性进行评价,实现品种推广的精细定位,为黄淮海夏玉米区品种多性状综合评价提供理论基础。
文摘[目的]本文旨在解决在自然环境下不同成熟度苹果目标检测精度较低的问题。[方法]提出了一种改进的YOLOv5s模型SODSTR-YOLOv5s(YOLOv5s with small detection layer and omni-dimensional dynamic convolution and swin transformer block),用于不同成熟度苹果检测。首先改进YOLOv5s的多尺度目标检测层,在Prediction中构建检测160×160特征图的检测头,提高小尺寸的不同成熟度苹果的检测精度;其次在Backbone结构中融合Swin Transformer Block,加强同级成熟度的苹果纹理特征融合,弱化纹理特征分布差异带来的消极影响,提高模型泛化能力;最后将Neck结构的Conv模块替换为动态卷积模块ODConv,细化局部特征映射,实现局部苹果细粒度特征的充分提取。基于不同成熟度苹果数据集进行试验,验证改进模型的性能。[结果]改进模型SODSTR-YOLOv5s检测的精确率、召回率、平均精度均值分别为89.1%、95.5%、93.6%,高、中、低成熟度苹果平均精度均值分别为94.1%、93.1%、93.7%,平均检测时间为16 ms,参数量为7.34 M。相比于YOLOv5s模型,改进模型SODSTR-YOLOv5s精确率、召回率、平均精度均值分别提高了3.8%、5.0%、2.9%,参数量和平均检测时间分别增加了0.32 M和5 ms。[结论]改进模型SODSTR-YOLOv5s提升了在自然环境下对不同成熟度苹果的检测能力,能较好地满足实际采摘苹果的检测要求。