阳光玫瑰葡萄病毒病解决方案研究

针对阳光玫瑰葡萄病毒病常发对树体和造成果实危害严重的问题,在葡萄展叶期进行根部追肥、根部追肥+叶面喷肥处理,探究不同追肥处理及处理组合对改善病毒病病症和提升葡萄产量和品质的效果。结果表明,每666.7 m~2根部追施高氮水溶肥10 kg+腐殖酸有机水溶肥5 kg+叶喷5%氨基寡糖素水剂500倍+0.01%28高芸苔素内酯1 500倍+海藻有机水溶叶面肥1 000倍液,共3次,间隔7 d 1次的方案对新叶病毒病的控制效果最佳。与对照根施常规有机水溶肥每666.7 m~2 5 kg+平衡型水溶肥5 kg相比,新生叶片发育一直处较低水平,新生叶面积增长速度处于较高水平,显著提升葡萄的品质和产量。

基于灰色关联度分析和DTOPSIS法对皖北水稻品种的综合评价

[目的]为筛选出适应皖北地区种植的水稻品种,同时为水稻新品种的育种、精准定位推广提供依据。[方法]以17个水稻品种的21个性状为试验材料,采用基于灰色关联度分析法和DTOPSIS法对水稻品种的适应性进行全面的综合评价,分析比较品种间的差异。[结果]灰色关联度分析法和DTOPSIS法都能对水稻新品种进行较全面综合评价,准确反映品种的优劣。2种方法的综合评价结果存在差异。在赋予相同权重的情况下,灰色关联度分析结果显示,参试水稻品种与理想品种之间的关联度εt(k)值的最大差异率为26.7%;DTOPSIS法分析结果显示,参试品种与理想解的相对接近度Gi值,其最大差异率为70.0%。最大差异率从大到小依次为Gi值、εt(k)值、产量差异。DTOPSIS法更能体现品种间的差异和反映品种优劣,较灰色关联度分析法更适合用于水稻新品种的综合评价。[结论]韵两优丝苗、赞两优570、悦两优2646和韵两优332这4个优良品种在皖北适应性、稳定性、丰产性和抗病性均较好,可进一步试验、示范及推广。DTOPSIS法是综合评价皖北新水稻品种优劣的好方法。

生物有机肥料施用量对阳光玫瑰葡萄生长结果的影响

以3年生避雨栽培阳光玫瑰葡萄为试验材料,探究基肥生物有机肥料每666.7 m^(2)施用量500、1000、1500 kg时对阳光玫瑰葡萄生长的影响。结果表明:生物有机肥料做基肥施用可有效促进阳光玫瑰葡萄根系和叶片生长,改善果实品质,提高产量,以每666.7 m^(2)施用量1500 kg时效果最好。

基于YOLOv7的无人机影像稻穗计数方法研究

【目的】利用深度学习技术开展基于无人机采集的水稻稻穗RGB图像进行稻穗快速计数技术研究,利于建立省工、省时、高效的产量评估预测,为后续收获、烘干、仓储工作以及品种试验评估等提供依据。【方法】在水稻齐穗-灌浆期,使用无人机采集水稻稻穗图片,通过对图片中稻穗的标注、分类以及训练,获得基于YOLOv7的网络结构模型,与田间实际调查结果进行对比和验证,针对该方法对不同亚种水稻稻穗的数穗计数精度作出评价。【结果】将得到的模型的预测结果与真实结果进行比较,对于相同的训练集,YOLOv7模型的重叠率(Intersecion of union,IoU)值的中位数普遍高于YOLOv5模型。仅使用粳稻数据训练得到的模型对粳稻有较好的识别精度,YOLOv7模型的mAP@0.5为80.75%、mAP@0.25为93.01%,优于YOLOv5l模型的mAP@0.5值73.36%、mAP@0.25值91.16%;两种模型对籼稻识别精度不高。对籼稻识别最佳的模型为使用籼稻数据训练得到的模型,YOLOv7模型的mAP@0.5为73.19%、mAP@0.25为83.71%,优于YOLOv5l模型的mAP@0.5值72.77%、mAP@0.25值81.66%;但两种模型均对粳稻识别精度不高。对预测结果与实际调查结果进一步比较验证表明,仅使用粳稻数据训练得到的模型对粳稻有较好的识别精度,模型预测值与观察值显著相关。其中YOLOv7模型对粳稻预测精度最高,R2为0.9585、RMSE为9.17;其次为YOLOv5模型,R2为0.9522、RMSE为11.91。对籼稻识别最佳的模型为使用籼稻数据训练得到的模型。其中YOLOv7模型对籼稻预测精度最高,R2为0.8595、RMSE为24.22。其次为YOLOv5模型,R2为0.7737、RMSE为32.56。【结论】本研究初步建立的基于无人机的田间水稻单位面积穗数快速调查方法,具有较高精度,可应用于实际田间测产工作,有利于克服人工田间估产工作量大、效率低、人为误差等问题,未来可进一步应用于可移动水稻估产装置的开发。

烘焙食品中转基因成分定性检测的FAPAS能力验证结果与分析

目的分析参加FAPAS烘焙食品中转基因成分定性检测能力验证的结果。方法根据FAPAS组织方提供的能力验证作业指导书、国家标准GB/T 19495.3-2004转基因产品检测核酸提取纯化方法(部分步骤改进)和行业标准SN/T 1204-2016《植物及其加工产品中转基因成分实时荧光PCR定性检验方法》对一份烘焙食品测试样品进行转基因成分定性检测。结果该样品检出pCaMV35S、tNOS、GTS40-3-2和MON863品系(基因),未检出Bt11、Bt176、GA21、MIR604、MON810、MON88017、MON89034、MON89788、NK603和TC1507品系。结论本实验重点对核酸提取方法进行改进并严格质控,满足了烘焙食品这类加工样品转基因定性检测要求,获得能力验证结果为满意。

深度学习训练数据分布对植物病害识别的影响研究

【目的】通过调节训练集内实验室场景图片与田间场景图片的分布,提高深度学习模型的准确度,以减少植物病害识别深度学习模型对田间场景数据的依赖。【方法】通过调节训练集内实验室场景图片和田间场景图片的分布,使用ResNeSt-50、VGG-16、ResNet-50等3种神经网络结构分别对训练得到的深度学习模型进行测试和比较,从而优化植物病害识别模型。【结果】在由一定数量的植物病害图像组成的训练集内,调节其中不同场景图片的分布会对模型的准确率产生影响。当训练集内的田间场景图片分布达30%时,模型准确率提升18%以上。在100%实验室场景图片的训练集内添加30%田间场景图片,可提升模型准确率17%以上;在100%田间场景图片的训练集内添加实验室场景图片,模型准确率随图片数量增加而提升,提升幅度为2%~4%。【结论】该方法适用于农业复杂环境下高准确度病害识别模型的快速建立,可减少深度学习模型对田间场景数据的依赖,缩短模型建立初期的田间数据采集周期,降低田间数据采集成本,促进人工智能技术在无人农场及智慧农业中更有效地运用。

害虫是怎样死掉的(下)

世界上仅仅百分之一,万分之一,甚至百万分之一的昆虫和螨类因为与人类的利益冲突而被定性为"害虫"、"害螨"。这个标签一旦确定下来,它们就成为被消灭的对象。人们研究出广谱性的杀虫杀螨剂,一次用药即被干净利落的干掉,所以误伤"友军"在所难免。化学农药的普及和应用,带来了许多新问题:害虫产生抗性、环境污染、农产品农残。