基于滑模技术的液态肥流量高精度控制方法

为了提高液态化肥的利用率,提出了一种基于滑模技术的液态肥流量高精度控制方法。首先,分析了电动调节阀控制液态肥流量的工作过程,并建立了液态肥流量控制模型;然后,针对电动调节阀中的阀门开度、电机转速和电机角加速度设计了积分滑模面,并提出了滑模控制律;最后,对液态肥流量控制系统进行了稳定性分析。试验结果表明:设计的滑模控制方法具有快速性和准确性,响应时间小于0.6s,阀门开度最大误差仅为0.01cm,液态肥流量最大误差仅为1mL,液态肥流速最大跟踪误差仅为0.1mL/s,在对番茄液态肥实测中最大流量误差也仅为0.03mL,控制精度较高,可实现精准施肥。

改进YOLOv8的农作物叶片病虫害识别算法

针对传统检测网络难以准确、高效地提取农作物叶片病虫害特征信息的问题,通过改进YOLOv8网络,提出一种多层级多尺度特征融合的农作物叶片病虫害识别算法。通过学习不同层级特征直接的特征关系,构建多层级特征编码模块,学习全面的特征表达;在Transformer的基础上设计多尺度空间—通道注意力模块,利用学习细粒度、粗粒度等多尺度全面的特征表达模式,捕获不同尺度特征之间的互补关系,并将所有特征表示有效融合起来,构成完整的图像特征表示,进而获取更佳的识别结果。在Plant Village公开数据集进行试验验证,结果表明:提出的改进方法能够有效提升配准精度,准确地识别出农作物叶片上同时存在的不同病虫害,对番茄叶片检测的mAP 0.5达到88.74%,比传统YOLOv8方法提升8.53%,且计算耗时没有明显增加。消融试验也充分证明所提各个模块的有效性,能够更好地实现高精度识别叶片病虫害,为农田智慧化管理提供有力支持和保障。

基于改进Mask R-CNN的植物表型智能检测算法

针对高通量自动化获取的植物表型性状图像的智能检测问题,采用迁移学习和改进掩膜区域卷积神经网络(Mask R-CNN)设计植物表型智能检测分割算法。首先对残差网络进行优化,并利用特征金字塔网络(FPN)对输入图像进行特征提取;然后调整候选区域提取网络(RPN)中锚框的长宽比例和阈值,并在RoIAlign中通过双线性插值法保留了特征图的空间信息;最后改进Mask检测头,并增加特征融合机制以获得高质量的掩膜。在西瓜突变体生长情况的性状表型数据集上进行训练和检测,得到结果表明:改进后的Mask R-CNN表现出更优的检测性能,与传统Mask R-CNN相比,检测精度提高2.2%,掩膜准确率提高2.7%,检测时间减少42 ms,为提升农业精准化水平和推动智慧农业发展提供了技术支撑。

玉米GRAS基因家族的全基因组鉴定及生物信息学分析

GRAS基因家族是植物中广泛存在的一类转录因子,在植物生长发育、生物和非生物逆境胁迫、光信号和激素信号应答等多个过程中发挥重要作用。对玉米GRAS基因家族成员的理化性质、染色体定位、系统发育、顺式作用元件等特征进行了分析。结果表明,在玉米全基因组中共鉴定出49个ZmGRAS基因,不均匀地分布于1~10号染色体上,编码蛋白质理化性质差异较大,可能在不同的微环境下发挥作用。系统进化分析将GRAS蛋白分为8个亚家族,可能在调节自身生长发育、逆境应答等过程中具有重要作用。玉米GRAS基因家族的启动子区含有激素应答、光响应、胁迫应答等多种顺式作用元件,推测其可能响应激素、胁迫等多种信号。共线性分析显示,具有共线性关系的基因可能是染色体片段复制的结果,且属于同一亚家族,具有相似的结构和功能。研究结果为进一步研究玉米GRAS基因的功能和逆境胁迫响应机制提供了依据。

联合图像—频率监督的图像超分辨率重建算法

针对现有单幅图像超分重建方法难以捕获图像中完备有效信息的问题,提出一种联合图像—频率监督的图像超分辨率重建算法,旨在利用多个域之间的互补信息,进而获得更完备的图像特征表示。首先通过分析图像像素转换到频域空间后的特性,根据其复数表征方式提出了一种新的频域距离监督损失,将频谱信息有效地应用到卷积神经网络的优化过程;然后通过分析频域中不同频带的表征特点,在频域距离损失基础上构建了频谱加权损失,并将其分别应用到低频和高频两个频带;最后结合图像域的监督,构成多个域的联合优化,取得良好的性能。在Set14、B100和Kodak三种公开数据集上进行了验证,结果表明:该算法的PSNR和SSIM分别达到了33.47 dB和0.9859,与几种图像超分方法相比取得了最好的性能。

校企合作中线上线下混合教学模式的探索与实践

通过开展校企合作,在探索了传统教学模式的弊端、校企合作共同开展线上线下混合式教学的意义的基础上,针对传统学习模式中学生自主学习差、学习动力弱、细节训练难、品质意识缺等问题,通过信息技术的支持,校企共同开发线上虚拟仿真平台,将在线虚拟仿真资源、教学方法和教学策略相结合,运用到线上线下混合式教学中,并在《构建农业产业园物联网大棚,建设数字乡村--物联网技术基础》课程中得以实践并取得较好的教学效果,激发了学生的创新思维和创业能力,使职业技能与职业精神的培养有效融合。

甲基磺酸乙酯诱变西瓜种子的条件优化

为探明EMS诱变西瓜种子的最佳条件,以石红为试材,设置种子切口与不切口2种处理方式,采用6个诱变浓度(0.40%,1.00%,1.20%,1.40%,1.60%和2.00%)和5个诱变时间(4、10、12、14、16 h)共30个不同处理组合对西瓜种子萌发的影响进行研究。结果表明,切口处理能显著提高西瓜种子对EMS诱变剂的敏感性,共筛选出6个处理组合,诱变效果最接近半致死剂量,分别是1.20%+12 h、1.20%+14 h、1.20%+16 h、1.40%+12 h、1.40%+14 h和1.40%+16 h,对应的西瓜种子相对发芽率分别为50.38%、52.21%、51.97%、48.95%、49.97%和48.82%。以用量少且用时短为原则,确定EMS诱变西瓜种子的最佳组合是1.20%EMS诱变12 h。

多源异构数据和注意力门控机制的小麦产量预测

针对传统的单模态数据预测小麦产量存在精度不高的问题,提出一种结合多源异构数据和注意力门控机制的小麦产量预测方法。首先引入了特征级的门控策略,来捕获每个模态内部特征的信息变化;然后利用神经网络评估每个模态内的置信度分数,并构建模态间的有效信息获取模块;最后设计了基于Transformer的空间和通道注意力门控机制模块,将不同模态之间的有效信息进行充分的融合,从而获得最佳的预测特征表示。实验结果表明,所提方法与传统方法相比具有更高的预测精准度,RMSE和MAE分别仅为809kg/hm^(2)和522kg/hm^(2),R^(2)则达到了0.806,通过对河南省近10年的小麦产量进行预测,得到的三项评价指标均相对稳定,且展现出了较强的鲁棒性。消融实验也验证了该方法中的不同组件均能有效提高小麦产量的预测精度,可为相关部门制定保障粮食安全管理决策提供有力的数据支持。

西瓜YABBY基因家族的全基因组鉴定与生物信息学分析

以西瓜YABBY基因家族为研究对象,利用TBtools、MEGA、ITOL等软件对西瓜YABBY基因家族进行全基因组鉴定与生物信息学分析,包括对西瓜YABBY基因家族的全基因鉴定、染色体定位、基因结构分析、蛋白保守基序分析、系统进化树分析、启动子顺式作用元件分析和共线性分析,以期能够为西瓜YABBY基因的功能研究与分子机制提供参考依据。结果表明:西瓜YABBY基因家族共9个成员,分布于7条染色体上。西瓜YABBY基因编码蛋白质组成的氨基酸数量范围为169~242 aa,蛋白质分子量变化范围为19.07~26.91 kDa,蛋白质理论等电点PI的范围为7.53~9.69。西瓜YABBY基因家族分为3个类群,同一类群具有相同的外显子-内含子排列方式,且具有相似的蛋白保守基序排列。西瓜、拟南芥、水稻、番茄的YABBY基因家族被分为5个亚族,每个亚族均有西瓜YABBY基因成员分布。西瓜YABBY基因启动子区域含有激素应答、光响应、胁迫应答、转录因子结合位点等相关的多种顺式作用元件。西瓜YABBY基因家族共有3对基因存在串联重复和片段复制。