• 《中国科学引文数据库(CSCD)》来源期刊
  • 中国科技期刊引证报告(核心版)期刊
  • 《中文核心期刊要目总览》核心期刊
  • RCCSE中国核心学术期刊

固态发酵生产α−酮戊二酸及其对小鼠生长、肠道结构和免疫机能的影响

岳东, 解培培, 卢静怡, 梁冰清, 方心灵, 朱晓彤, 高萍, 江青艳, 潘木水, 束刚

岳东, 解培培, 卢静怡, 等. 固态发酵生产α−酮戊二酸及其对小鼠生长、肠道结构和免疫机能的影响[J]. 华南农业大学学报, 2020, 41(2): 1-9. DOI: 10.7671/j.issn.1001-411X.201905020
引用本文: 岳东, 解培培, 卢静怡, 等. 固态发酵生产α−酮戊二酸及其对小鼠生长、肠道结构和免疫机能的影响[J]. 华南农业大学学报, 2020, 41(2): 1-9. DOI: 10.7671/j.issn.1001-411X.201905020
YUE Dong, XIE Peipei, LU Jingyi, et al. Effects of α-ketoglutaric acid produced by solid fermentation on mouse growth, intestinal structure and immune function[J]. Journal of South China Agricultural University, 2020, 41(2): 1-9. DOI: 10.7671/j.issn.1001-411X.201905020
Citation: YUE Dong, XIE Peipei, LU Jingyi, et al. Effects of α-ketoglutaric acid produced by solid fermentation on mouse growth, intestinal structure and immune function[J]. Journal of South China Agricultural University, 2020, 41(2): 1-9. DOI: 10.7671/j.issn.1001-411X.201905020

固态发酵生产α−酮戊二酸及其对小鼠生长、肠道结构和免疫机能的影响

基金项目: 广东省重点领域研发计划(2019B020218001);广东省自然科学基金(9151064201000067);广东省普通高校创新团队项目(2017KCXTD002)
详细信息
    作者简介:

    岳东(1994—),男,硕士研究生;E-mail: 416208559@qq.com

    通讯作者:

    潘木水(1967—),男,副研究员,硕士,E-mail: 308134456@qq.com

    束 刚(1979—),男,教授,博士,E-mail: shugang@scau.edu.cn

  • 中图分类号: S816.7

Effects of α-ketoglutaric acid produced by solid fermentation on mouse growth, intestinal structure and immune function

  • 摘要:
    目的 

    筛选固态发酵制备α−酮戊二酸的菌株,研究发酵产物对动物生长、肠道结构和免疫机能的影响。

    方法 

    对9种菌株(包括乳酸菌、酵母菌和曲霉菌Aspergillus等)进行发酵,检测发酵物中α−酮戊二酸含量。发酵过程中添加琥珀酸,研究其对α−酮戊二酸产出率的影响。随后,选用16只4周龄C57/BL小鼠,随机分为2组,分别在普通日粮中添加质量分数为5%的普通发酵物和5%的富含α−酮戊二酸发酵物饲喂4周,分析动物采食和生长、肠道结构以及单核−巨噬细胞的吞噬功能和血象。

    结果 

    酵母菌固态发酵产生了微量的α−酮戊二酸,枯草芽孢杆菌Bacillus subtilis产生了约60 μg/g的α−酮戊二酸,其余菌株均未检测到α−酮戊二酸。枯草芽孢杆菌固态发酵时添加琥珀酸可促进α−酮戊二酸累积,最高产出率达到0.3%。添加质量分数为5%的靶向α−酮戊二酸发酵产物稍微降低了小鼠体质量和体质量增加(P>0.05),显著增加小鼠的比目鱼肌质量(P<0.05),显著降低小鼠的褐色脂肪质量(P<0.05)。发酵产物对小鼠回肠和空肠的绒毛长度和隐窝深度无显著影响。血象和免疫学指标表明,富含α−酮戊二酸发酵产物能显著降低中性粒细胞百分比,提高淋巴细胞百分比,增加红细胞血红蛋白质量浓度。发酵产物显著增加小鼠单核−巨噬细胞的吞噬功能(P<0.05)。

    结论 

    枯草芽孢杆菌在固态发酵过程中添加琥珀酸可使α−酮戊二酸累积,日粮添加富含α−酮戊二酸发酵物能显著增加小鼠肌肉质量,降低脂肪质量,并能显著提高小鼠的免疫机能。

    Abstract:
    Objective 

    To screen strains for producing α-ketoglutaric acid by solid fermentation, and study the effects of fermentation products on animal growth, intestinal structure and immune function.

    Method 

    Nine strains (including lactic acid bacteria, yeast and Aspergillus) were fermented and α-ketoglutaric acid content in the fermentation products was detected. Succinic acid was added during the fermentation to study its effect on the production rate of α-ketoglutaric acid. Subsequently, sixteen 4-week-old C57/BL mice were randomly divided into two groups, 5% normal fermented material or 5% α-ketoglutarate-rich fermented material was added to the common diet for four weeks. Animal feeding and growth, intestinal structure, and phagocytosis and blood picture of monocyte-macrophages were analyzed.

    Result 

    The solid fermentation of yeast produced a trace amount of α-ketoglutaric acid, Bacillus subtilis produced about 60 μg/g α-ketoglutaric acid, and α-ketoglutaric acid was not detected using other strains. The addition of succinic acid to the solid fermentation of Bacillus subtilis promoted the accumulation of α-ketoglutaric acid with the maximum production rate of 0.3%. Dietary supplementation of 5% targeted α-ketoglutarate fermentation product slightly reduced body weight and body weight gain of mice(P>0.05), significantly increased the soleus muscle weight of mice (P<0.05), and significantly reduced brown fat weight in mice (P<0.05). The fermentation product had no significant effect on the villus length and crypt depth of mouse ileum and jejunum. Blood and immunological indicators revealed thatα-ketoglutarate-rich fermentation product significantly reduced the percentage of neutrophils, increased the percentage of lymphocyte, and increased the content of red blood cell hemoglobin. Moreover, the fermentation product also significantly increased the phagocytic function of mouse monocyte-macrophages (P<0.05).

    Conclusion 

    The addition of succinic acid can promote accumulation of α-ketoglutaric acid in the solid fermentation process of Bacillus subtilis. Adding α-ketoglutarate-rich fermentation in the diet can significantly increase the muscle weight, decrease the fat weight of mice, and significantly improve the immune function of mice.

  • 近十年来,我国水果产量、消费数量与种植面积均居世界首位[1],从品类来看,苹果产量占比位居我国水果产量总占比前列,且其种植面积与产量呈持续增长趋势。果园种植已成为我国继粮食、蔬菜之后的第三大农业种植产业,而生产模式和生产成本制约着水果产业的发展,优化生产模式、提高生产效率[2-3]和节约生产成本离不开农业机械装备的智能化与无人化。

    可行驶区域精准识别是农业机械装备实现智能化的关键技术之一,可为后续采摘、喷药以及其他果园管理工作提供可靠基础。现有研究多以激光雷达和视觉传感器识别为主,激光雷达适合全天作业且抗光照干扰程度较强,但其价格高昂、易受气候影响,且工作时被测物体与雷达间不能有障碍物[4];视觉传感器灵活性大、获取信息完整丰富且成本较低,符合农业装备经济性要求[5],但其易受复杂环境的影响,如光照、阴影以及果树行间杂草等[6],机器视觉发展潜力较大,正逐渐成为可行驶区域识别与路径导航的研究热点[7]。基于机器视觉识别可行驶区域在果园中的应用可分为以天空为背景和以地面为背景两类,Radcliffe 等[8]提出以果树树冠间天空为背景,使用绿色分量(G分量)增大树冠与天空的对比度进行路径平面的提取,通过天空质心计算车辆的航向,但该方法要求树冠饱满且为绿色。目前,国内已有研究多以地面背景为主,如林桂潮等[9]根据道路特征提出果园道路边缘提取(Road edge extraction,REE)算法,利用梯度幅值法进行阈值分割并结合灰度值对比度约束区分道路左右边界,改进最小二乘法和随机采样一致性(Random sample consensus,RANSAC)算法与给定多项式模型相结合得到拟合后的道路边界;聂森等[10]利用HSV颜色空间中H-V灰度化因子对图像进行增强,并使用Hough变换对果树底部靠近地面处树冠进行拟合得到树行直线,但该方法在光照较弱以及树叶凋落季节效果较差; 通过提取树干与地面的交点作为特征点,形成可行驶区域的左右边界线,但当杂草生长较高并遮挡树干与地面交界处时,无法精确提取特征点,且果树阴影也会对特征点提取产生影响[11-12]。综上所述,目前已有的以天空为背景进行区域识别与路径提取的研究多对树冠要求较高,当果树处于凋落期枝叶稀疏且颜色特征并不明显时,特征提取以及拟合效果较差;以地面为背景时提取效果易受光照、树冠阴影以及杂草等因素的影响。

    本文提出一种复杂环境下以天空为背景的果树行间可行驶区域识别算法,通过天空与树冠交界处直线获得可行驶区域边缘直线斜率信息,利用剔除后特征点信息和剔除阈值获得关键点坐标,以斜率为约束条件,代入关键点得到可行驶区域边缘直线方程并使用最小二乘法进行拟合。

    本文从山东理工大学与山东中以现代智慧农业有限公司共建的标准化苹果园实际环境出发,果树行距约4 m,果树高度3.7 m左右,树行长80 m。根据果实生长周期对复杂环境进行定义,即由果实生长期内地面上掉落的果实、树冠阴影,非生长期内地面落叶、树干阴影、树干间背景以及全周期的树行间杂草共同构成果园复杂环境。

    通过对果树不同时期分析可知,生长期果树多以绿色为主,其中掺杂红色果实,地面以黄色土壤与绿色杂草为主,其中掺杂掉落的红色果实;非生长期果树树干为灰褐色且顶部细小分支较多,地面以黄色土壤、落叶以及绿色杂草为主,不同时期果园颜色特征不同,但其共同点为背景天空颜色不变,故以红−绿−蓝(Red-green-blue,RGB)颜色空间蓝色分量(B分量)为特征进行天空与果树的分离。

    在图像处理前,以图像左上角为坐标原点,水平向右为X轴正向,竖直向下为Y轴正向,沿Y轴将图像均匀分为四等份,由于图像两侧近视野区域不包含天空信息,属于无效处理区域,故去除左右各四分之一区域,只保留中间二分之一有效区域,灰度化效果如图1所示。

    图  1  生长期与非生长期B分量灰度化效果
    Figure  1.  Graying effect of B component in growth period and non-growth period

    目前常用的二值化方法为最大类间方差法(Otsu算法)[13-15],其基本思想是根据图像灰度信息将图像分为目标与背景两类,以两者灰度方差达到最大时的灰度级作为分割阈值。由于非生长期时果树树干顶部细小分支较多,其灰度值与背景相近,若直接使用Otsu算法进行二值化处理会导致部分枝干信息丢失,出现错分的现象,不利于树行直线提取。针对这一现象,本文提出一种基于最大类间方差法的自适应阈值分割方法,其原理为:

    假设存在阈值 $ {r_0} $ $ {r_0} $ 属于图像灰度 $ 0,1,2, \cdots, L - 1 $ 范围内(L为图像的总灰度级),该阈值可将图像分为目标 $ {T_1} $ (小于 $ {r_0} $ 的像素点集合)与背景 $ {T_2} $ (大于 $ {r_0} $ 的像素点集合),图像总像素数为 $ N $ ,则灰度级为 $ i $ 的像素点总数目为 $ {n_i} $ ,其出现的概率 $ {p_i} $ 为:

    $$ {p_i} = \dfrac{{{n_i}}}{N}, (i = 0,1,2, \cdots ,L - 1) ,$$ (1)

    像素被分为目标 $ {T_1} $ 与背景 $ {T_2} $ 的概率S分别为:

    $$ {S_1} = \displaystyle\sum\limits_{i = 0}^{{r_0}} {{p_i}} \text{,} $$ (2)
    $$ {S_2} = \displaystyle\sum\limits_{i = {r_0} + 1}^{L - 1} {{p_i}} \text{,} $$ (3)

    两类灰度均值分别为:

    $$ {m}_{1}={\displaystyle \displaystyle\sum _{i=0}^{{r}_{0}}\dfrac{i{p}_{i}}{{S}_{1}}} \text{,} $$ (4)
    $$ {m_2} = \displaystyle\sum\limits_{i = {r_0} + 1}^{L - 1} {\dfrac{{i{p_i}}}{{{S_2}}}} \text{,} $$ (5)

    故整幅图像的灰度均值m为:

    $$ m = {m_1}{S_1} + {m_2}{S_2} \text{,} $$ (6)

    图像的类间方差表达式为:

    $$ {\sigma ^2} = {S_1}({m_1} - m) + {S_2}{({m_2} - m)^2} \text{,} $$ (7)

    将式(6)代入式(7)化简得:

    $$ {\sigma ^2} = {S_1}{S_2}{({m_1} - {m_2})^2} \text{,} $$ (8)

    $ i $ $ [0,L - 1] $ 范围内遍历,当 $ {\sigma ^2} $ 取最大值时的灰度级 $ i $ 对应为Otsu算法最佳分割阈值 $ {r_0} $ 。取灰度范围 $ [{r_0},L - 1] $ $G = {p_i}(i = {r_0}, \cdots , L - 1)$ ,令 ${G_{\max }} = \max \{ {p_i}\} (i = {r_0}, \cdots ,L - 1)$ ,若 $ {p_{{r_0}}} = {G_{\max }} $ ,则自适应分割阈值 $ r = {r_0} $ ;若 $ {p_{{r_0}}} \ne {G_{\max }} $ ,则取 $ {G_{\max }} $ 所对应的灰度级为 $ {r_1} $ ,取灰度范围 $ [{r_0},{r_1}] $ ${G'} = {p_i}(i = {r_0}, \cdots ,{r_1})$ ,令 $G_{\min }' = \min \{ {p_i}\} (i = {r_0}, \cdots , {r_1})$ ,若 $ {p_{{r_0}}} = G_{\min }' $ ,则 $ r = {r_0} $ ;若 $ {p_{{r_1}}} = G_{\min }' $ ,则 $ r = {r_1} $ ;若 $ {p_{{r_0}}} \ne G_{\min }' $ $ {p_{{r_1}}} \ne G_{\min }' $ ,则 $ r $ $ G_{\min }' $ 所对应的灰度级,其具体步骤如图2所示:

    图  2  自适应阈值选取示意图
    Figure  2.  Schematic diagram of adaptive threshold selection

    图3所示,沿图3a中直线(示例行)绘制其像素列灰度曲线(图3b),取该直线上一细小枝干像素点(示例点),在灰度曲线中对应出该点灰度值,由图3b可知,若直接使用Otsu算法,该枝干像素点被错分为背景类,使用本文自适应分割阈值可将其正确分割为枝干。将图像中小于自适应分割阈值 $ r $ 的像素点设为255(白色),大于等于r的像素点设为0(黑色),二值化效果如图4所示。

    图  3  单行像素及其B分量像素列灰度曲线
    Figure  3.  Single row pixel and gray curve of its B-component pixel column
    图  4  Otsu算法与自适应阈值法二值化效果
    Figure  4.  Effect of binarization of Otsu algorithm and adaptive threshold method

    由于以天空为背景进行处理时噪声较少,对特征点影响较小,故无需进行降噪处理,此处使用3×3的卷积核对二值图像进行膨胀处理,以进一步强化枝干信息,其效果如图5a所示。为避免部分果树顶端缺失对特征点提取产生干扰、提高特征点提取精度,根据树行顶部分布规律,本文提出一种动态阈值“V形”感兴趣区域(Region of interest,ROI)和基于ROI区域法线方向的特征点提取方法。

    图  5  膨胀效果及其垂直投影曲线
    Figure  5.  Effect of expansion and its vertical projection curve

    图5可以看出,左右两侧树行顶部呈直线分布,根据垂直投影曲线(图5b)最小值可区分左右树行,且最小值两侧曲线整体趋势与树行顶部分布规律相似,故通过确定投影曲线左右两侧最大值为纵坐标,取两端点与最小值点相连绘制两条直线,以两条直线为基准,取其上下各60像素宽度区域作为ROI,其结果如图6所示。

    图  6  生长期与非生长期ROI区域
    Figure  6.  ROI area in growth period and non-growth period

    图6可知,ROI由“V形”上边界和下边界组成,以左侧树行为例,以“V形”上边界为基准,沿“V形”左翼即上边界左侧直线从最小值点开始向左上方逐个取点作为基准点,过基准点沿上边界左侧直线法线方向向下寻找特征点,将遍历到的第1个像素值为255的像素点作为特征点,同理寻找右侧树行特征点。树行尽头由于视野较远存在图像畸变,导致在后续处理过程中产生较大误差,故以最小值点为基准点的2条法线与下边界所围区域为特征点无效提取区域,此区域内不进行特征点的提取,特征点提取示意图如图7所示。

    图  7  特征点寻找示意图
    Figure  7.  Schematic diagram of feature point finding

    稳健回归是一种可用于异常点的检测并在样本存在较多异常点时替代最小二乘法的算法,常见稳健回归模型有随机采样一致性RANSAC算法和泰尔–森稳健回归(Theil-Sen robustness regression),RANSAC算法是一种非确定性算法,当异常点较多时其拟合效果较差,而泰尔–森稳健回归对异常点具有较强的稳健性,基于此,本文提出基于双重稳健回归的思想进行树顶直线的拟合,以提高可行驶区域识别精度,其基本思路为:首先利用泰尔–森稳健回归对异常点具有较强稳健性的特点对偏离程度较大的异常点进行剔除,降低RANSAC算法的随机性;然后使用RANSAC算法对泰尔–森稳健回归剔除后剩余样本点进行直线拟合,提高得到正确模型的概率。

    为了更好地拟合特征点,提高树顶直线拟合精度,本文引入泰尔−森稳健回归剔除干扰点。泰尔−森稳健回归是一个参数中值估计器,适用于泛化中值,尤其是对多维数据的异常点有很强的稳健性,其一般回归方程为:

    $$ y = \alpha + \beta x + \varepsilon \text{,} $$ (9)

    式中, $ \alpha $ 为拟合直线的截距, $ \beta $ 为拟合直线的斜率, $ \varepsilon $ 为模型的随机误差。其中:

    $$ \beta = {{\rm{Median}}} \left\{ {\dfrac{{{y_i} - {y_j}}}{{{x_i} - {x_j}}}:{x_i} \ne {x_j},i < j = 1, \cdots ,n} \right\} \text{,} $$ (10)
    $$ \alpha = {{\rm{Median}}} \left\{ {{y_i} - \beta {x_i}:i = 1, \cdots ,n} \right\} 。 $$ (11)

    从特征点中每次选取2个样本点,计算其所确定的斜率,直至所有样本点对选取完毕,若特征点数为 $ n $ ,则样本点对、所得斜率和截距理论上个数均为 $ C_n^2 $ 个,取所有斜率和截距的中值作为泰尔−森稳健回归拟合直线斜率 $ {k_0} $ 和截距 $ {\alpha _0} $ ,得到初步顶部直线方程。

    由于非生长期果树枝干细小杂乱,特征点分布规律性较差,对直线拟合产生一定干扰,导致拟合误差较大,针对干扰程度较大的特征点,提出一种基于泰尔−森稳健回归拟合直线的自适应阈值特征点剔除方法,其基本思路为:通过特征点的横坐标 $ {x_i} $ 得到与其所对应的泰尔−森稳健回归直线方程纵坐标值 $ {y_{iT}} $ ,计算其与特征点纵坐标 $ {y_i} $ 的差值并取绝对值 $ {y_{iD}} $ ,所有特征点差值绝对值的平均值为特征点剔除阈值T,若 $ {y_{iD}} > T $ ,则将该点剔除,可用公式表达为:

    $$ T = \displaystyle\sum\limits_{i = 1}^n {\dfrac{{{y_{iD}}}}{n}} = \displaystyle\sum\limits_{i = 1}^n {\dfrac{{\left| {{y_{iT}} - {y_i}} \right|}}{n}} 。 $$ (12)

    使用RANSAC算法对剔除后的特征点进行拟合,得到树顶拟合直线的最终斜率 $ {k_1} $ 和截距 $ {\alpha _1} $ ,确定树顶直线方程,图8为干扰点剔除及树顶直线拟合效果。受生长期树冠过大、非生长期部分枝干信息丢失以及拍摄角度等因素影响,树底直线斜率 $ k $ 由基础值 $ - {k_1} $ 和补偿值两部分组成。关键点的横坐标 $ {x_0} $ 取单侧树顶直线两端点横坐标的平均值,纵坐标 $ {y_0} $ 由“V形”下边界纵坐标最大值 $ {y_{\max }} $ 和剔除阈值组成,具体公式如下:

    图  8  全周期干扰点剔除及树顶直线拟合效果
    Figure  8.  Interference point elimination and fitting effect of straight line at tree top in full cycle
    $$ k = - {k_1} \pm \left( {\dfrac{{\left| {{k_1}} \right| - 1}}{{\tan \theta }} + 1} \right) \times \tan \theta \text{,} $$ (13)
    $$ \left\{ \begin{array}{l} {y}_{0生}={y}_{\mathrm{max}}+{\left|{k}_{1}\right|}_{\mathrm{max}}{T}_{\mathrm{min}}\\ {y}_{0非}={y}_{\mathrm{max}}+{\left|{k}_{1}\right|}_{\mathrm{min}}{T}_{\mathrm{max}}\end{array} \right.\text{,} $$ (14)

    其中 $ \theta $ 为摄像头与水平方向的夹角, $ {y}_{0生} $ $ {y}_{0非} $ 为生长期和非生长期时关键点纵坐标, $ {\left| {{k_1}} \right|_{\max }} $ $ {\left| {{k_1}} \right|_{\min }} $ 分别为左右两侧树顶直线斜率绝对值的最大、最小值, $ {T_{\max }} $ $ {T_{\min }} $ 分别为特征点剔除阈值中的最大和最小值,通过关键点 $ ({x_0},{y_0}) $ 和斜率 $ k $ 可确定可行驶区域边缘直线方程,并使用最小二乘法进行拟合,以确定果树行间可行驶区域,拟合结果如图9所示。

    图  9  生长期与非生长期可行驶区域识别效果
    Figure  9.  Recognition results of drivable area in growth period and non-growth period

    试验设备采用AMD Ryzen 74800H,主频2.90 GHz,内存16 G,Windows 64位操作系统的计算机,可行驶区域识别程序在Anaconda(Spyder)集成开发环境下使用python 3.8编写完成,图10为图像采集设备,试验中所使用的农业机器人宽45 cm,长60 cm,相机离地1.3 m,为降低计算量、提高识别速度,统一使用分辨率为640像素×480像素的图像。

    图  10  图像采集设备
    Figure  10.  Image acquisition equipment

    本文选取不同天气状况对基于Otsu算法改进的自适应阈值分割方法进行试验,图11为生长期与非生长期基于B分量的分割及识别效果,以图11中6张图片为例,对其Otsu算法与本文自适应分割阈值进行比较分析,其对比结果列于表1。通过图表分析可知,基于B分量进行目标与背景的分离并不受天气状况以及季节的影响,即使处于阴天状况下仍能实现较好的分割效果。改进后的分割阈值大于等于Otsu分割阈值,且分割阈值根据每张图像自身各灰度级出现概率而定,良好的自适应性使得枝叶分割更为饱满,尤其是对非生长期而言,使用本文阈值进行分割能够将与天空背景相近且细小的枝干精确分割,提高后续拟合的精度。通过图11区域识别效果可知,本文算法受天气、光照等因素影响较小,在不同时期、不同天气状况下仍能达到较好的识别效果。

    图  11  不同天气状况下全周期分割及识别效果
    Figure  11.  Effect of segmentation and recognition under different weather conditions in full cycle

    本文对生长期和非生长期晴天、多云、阴天天气下的顺光、逆光工况进行试验,选取泰尔−森算法和RANSAC算法与本文算法识别效果进行对比。以人工识别可行驶区域边缘线为参考,当一幅图像左右任一边缘算法识别结果与人工识别结果偏差角大于5°时,认为算法识别无效。表2为3种算法的试验结果对比,由表2中数据可知,泰尔−森稳健回归算法的准确率高于RANSAC算法,这是由泰尔−森较RANSAC而言对异常点有较强稳健性的特点决定的,但当异常点较多时,仍会对泰尔−森算法的斜率与截距选取产生影响。由于本文引入双重稳健回归的概念,依赖泰尔−森算法的稳健性对异常点进行剔除,降低了后续RANSAC算法拟合的随机性,使得本文算法较前2种算法有更高的准确率和更好的稳定性。本文算法较泰尔−森算法和RANSAC算法平均偏差角度分别减小了8.28%和9.88%,标准差分别减少了6.25%和22.89%,准确率分别提高了4.64%和10.49%,虽平均运行时间较前2种算法有所增加,但仍能满足农业作业中实时性的要求。

    表  1  不同天气状况下全周期分割阈值对比示例1)
    Table  1.  Comparison examples of segmentation thresholds under different weather conditions in full cycle
    图像序号 Image serial number Otsu分割阈值( $ {r_0} $) Otsu segmentation threshold $ [{r_0},L - 1] $ r1 $ [{r_0},{r_1}] $ 本文自适应分割阈值(r) Adaptive segmentation threshold in this paper
    1 143 [143, 255] 231 [143, 231] 217
    2 132 [132, 255] 192 [132, 192] 173
    3 131 [131, 255] 208 [131, 208] 141
    4 143 [143, 255] 210 [143, 210] 158
    5 158 [158, 255] 231 [158, 231] 171
    6 115 [115, 255] 191 [115, 191] 115
    1) ${r_1} = {{\rm{arc}}} {G_{\max } }$; $r = {\rm{arc}}{G_{\min } }$
    下载: 导出CSV 
    | 显示表格
    表  2  3种算法的可行驶区域边缘拟合结果
    Table  2.  Edge fitting results of drivable area for three algorithms
    算法 Algorithm 图像帧数 Image frames 错误帧数 Error frames 平均偏差角度/(°) Average deviation angle 标准差/(°) Standard deviation 准确率/% Accuracy 平均耗时/ms Average time
    泰尔−森算法 Theil-Sen algorithm 480 45 1.69 1.76 90.6 79.5
    RANSAC算法 RANSAC algorithm 480 68 1.72 2.14 85.8 76.0
    本文算法 Algorithm in this paper 480 25 1.55 1.65 94.8 82.4
    下载: 导出CSV 
    | 显示表格

    通过不同的性能评价指标对本文算法的准确性进行详细分析,表3表4分别统计了本文算法在每种工况下对随机120帧图像的准确率、平均耗时、平均偏差以及标准差。由表3表4数据可知,不同时期逆光时的准确率均高于顺光时准确率,非生长期顺光时准确率最低且平均偏差角度和标准差最大,算法稳定性较差,逆光时准确率最高且角度标准差最小,虽平均偏差角度非4种工况中最小,但算法稳定性最好,除生长期顺光时平均偏差角度最小外,生长期顺、逆光时的准确率、平均偏差角度和标准差均处于中等水平。不同时期顺光时关键点平均偏差半径均小于逆光时平均偏差半径,生长期顺光时的关键点标准差最小,稳定性最好,逆光时标准差最大,稳定性较差,从整体来看,偏差角度与偏差半径误差均能满足农业机器人作业时精度要求。

    表  3  不同工况下本文算法的拟合结果
    Table  3.  The fitting results of this algorithm under different working conditions
    时期 Period 工况 Working condition 图像帧数 Image frames 错误帧数 Error frames 准确率/% Accuracy 平均耗时/ms Average time
    生长期 Growth period 顺光 Frontlighting 120 7 94.2 82.3
    逆光 Backlighting 120 5 95.8 82.4
    非生长期 Non-growth period 顺光 Frontlighting 120 9 92.5 82.3
    逆光 Backlighting 120 4 96.7 82.5
    下载: 导出CSV 
    | 显示表格
    表  4  不同工况下本文算法的性能评价指标
    Table  4.  The performance evaluation index of this algorithm under different working conditions
    时期 Period 工况 Working condition 图像帧数 Image frames 平均偏差角度/(°) Average deviation angle 标准差/(°) Standard deviation 关键点平均偏差半径/像素 Average deviation radius at key points 关键点标准差/像素 Standard deviation at key points
    生长期 Growth period 顺光 Frontlighting 120 1.30 1.53 1.23 2.09
    逆光 Backlighting 120 1.35 1.68 2.69 3.63
    非生长期 Non-growth period 顺光 Frontlighting 120 2.21 1.94 1.69 3.13
    逆光 Backlighting 120 1.35 1.15 2.53 2.65
    下载: 导出CSV 
    | 显示表格

    本文基于以天空为背景的方法避免了树冠阴影、杂草以及地面其他干扰因素对识别精度和特征点提取效果的影响,利用背景天空特征B分量进行树顶与天空的分离不受天气状况及季节的影响,避免了算法对枝叶颜色的依赖性,使得该算法在阴天、生长期枝叶稀疏以及非生长期时同样适用,改进Otsu算法良好的自适应性使得被错分的细小枝干成功从背景中分离出来,提高了分割精度,解决了文献[8]中对树冠颜色及饱满度要求较高的问题。根据垂直投影设定“V形”ROI区域并进行特征点的提取有效地保留了树顶分布规律,提高了特征点提取准确率。

    引入双重稳健回归的概念进行树顶直线的拟合,利用泰尔−森稳健回归对异常点较强的稳健性进行干扰点剔除,提高了后续RANSAC算法得到正确模型的概率和拟合精度,通过斜率变换关系得到可行驶区域边缘直线斜率信息,并进行关键点的寻找,使用最小二乘法拟合获得可行驶区域边缘直线。对不同生长期、不同工况进行试验分析,结果表明本文算法准确率高达94.8%,平均处理时间仅为82.4 ms,满足农业机器人果园作业中准确性与实时性的要求。

  • 图  1   α−酮戊二酸标准品峰图(A)及质量浓度与峰面积线性关系(B)

    Figure  1.   The standard peak plot (A) of α-ketoglutarate and linear relationship between mass concentration and peak area (B)

    图  2   不同菌株固态发酵产物色谱峰图

    Figure  2.   Chromatographic peaks of products from different strains in solid fermentation

    图  3   枯草芽孢杆菌固态发酵添加不同含量琥珀酸的发酵产物色谱峰图

    Figure  3.   Chromatographic peaks of fermentation products from Bacillus subtilis in solid fermentation with addition of different contents of succinic acid

    图  4   琥珀酸对枯草芽孢杆菌固态发酵生产α−酮戊二酸的影响

    Figure  4.   Effect of succinic acid on production of α-ketoglutaric acid by Bacillus subtilis in solid fermentation

    图  5   不同发酵物对小鼠生长的影响

    Figure  5.   Effects of different ferments on the growth of mice

    图  6   不同发酵物对小鼠体组成的影响

    “*”表示与对照组差异显著(P<0.05, t检验)

    Figure  6.   Effects of different ferments on the body composition of mice

    “*” indicates significant difference from the control group (P<0.05, t test)

    图  7   显微观察饲喂不同发酵物小鼠的肠道形态

    A和B分别是对照组和试验组的回肠,C和D分别是对照组和试验组的空肠

    Figure  7.   Intestinal morphology of mice fed different ferments under microscope

    A and B are ileums of control group and test group respectively, C and D are jejunums of control group and test group respectively

    图  8   不同发酵物对小鼠肠道形态的影响

    Figure  8.   Effects of different ferments on intestinal morphology of mice

    图  9   不同发酵物对小鼠免疫器官指数的影响

    “*”表示与对照组差异显著(P<0.05, t检验)

    Figure  9.   Effects of different fermentation products on immune organ indexes in mice

    “*” indicates significant difference from the control group (P<0.05, t test)

    表  1   不同发酵物产物对小鼠血常规的影响

    Table  1   Effects of different fermentation products on blood routine in mice

    检测项目 Test item 对照组 Control group 试验组1) Test group
    白细胞总数/(×109·L−1) White blood cell count 7.442±1.343 7.642±0.805
    嗜碱性粒细胞百分率/% Percentage of basophils 0.600±0.167 0.480±0.160
    嗜酸性粒细胞百分率/% Percentage of eosinophils 1.820±0.397 1.560±0.320
    中性粒细胞百分率/% Percentage of neutrophils 24.320±0.694 22.240±0.599*
    淋巴细胞百分率/% Percentage of lymphocytes 73.240±0.869 75.700±0.827*
    单核细胞百分率/% Percentage of monocytes 1.912±0.084 1.940±0.062
    红细胞计数/(×1012·L−1) Red blood cell count 9.758±0.569 9.514±0.218
    ρ(血红蛋白)/(g·L−1) Hemoglobin content 142.000±5.967 141.000±3.033
    红细胞平均体积/fL Mean corpuscular volume 51.780±1.314 51.200±0.593
    红细胞平均血红蛋白质量/pg Mean erythrocyte hemoglobin mass 14.580±0.293 14.840±0.206
    红细胞平均血红蛋白质量浓度/(g·L−1) Mean erythrocyte hemoglobin content 281.800±3.763 289.600±3.382*
    红细胞分布宽度/% Red blood cell distribution width 16.340±1.848 15.620±0.487
    红细胞压积/% Hematocrit 50.460±2.098 48.680±1.225
    血小板计数/(×109·L−1) Platelet count 936.000±113.680 960.400±100.661
    平均血小板体积/fL Mean platelet volume 6.000±0.141 6.080±0.133
    血小板分布宽度/% Platelet distribution width 15.200±0.110 15.140±0.102
    血小板比积/% Platelet specific volume 0.561±0.067 0.586±0.063
     1)“*”表示与对照组差异显著(P<0.05,t检验)
     1)“*” indicates significant difference from the control group (P<0.05,t test)
    下载: 导出CSV
  • [1]

    YEH S L, LAI Y N, SHANG H F, et al. Effects of glutamine supplementation on innate immune response in rats with gut-derived sepsis[J]. Brit J Nutr, 2004, 91(3): 423-429. doi: 10.1079/BJN20031069

    [2] 陈家顺, 苏文璇, 符晨星, 等. α−酮戊二酸的生理功能及其在动物生产中的应用[J]. 动物营养学报, 2018, 30(10): 29-38.
    [3]

    CHEN J, SU W, KANG B, et al. Supplementation with alpha-ketoglutarate to a low-protein diet enhances amino acid synthesis in tissues and improves protein metabolism in the skeletal muscle of growing pigs[J]. Amino acids, 2018, 50(11): 1525-1537. doi: 10.1007/s00726-018-2618-3

    [4]

    SPENCER G J, MCGRATH C J, GENEVER P G. Current perspectives on NMDA-type glutamate signalling in bone[J]. Int J Biochem Cell Biol, 2007, 39(6): 1089-1104. doi: 10.1016/j.biocel.2006.11.002

    [5]

    CHIN R M, FU X, PAI M Y, et al. The metabolite alpha-ketoglutarate extends lifespan by inhibiting ATP synthase and TOR[J]. Nature, 2014, 510(7505): 397-401. doi: 10.1038/nature13264

    [6]

    RAIMUNDO N, BAYSAL B E, SHADEL G S. Revisiting the TCA cycle: Signaling to tumor formation[J]. Trends Mol Med, 2011, 17(11): 641-649. doi: 10.1016/j.molmed.2011.06.001

    [7]

    SAUER M, PORRO D, MATTANOVICH D, et al. Microbial production of organic acids: Expanding the markets[J]. Trends Biotechnol, 2008, 26(2): 100-108. doi: 10.1016/j.tibtech.2007.11.006

    [8] 郭洪伟, 堵国成, 周景文, 等. 微生物发酵生产α−酮戊二酸研究进展[J]. 生物工程学报, 2013, 29(2): 141-152.
    [9] 刘艳新, 刘占英, 倪慧娟, 等. 微生物发酵饲料的研究进展与前景展望[J]. 饲料博览, 2017(2): 15-22. doi: 10.3969/j.issn.1001-0084.2017.02.005
    [10]

    MORGUNOV I G, KAMZOLOVA S V, PEREVOZNIKOVA O A, et al. Pyruvic acid production by a thiamine auxotroph of Yarrowia lipolytica[J]. Process Biochem, 2004, 39(11): 1469-1474. doi: 10.1016/S0032-9592(03)00259-0

    [11]

    CHERNYAVSKAYA O G, SHISHKANOVA N V, IL'CHENKO A P, et al. Synthesis of alpha-ketoglutaric acid by Yarrowia lipolytica yeast grown on ethanol[J]. Appl Microbiol Biotechnol, 2000, 53(2): 152-158. doi: 10.1007/s002530050002

    [12]

    LOCKWOOD L B, STODOLA F H. Preliminary studies on the production of alpha-ketoglutaric acid by Pseudomonas fluorescens[J]. J Biol Chem, 1946, 164(1): 81-83.

    [13]

    LIU Y, HUANG J, HOU Y, et al. Dietary arginine supplementation alleviates intestinal mucosal disruption induced by Escherichia coli lipopolysaccharide in weaned pigs[J]. Br J Nutr, 2008, 100(3): 552-560. doi: 10.1017/S0007114508911612

    [14]

    BERGEN W G, WU G. Intestinal nitrogen recycling and utilization in health and disease[J]. J Nutr, 2009, 139(5): 821-825. doi: 10.3945/jn.109.104497

    [15]

    FLYNN N E, BIRD J G, GUTHRIE A S. Glucocorticoid regulation of amino acid and polyamine metabolism in the small intestine[J]. Amino acids, 2009, 37(1): 123-129. doi: 10.1007/s00726-008-0206-7

    [16]

    KRISTENSEN N B, JUNGVID H, FERNANDEZ J A, et al. Absorption and metabolism of alpha-ketoglutarate in growing pigs[J]. J Anim Physiol Ani N, 2002, 86(7/8): 239-245.

    [17]

    HOU Y, YAO K, WANG L, et al. Effects of alpha-ketoglutarate on energy status in the intestinal mucosa of weaned piglets chronically challenged with lipopolysaccharide[J]. Br J Nutr, 2011, 106(3): 357-363. doi: 10.1017/S0007114511000249

    [18]

    HOU Y, WANG L, DING B, et al. Dietary alpha-ketoglutarate supplementation ameliorates intestinal injury in lipopolysaccharide-challenged piglets[J]. Amino acids, 2010, 39(2): 555-564. doi: 10.1007/s00726-010-0473-y

    [19]

    PARRY-BILLINGS M, EVANS J, CALDER P C, et al. Does glutamine contribute to immunosuppression after major burns[J]. Lancet, 1990, 336(8714): 523-525. doi: 10.1016/0140-6736(90)92083-T

  • 期刊类型引用(2)

    1. 王赫川,崔卫国,张涵,李天峰,尹国安,郭庆,李井春. α-酮戊二酸对湖羊精子质量与血浆生化指标的影响. 饲料工业. 2024(11): 55-61 . 百度学术
    2. 张启新,周游,黄飞. 谷氨酰胺酶抑制剂CB-839介导T细胞效应抑制肺癌细胞中αKGA、Gln转化的作用机制. 国际检验医学杂志. 2023(05): 582-587 . 百度学术

    其他类型引用(1)

图(9)  /  表(1)
计量
  • 文章访问数:  2633
  • HTML全文浏览量:  8
  • PDF下载量:  3210
  • 被引次数: 3
出版历程
  • 收稿日期:  2019-05-10
  • 网络出版日期:  2023-05-17
  • 刊出日期:  2020-03-09

目录

/

返回文章
返回