Morphological recognition of rice seedlings based on GoogLeNet and UAV image
-
摘要:目的
针对目前国内评价插秧质量主要以人工观察和随机抽样的现状，提出一种基于卷积神经网络GoogLeNet 对水稻秧苗图像进行形态识别的方法。
方法首先，利用无人机超低空航拍获取清晰、完整的稻田秧苗图像，通过裁剪标记制作漂秧、伤秧和合格秧苗数据集；然后，基于GoogLeNet结构训练数据，得到最佳网络识别模型；最后，对单穴秧苗图像进行分类试验，并与传统图像分类算法(SVM、BP神经网络)进行对比。
结果在相同样本的条件下，基于GoogLeNet的秧苗形态识别方法更快、更准确地完成了判断分类，秧苗形态识别的平均正确率为91.17%，平均耗时0.27 s；与SVM和BP神经网络相比，分类平均精度分别提高了21和13个百分点，检测时间分别缩短了1.09 和0.58 s。
结论本研究可为水稻插秧质量评价提供相关支持。
Abstract:ObjectiveIn view of the current situation that the quality of transplanting is mainly based on manual observation and random sampling in China, it is proposed to use the convolutional neural network GoogLeNet to recognize the morphology of rice seedlings.
MethodFirstly, clear and intact images of rice seedlings were obtained by UAV aerial photography at low altitude. Data sets of floating seedlings, damaged seedlings and qualified seedlings were made by cutting and marking. Then, based on the GoogLeNet structure training data, the optimal network recognition model was obtained. Finally, the image classification experiment of seedlings per hole was carried out, and compared with traditional image classification algorithms (SVM, BP neural network).
ResultUnder the condition of using the same samples, the seedling morphology recognition method based on GoogLeNet completed the judgment and classification was faster and more accurately. The average accuracy of seedling morphology recognition was 91.17%, and the average detection time was 0.27 s. Compared with SVM and BP neural network, the average classification accuracy increased by 21 and 13 percentage points respectively, and the detection time was shortened by 1.09 and 0.58 s respectively.
ConclusionThis study can provide the relevant support for evaluation of rice transplanting quality.
-
Keywords:
- Rice /
- Transplanting quality /
- Seedling morphology /
- GoogLeNet /
- UAV; Image classification
-
小粒种咖啡Coffea arabica是云南优势特色农产品，其种植面积及产量均占我国种植面积及产量的98%以上[1]。目前小粒种咖啡水肥管理粗放，水肥供给不匹配，直接影响小粒种咖啡的高效生产，有关小粒种咖啡水肥一体化的研究成果报道较少。灌溉能影响作物土壤环境、生理机制以及生长特性[2-4]。合理灌溉能够有效提高土壤水分含量，改善土壤水肥环境并维持其稳定状态[3, 5]，从而促进作物根系对水分的吸收，以维持作物组织器官正常运行及良好发育[6-7]。有研究表明，轻度亏缺灌溉对小粒种咖啡土壤细菌和放线菌数量影响较小，而中度和重度亏缺灌溉显著降低土壤微生物数量[3]。低水灌溉抑制小粒种咖啡根系对土壤养分的吸收利用，限制干物质累积，但提高水分利用效率；相反，增加灌水量可以提高根系对养分的吸收，促进小粒种咖啡干物质累积，但降低水分利用效率[2]。施肥对土壤环境及作物生长影响显著[8-11]。适量施肥改变土壤的理化性质及养分元素比例，促进土壤微生物繁殖和土壤酶活性转化，为作物根系提供易于吸收的无机养分元素和有机腐殖质养分[12-14]。咖啡幼苗在连作酸化土壤中配施石灰+牛粪有机肥可改善土壤理化性质，有效提高土壤脲酶活性，增加干物质量[13]；而按质量比施用5%以上的咖啡果皮有机肥可显著提高土壤养分含量以及脲酶和酸性磷酸酶活性，但会抑制咖啡幼苗生长及干物质累积[12]。然而，前人研究主要集中在单一灌水或施肥对咖啡土壤理化性质、干物质累积和氮肥利用率的影响[12-13, 15]，以及水肥耦合对小粒种咖啡光合特性、生理指标及产量的影响等方面[16-18]。而有关综合考虑土壤环境质量、干物质累积及灌溉水分利用效率，以寻求适度遮阴下小粒种咖啡适宜的滴灌施肥模式还鲜有报道。本研究在遮阴下探索不同滴灌施肥模式对小粒种咖啡土壤养分、微生物数量、酶活性、干物质累积及灌溉水分利用效率的影响，并运用隶属函数结合因子分析的方法评价土壤质量，采用TOPSIS法对土壤质量、干物质量和灌溉水分利用效率进行综合评价，以期找到适度遮阴下小粒种咖啡的最佳滴灌施肥模式，为小粒种咖啡合理水肥管理和科学栽培提供参考。
1. 材料与方法
1.1 试验地点及材料
试验于2017年2月至2018年12月在云南省昆明理工大学智能控制温室(102°45′E，24°42′N，海拔1 778.9 m)内进行，温室内相对湿度为50%~85%，温度为12~35 ℃。2017年2月13日选择长势一致的4年生小粒种咖啡‘卡蒂姆P7963’移栽到温室内，株行距1.4 m×1.0 m。种植土槽长10 m，宽0.6 m，深0.8 m，间距0.8 m，底部和两侧铺设塑料薄膜，防止水分渗漏。采用黑色遮阴网(30%遮阴度)为小粒种咖啡提供适宜遮阴[19]。供试土壤为红褐土，有机质15.05 g·kg−1、硝态氮57.48 mg·kg−1、速效磷12.61 mg·kg−1和速效钾85.53 mg·kg−1。
1.2 试验设计
试验设置灌水和施肥2因素3水平完全组合试验，共9个处理。每个处理3个重复(即每个处理3株小粒种咖啡树)，共27株小粒种咖啡树。3个灌水水平：高水(WH：1.2 Ep，Ep为灌水间隔内直径20 cm标准蒸发皿的水面蒸发量)、中水(WM：1.0 Ep)和低水(WL：0.8 Ep)；3个施肥水平(结合前人的研究[17, 20]和施肥习惯)：高肥(FH：530.00 kg·hm−2)、中肥(FM：353.33 kg·hm−2)和低肥(FL: 176.67 kg·hm−2)。供试肥料为赛固特生物科技有限公司的大量元素水溶肥(N、P2O5、K2O质量分数均为20%)，试验中，对于养分N、P2O5、K2O的施入量，FH均为106.00 kg·hm−2，FM均为70.67 kg·hm−2，FL均为35.33 kg·hm−2。温室中央设置直径20 cm标准蒸发皿，测定温室的水面蒸发量，以确定小粒种咖啡灌水量[21]。定植后从2017年5月22日开始正式灌水，灌水间隔7 d，试验期间共灌水81次，WH、WM和WL单株总灌水量分别为224.95、187.46和149.97 L(即3749.20、3124.33和2499.47 m3·hm−2)。灌溉方式采用地表滴灌，滴头流量2 L·h−1，滴头设在树两侧、距离树干基部0.2 m处，间距与树距相同，水表计量控制灌水。水溶肥充分溶解后，随灌溉水通过地表滴头流入小粒种咖啡根区，分6次等量施入，FH、FM和FL的单株总施肥量分别是190.8、127.2和63.6 g(即3180、2120和1060 kg·hm−2)，施肥日期分别为2017年5月22日、2017年9月6日、2017年12月20日、2018年2月28日、2018年5月27日和2018年8月12日。
1.3 测定项目与方法
1.3.1 土壤环境
滴灌施肥后，于2018年3月30日(春季)、2018年6月27日(夏季)和2018年9月12日(秋季)，在东南西北4个方向上距小粒种咖啡树干基部约10 cm处用土钻取0~40 cm深度土样，每隔10 cm深取样一次，将0~40 cm土样混匀，重复3次。采集的混合土样除去石砾和作物根系等杂物后，过1 mm筛，一部分自然风干后用于测定土壤养分和酶活性，另一部分保存在4 ℃冰箱中，用于测定土壤微生物数量。土壤硝态氮、速效磷和速效钾含量分别采用紫外可见分光光度计、钼锑抗比色法和火焰光度计测定[22]；土壤细菌、真菌和放线菌数量测定分别采用牛肉膏蛋白胨琼脂培养基、马丁氏(Martin)−孟加拉红培养基和改良高氏一号合成培养基，均以平板表面涂抹法计数[22]；土壤脲酶、过氧化氢酶和磷酸酶活性分别采用苯酚钠比色法、高锰酸钾滴定法和磷酸笨二钠比色法[22]测定。
1.3.2 干物质量
试验结束后，将小粒种咖啡各器官按根、枝、叶和树干分别收集、装袋，放入烘箱内烘烤，保持105 ℃杀青30 min后，调至80 ℃干燥至恒质量，用精度为0.01 g的天平称其干物质量。
1.3.3 灌水量及灌溉水分利用效率
灌水量(I)的确定[21]：
$$I = {K_{\rm{P}}} \times S \times {E_{\rm{P}}},$$ (1) 式中：I为单株作物耗水量，mL；KP为作物系数，取1.0；S为灌溉面积；EP为2次灌水间隔内蒸发皿的蒸发量，mm。
灌溉水分利用效率为总干物质量与总灌水量的比值。
1.4 数据处理
采用Microsoft Excel 2019和Origin Pro 2018软件进行数据整理、处理和制图，用SPSS 25.0统计分析软件进行相关性分析和方差分析(ANOVA)，多重比较采用Duncan’s法。
1.5 评价方法
1.5.1 综合评价方法
为了直观分析适度遮阴下不同滴灌施肥处理对土壤质量的影响，将土壤各指标用隶属函数与因子分析结合的方法进行处理，得到土壤质量综合评价指数[23]。隶属函数计算公式如下：
$$F({X_{ij}}) = {{\left( {{X_{ij}} - {X_{\min }}} \right)}/ {\left( {{X_{\max }} - {X_{\min }}} \right)}},$$ (2) $$F\left( {{X_{ij}}} \right) = 1 - {{\left( {{X_{ij}} - {X_{\min }}} \right)}/ {\left( {{X_{\max }} - {X_{\min }}} \right)}},$$ (3) 式中：
${X_{ij}}$ 为第i个处理下的第j个指标；${X_{\max }}$ 和${X_{\min }}$ 分别为第j个指标中所有处理下该指标的最大值和最小值；$F\left( {{X_{ij}}} \right)$ 为第i个处理下第j个指标的隶属函数值。如果土壤指标与土壤质量指数呈正相关，使用公式(2)；反之，使用公式(3)。通过对各项土壤指标进行因子分析，计算出各项指标公因子方差，得出权重值[24]，计算土壤质量指数(Soil quality index，SQI)：
$${\rm{SQI = }}\sum \nolimits_{i{\rm{ = 1}}}^n {\sum \nolimits_{j{\rm{ = 1}}}^n {F\left( {{X_{ij}}} \right)} } \times W\left( {{X_{ij}}} \right),$$ (4) 式中：
$W\left( {{X_{ij}}} \right)$ 为第i个处理下第j个指标的权重；n为正整数。1.5.2 TOPSIS法
TOPSIS法是一种逼近理想解的排序方法，它具有适用范围广、可以充分利用原始数据、算法简单且对数据样本量及多指标处理无严格限制等优点[1]。采用多指标计算出正负理想距离，并通过对综合指数排序判断各处理的优劣。基本步骤如下：
1)建立评价对象和评价指标的矩阵
$ {\boldsymbol{D} }= {\left( {{d_{ij}}} \right)_{m \times n}} $ ：本试验评价对象(m)为3×3个(灌水水平×施肥水平)，3个评价指标(n)为土壤综合质量、干物质和水分利用效率，$ {d}_{ij} $ 为第i个评价对象下的第j个评价指标，m=9，n=3；2)对各指标进行归一化处理，构建规范决策矩阵
$ {\boldsymbol{Z}} = {\left( {{z_{ij}}} \right)_{m \times n}} $ ：$$ {z}_{ij}={d}_{ij}\times {\left({\sum }_{i=1}^{m}{{d}_{ij}}^{2}\right)}^{-0.5}， $$ (5) 式中：
$ {z}_{ij} $ 为归一化处理后的第i个评价对象下的第j个评价指标，m=9，n=3；3)评价指标权重确定：先构建矩阵
${\boldsymbol{B}} ={\mathit{\boldsymbol{{\boldsymbol{Z}}}}}^{\rm{T}}= {({z}_{ji})}_{n\times m}$ ，再求权重$ {w}_{j} $ ：$$ {w}_{j}={\sum }_{i=1}^{m}\left({b}_{ji}/{\sum }_{k=1}^{n}{b}_{ki}\right){\left( {\sum }_{i=1}^{n}{\sum }_{i=1}^{m}\frac{{b}_{ji}}{{\displaystyle\sum }_{k=1}^{n}{b}_{ki}} \right)}^{-1}， $$ (6) 式中：B、ZT是规范决策矩阵Z的转置矩阵，bji和 bki是对应矩阵Β中的元素，其分别是第j和第k个评价指标中的第i个评价对象。k是n个评价指标中的第k个评价指标；
4)确定加权矩阵
${{\boldsymbol{Z}}^\prime }$ ：$$ {{\boldsymbol{Z}}^\prime } = {w_j} \cdot {z_{ij}}; $$ (7) 5)确定正、负理想解：
$$\begin{split} &{{z}'}_{j}^{+}={\rm{ma}}{{\rm{x}}_{1 \leqslant j \leqslant m}}\left({z}_{1j},{z}_{2j},\cdots ,{z}_{nj}\right) ,\\ & {{z}'}_{j}^{-}={\rm{mi}}{{\rm{n}}_{1 \leqslant j \leqslant m}}\left({z}_{1j},{z}_{2j},\cdots ,{z}_{nj}\right) ; \end{split} $$ (8) 式中：
${{z}'}_{j}^{+}$ 、${{z}'}_{j}^{-} $ 分别是加权矩阵Z′第j列正、负理想解。6)确定评价指标与正、负理想解的距离
$ D_i^ + $ 和$ D_i^ - $ ：$$ \begin{split} &D_i^ + = \sqrt { {\sum\nolimits_{i = 1}^m {{{\left( {{{z'}_{ij}} - z_j^{ '+} } \right)}^2}} } } ,\;\\ &D_i^ - = \sqrt { {\sum\nolimits_{i = 1}^m {{{\left( {{{z'}_{ij}} - z_j^{' -} } \right)}^2}} } } ; \end{split} $$ (9) 7)确定各项评价指标与最优方案的接近度
${C_i}$ ，${C_i}$ 值越大表明其接近度越好。$${C_i} = \frac{{D_i^ - }}{{D_i^ + + D_i^ - }}; \; 0 \leqslant {C_i} \leqslant 1{\text{。}}$$ (10) 2. 结果与分析
2.1 滴灌施肥对小粒种咖啡根区土壤养分的影响
单因素方差分析结果(表1)表明，除灌水水平对土壤硝态氮季均值影响不显著(P>0.05)外，施肥水平和灌水水平对土壤硝态氮、速效磷、速效钾含量影响极显著(P<0.01)。二因素交互作用对夏季和秋季的硝态氮、春季的速效钾含量影响极显著(P<0.01)，对春季的速效磷、夏季和秋季的速效钾含量影响显著(P<0.05)。由表1可知，土壤硝态氮和速效磷含量排序为：春季>秋季>夏季，速效钾含量排序基本为：秋季>春季>夏季。与WL相比，WM减少硝态氮季均值的影响不明显，WM分别减少速效磷和速效钾季均值11.73%和24.14%，WH分别减少硝态氮、速效磷和速效钾季均值16.05%、28.45%和40.40%。与FL相比，FM分别增加硝态氮和速效钾季均值36.49%和25.50%，但FM增加速效磷季均值不明显，FH分别增加硝态氮、速效磷和速效钾季均值64.88%、186.01%和41.59 %。硝态氮、速效磷和速效钾季均值在FHWL时达到最大值，分别为78.97、33.25和174.55 mg·kg−1，与FLWL相比分别增加72.61%、154.01%和7.37%。因此，硝态氮、速效磷和速效钾含量随灌水量增加而减少，随施肥量增加而增加。
表 1 滴灌施肥下小粒种咖啡根区土壤养分的季节变化1)Table 1. Seasonal changes of soil nutrients in root zone of Coffea arabica under drip fertigationw/(mg·kg−1) 施肥水平
Fertilizer
level灌水水平
Irrigation
level硝态氮 Nitrate nitrogen 速效磷 Available phosphorus 速效钾 Available potassium 春季
Spring夏季
Summer秋季
Autumn季均值
Season average春季
Spring夏季
Summer秋季
Autumn季均值
Season average春季
Spring夏季
Summer秋季
Autumn季均值
Season averageFL WL 54.63±2.48e 37.85±3.11f 44.76±2.59f 45.75±8.43b 15.88±1.57cd 11.05±0.83d 12.33±1.46de 13.09±2.50c 120.92±4.53d 122.32±3.07c 137.98±2.18c 127.07±9.47c WM 50.87±4.91e 38.85±2.43f 41.08±2.03g 43.60±6.39b 13.61±0.98e 9.15±0.71d 10.55±0.96e 11.10±2.28cde 99.96±3.55ef 83.88±2.90f 93.17±2.22f 92.34±8.07e WH 43.62±4.07f 39.85±1.91h 36.08±1.69h 39.85±3.77b 9.79±1.03f 6.06±0.38e 7.85±0.81f 7.90±1.87de 73.52±2.88g 67.89±1.43g 80.02±5.09g 73.81±6.07f FM WL 77.45±1.81c 40.85±3.06c 67.67±2.63cd 61.99±18.95ab 17.50±0.58c 11.28±0.53d 13.56±1.65d 14.11±3.15c 158.39±5.90b 145.97±3.01b 162.21±2.73b 155.52±8.49b WM 75.74±4.01c 41.85±1.40d 64.24±1.67d 60.61±17.23ab 14.25±1.16de 10.06±0.71d 11.28±0.78de 11.86±2.16cd 129.10±3.09c 111.65±2.43d 125.05±2.39d 121.93±9.13c WH 63.97±3.76d 42.85±3.56e 54.41±2.06e 53.74±10.58ab 8.64±0.44f 5.61±0.36e 7.42±0.63f 7.22±1.52e 96.56±1.99f 82.54±1.32f 92.55±4.08f 90.55±7.22e FH WL 99.13±5.33a 43.85±2.58a 93.92±2.53a 78.97±30.52a 35.03±1.53a 31.60±2.53a 33.12±1.88a 33.25±1.72a 175.65±6.09a 167.45±7.38a 180.54±3.66a 174.55±6.61a WM 88.88±2.56b 44.85±3.60b 78.98±1.98b 70.90±23.1ab 32.41±1.45b 28.50±1.55b 30.29±1.62b 30.40±1.96ab 135.44±4.35c 125.54±3.75c 136.58±1.59c 132.52±6.07c WH 75.27±3.13c 45.85±1.34cd 68.34±1.76c 63.15±15.38ab 30.91±1.63b 25.83±1.84c 27.66±1.10c 28.13±2.57b 106.54±3.37e 102.54±2.25e 115.25±3.33e 108.11±6.50d P F <0.01** <0.01** <0.01** <0.01** <0.01** <0.01** <0.01** <0.01** <0.01** <0.01** <0.01** <0.01** W <0.01** <0.01** <0.01** 0.47 <0.01** <0.01** <0.01** <0.01** <0.01** <0.01** <0.01** <0.01** F×W 0.06 <0.01** <0.01** 0.99 0.03* 0.66 0.78 0.90 <0.01** 0.02* 0.01* 0.44 1)同列数据后的不同小写字母表示处理间差异显著(P<0.05, Duncan’s法)；“*”和“**”分别表示在P<0.05和P<0.01水平差异显著(单因素方差分析方法)
1)Different lowercase letters in the same column indicate significant differences among different treatments (P<0.05, Duncan’s method); “*” and “**” indicate significant differences atP<0.05 andP<0.01 levels respectively (One-way ANOVA test)2.2 滴灌施肥对小粒种咖啡根区土壤微生物数量的影响
单因素方差分析结果(表2)表明，施肥水平和灌水水平对土壤细菌、真菌和放线菌数量(季均值除外)均影响极显著(P<0.01)，二因素交互作用对春季细菌数量影响显著(P<0.05)。由表2可知，细菌和放线菌数量夏季最多，春季次之，秋季最少；真菌数量秋季最多，春季次之，夏季最少。细菌、真菌和放线菌数量随灌水量的增加而增加，与WL相比，其余灌水水平的细菌、真菌和放线菌数量季均值分别增加25.20%~49.04%、14.14%~27.71%和10.14%~18.94%。细菌、真菌和放线菌数量随施肥量增加呈先增后减的趋势，与FL相比，其余施肥水平的细菌、真菌和放线菌数量季均值分别增加23.08%~46.72%、13.37%~26.04%和10.13%~18.64%。土壤细菌、真菌和放线菌数量季均值在FMWH处理时达到最大值，分别为7.12×107、10.48×103和13.45×105 CFU·g−1，与FLWL处理相比分别增加了121.81%、61.73%和41.43%。
表 2 滴灌施肥下小粒种咖啡根区土壤微生物数量的季节变化1)Table 2. Seasonal changes of soil microbial quantity in root zone of Coffea arabica under drip fertigation施肥水平
Fertilizer
level灌水水平
Irrigation
level细菌/(×107 CFU·g−1) Bacteria 真菌/(×103 CFU·g−1) Fungi 放线菌/(×105 CFU·g−1) Actinomycetes 春季
Spring夏季
Summer秋季
Autumn季均值
Season average春季
Spring夏季
Summer秋季
Autumn季均值
Season average春季
Spring夏季
Summer秋季
Autumn季均值
Season averageFL WL 3.64±0.44e 4.27±0.29g 1.72±0.35e 3.21±1.33c 5.61±0.30e 4.49±0.26e 9.35±0.27e 6.48±2.54a 9.57±0.08f 11.38±0.42e 7.57±0.17e 9.51±1.91b WM 4.65±0.10d 5.46±0.34d 2.55±0.33d 4.22±1.50bc 6.42±0.33d 5.46±0.39d 10.49±0.18d 7.46±2.67a 10.77±0.15d 12.51±0.21d 8.51±0.23d 10.60±2.01ab WH 5.55±0.11c 6.52±0.45c 3.59±0.22c 5.22±1.49abc 7.52±0.28c 6.47±0.48c 11.49±0.45c 8.49±2.65a 11.56±0.20c 13.53±0.36c 9.38±0.21c 11.49±2.07ab FM WL 5.35±0.09c 6.45±0.32c 3.52±0.22c 5.11±1.48abc 7.32±0.30c 6.31±0.15c 11.42±0.13c 8.35±2.71a 11.36±0.24c 13.37±0.41c 9.73±0.33c 11.49±1.82ab WM 6.89±0.05b 7.41±0.35b 4.69±0.18b 6.33±1.44ab 8.32±0.12b 7.52±0.44b 12.49±0.25b 9.44±2.67a 12.71±0.25b 14.37±0.42b 10.56±0.25b 12.55±1.91ab WH 7.42±0.36a 8.50±0.35a 5.45±0.30a 7.12±1.55a 9.47±0.17a 8.50±0.28a 13.47±0.14a 10.48±2.63a 13.48±0.24a 15.30±0.15a 11.57±0.20a 13.45±1.87a FH WL 4.48±0.13d 5.63±0.41d 2.44±0.20d 4.18±1.62bc 6.26±0.12d 5.44±0.25d 10.61±0.20d 7.44±2.78a 10.50±0.15de 12.62±0.22d 8.58±0.27d 10.57±2.02ab WM 5.30±0.10c 6.35±0.38c 3.64±0.12c 5.10±1.37abc 7.63±0.17c 6.55±0.24c 11.38±0.31c 8.52±2.53a 11.57±0.40c 13.66±0.27c 9.64±0.27c 11.62±2.01ab WH 6.69±0.27b 7.62±0.18b 4.57±0.34b 6.29±1.56ab 8.55±0.12b 7.33±0.27b 12.53±0.20b 9.47±2.72a 12.72±0.27b 14.50±0.33a 10.60±0.20b 12.61±1.95ab P F <0.01** <0.01** <0.01** 0.04* <0.01** <0.01** <0.01** 0.32 <0.01** <0.01** <0.01** 0.13 W <0.01** <0.01** <0.01** 0.03* <0.01** <0.01** <0.01** 0.28 <0.01** <0.01** <0.01** 0.12 F×W 0.03* 0.84 0.67 1.00 0.32 0.89 0.78 1.00 0.60 0.96 0.91 1.00 1)同列数据后的不同小写字母表示处理间差异显著(P<0.05，Duncan’s法)；“*”和“**”分别表示在P<0.05和P<0.01水平差异显著(单因素方差分析方法)
1)Different lowercase letters in the same column indicate significant differences among different treatments (P<0.05, Duncan’s method); “*” and “**” indicate significant differences atP<0.05 andP<0.01 levels respectively (One-way ANOVA test)2.3 滴灌施肥对小粒种咖啡根区土壤酶活性的影响
单因素方差分析结果(表3)表明，除施肥水平和灌水水平对土壤磷酸酶活性季均值、灌水水平对秋季的过氧化氢酶活性及过氧化氢酶活性季均值影响不显著(P>0.05)外，施肥水平和灌水水平对脲酶、过氧化氢酶和磷酸酶活性均影响显著(P<0.05)。由表3可知，脲酶和磷酸酶活性：秋季>春季>夏季；各施肥水平的过氧化氢酶活性：FL处理为春季>秋季>夏季、FM处理为春季>夏季>秋季、FH处理为秋季>春季>夏季。脲酶、过氧化氢酶和磷酸酶活性随灌水量增加而增加，与WL相比，其余灌水水平的脲酶、过氧化氢酶和磷酸酶活性季均值分别增加6.67%~14.29%、1.74%~3.04%和5.02%~9.19%。脲酶、过氧化氢酶(秋季除外)和磷酸酶活性随施肥量的增加呈先增后减的趋势，与FL相比，其余施肥水平的脲酶、过氧化氢酶和磷酸酶活性季均值分别增加16.16%~24.24%、31.05%~38.68%和7.89%~11.59%。脲酶、过氧化氢酶和磷酸酶活性季均值在FMWH处理时达到最大值，分别是0.44、1.77和88.49 mg·g−1·d−1，与FLWL处理相比分别增加46.67%、42.74%和22.55%。
表 3 滴灌施肥下小粒种咖啡根区土壤酶活性季节变化1)Table 3. Seasonal changes of soil enzyme activity in root zone of Coffea arabica under drip fertigationmg·g−1·d−1 施肥水平
Fertilizer
level灌水水平
Irrigation
level脲酶 Urease 过氧化氢酶 Catalase 春季
Spring夏季
Summer秋季
Autumn季均值
Season average春季
Spring夏季
SummerFL WL 0.30±0.02g 0.29±0.01e 0.32±0.01g 0.30±0.02f 1.37±0.03e 1.12±0.02g WM 0.33±0.01f 0.32±0.01d 0.35±0.01f 0.33±0.02e 1.38±0.01e 1.16±0.01f WH 0.36±0.01e 0.34±0.01c 0.37±0.01e 0.36±0.02de 1.39±0.02e 1.19±0.01e FM WL 0.39±0.01cd 0.36±0.01c 0.39±0.01d 0.38±0.02cd 1.94±0.02b 1.74±0.01b WM 0.41±0.01b 0.40±0.01ab 0.42±0.01b 0.41±0.01ab 1.96±0.02ab 1.77±0.01a WH 0.44±0.01a 0.42±0.02a 0.45±0.02a 0.44±0.02a 1.98±0.02a 1.79±0.02a FH WL 0.37±0.02de 0.36±0.02c 0.39±0.01de 0.37±0.02d 1.63±0.03d 1.44±0.02d WM 0.39±0.01cd 0.36±0.03c 0.40±0.01cd 0.38±0.02bcd 1.67±0.01c 1.46±0.02d WH 0.40±0.02bc 0.39±0.01b 0.42±0.01bc 0.40±0.02bc 1.68±0.01c 1.49±0.02c P F <0.01** <0.01** <0.01** <0.01** <0.01** <0.01** W <0.01** <0.01** <0.01** <0.01** <0.01** <0.01** F×W 0.41 0.25 0.12 0.59 0.59 0.42 施肥水平
Fertilizer
level灌水水平
Irrigation
level过氧化氢酶 Catalase 磷酸酶 Phosphatase 秋季
Autumn季均值
Season average春季
Spring夏季
Summer秋季
Autumn季均值
Season averageFL WL 1.24±0.01c 1.24±0.13b 75.73±2.15g 56.33±4.90f 84.56±2.42e 72.21±14.44a WM 1.26±0.01c 1.27±0.11b 80.04±2.26f 59.04±2.72ef 88.88±3.89de 75.99±15.33a WH 1.28±0.02c 1.29±0.10b 83.52±0.91de 62.39±1.21cde 92.39±1.82cd 79.43±15.41a FM WL 1.55±0.01b 1.74±0.20a 84.81±1.04cde 63.44±1.29cde 93.16±3.11cd 80.47±15.33a WM 1.56±0.01b 1.76±0.20a 88.17±0.41b 67.20±2.49bc 99.78±3.37ab 85.05±16.51a WH 1.55±0.14b 1.77±0.22a 91.53±0.89a 72.70±2.21a 101.25±4.22a 88.49±14.52a FH WL 1.83±0.02a 1.63±0.20a 82.76±2.33ef 61.77±2.81de 91.77±1.99cd 78.77±15.39a WM 1.86±0.02a 1.66±0.20a 85.92±2.54bcd 65.26±1.30bcd 94.90±1.63bc 82.03±15.20a WH 1.89±0.01a 1.69±0.20a 87.68±1.08bc 68.28±2.46ab 98.42±1.55ab 84.79±15.28a P F <0.01** <0.01** <0.01** <0.01** <0.01** 0.474 W 0.35 0.88 <0.01** <0.01** <0.01** 0.620 F×W 0.87 1.00 0.67 0.82 0.86 1.00 1)同列数据后的不同小写字母表示处理间差异显著(P<0.05，Duncan’s法)；“*”和“**”分别表示在P<0.05和P<0.01水平差异显著(单因素方差分析方法)
1)Different lowercase letters in the same column indicate significant differences among different treatments (P<0.05, Duncan’s method); “*” and “**” indicate significant differences atP<0.05 andP<0.01 levels respectively (One-way ANOVA test)2.4 土壤养分含量、微生物数量和酶活性的相关性分析
由表4可知，土壤硝态氮含量及土壤细菌、真菌和放线菌数量与过氧化氢酶活性呈显著正相关(P<0.05)，土壤细菌、真菌和放线菌数量分别与脲酶和磷酸酶活性呈极显著正相关(P<0.01)。表明小粒种咖啡根区土壤微生物的生命活动与土壤酶活性之间存在着密切的联系。
2.5 滴灌施肥对小粒种咖啡根区土壤质量的影响
由图1可知，遮荫下不同滴灌施肥处理的土壤质量指数从大到小排序依次为：FMWH、FHWH、FMWM、FHWM、FHWL、FMWL、FLWH、FLWM和FLWL。说明适量增加灌水量和施肥量能有效提高土壤质量，其中以FMWH处理的效果最佳，土壤质量指数最高(0.75)。
表 4 土壤养分含量、微生物数量和酶活性的相关性分析1)Table 4. Correlation analysis of soil nutrient content and microbial quantity and enzyme activity项目
Item硝态氮
Nitrate
nitrogen速效磷
Available
phosphorus速效钾
Available
potassium细菌
Bacteria真菌
Fungi放线菌
Actinomycetes脲酶
Urease过氧化
氢酶
Catalase磷酸酶
Phosphatase硝态氮 Nitrate nitrogen 1.00 速效磷 Available phosphorus 0.84** 1.00 速效钾 Available potassium 0.79* 0.63 1.00 细菌 Bacteria 0.12 −0.17 −0.36 1.00 真菌 Fungi 0.13 −0.16 −0.37 0.99** 1.00 放线菌 Actinomycetes 0.16 −0.13 −0.34 0.99** 0.99** 1.00 脲酶 Urease 0.40 0.04 −0.07 0.94** 0.95** 0.95** 1.00 过氧化氢酶 Catalase 0.71* 0.31 0.38 0.71* 0.71* 0.73* 0.87** 1.00 磷酸酶 Phosphatase 0.33 0.02 −0.19 0.97** 0.98** 0.98** 0.99** 0.83** 1.00 1)“*”和“**”分别表示达0.05和0.01水平的显著相关(双尾检测)
1) “*”and“**”indicate significant correlation at 0.05 and 0.01 levels, respectively (Double tail detection)![]()
图 1 滴灌施肥下小粒种咖啡根区土壤质量指数柱子上方的不同小写字母表示处理间差异显著 (P<0.05, Duncan’s法)Figure 1. Soil quality index of Coffea arabica root zone under drip fertigationDifferent lowercase letters on the columns indicate significant differences among different treatments(P<0.05, Duncan’s test)2.6 滴灌施肥对小粒种咖啡干物质累积及灌溉水分利用效率的影响
单因素方差分析结果(表5)表明，施肥水平对根、枝、树干、总干物质量及灌溉水分利用效率影响显著(P<0.05)，灌水水平对根、树干、总干物质量及灌溉水分利用效率影响显著(P<0.05)。由表5可知，与WL相比，增加灌水量，根、枝、叶、树干和总干物质量分别增加4.51%~8.61%、7.71%~18.67%、5.00%~8.87%、8.80%~13.74%和6.04%~11.24%，而灌溉水分利用效率减少15.22%~25.88%。总干物质量和灌溉水分利用效率随施肥量增加呈先增后减的趋势。与FL相比，增加施肥量，根、枝、叶、树干、总干物质量和灌溉水分利用效率分别增加3.97%~15.71%、23.88%~30.69%、1.47%~13.39%、0.14%~19.69%、5.00%~17.75%和5.20%~17.90%。FMWH处理的根、枝、叶、树干和总干物质量最大，FMWL处理的灌溉水分利用效率最大，与FLWL处理相比，分别增加26.53%、59.65%、24.80%、36.82、32.34%和18.80%。
表 5 滴灌施肥对小粒种咖啡干物质累积及灌溉水分利用效率的影响1)Table 5. Effects of drip fertigation on dry mass accumulation and irrigation water use efficiency of Coffea arabica施肥水平
Fertilizer
level灌水水平
Irrigation
level干物质量/(kg·hm−2) Dry mass 灌溉水分利用效率/(kg·m−3)
Irrigation water
use efficiency根
Root枝
Branch叶
Leaf树干
Trunk总干物质量
Total dry massFL WL 8083.33±
159.00d3733.67±
882.33b10884.17±
1 886.17a6022.17±
570.17d28723.33±
2 532.67d3.83±0.10c WM 8461.00±
547.83cd4207.83±
797.00ab11658.83±
2 495.33a6533.50±
540.33cd30861.17±
2 201.00cd3.29±0.09d WH 8917.17±
557.00bcd4822.00±
1694.33ab11960.67±
2 049.83a6667.00±
606.17cd32366.83±
434.33bcd2.88±0.10e FM WL 9411.50±
885.67abc5210.17±
390.67ab12471.83±
1 042.50a7000.83±
687.33bc34094.33±
2 868.67abc4.55±0.09a WM 9822.33±
497.83abc5510.00±
698.00ab13067.00±
2 035.67a7768.00±
404.17ab36167.33±
2 203.67ab3.86±0.10bc WH 10228.00±
621.50a5960.83±
1131.33a13583.33±
2 441.67a8239.33±
178.17a38011.50±
3 031.83a3.38±0.17d FH WL 8501.17±
682.5cd4922.50±
516.83ab11254.83±
2 224.17a6038.50±
550.33d30717.00±
2 658.33cd4.10±0.12b WM 8884.17±
732.83bcd5217.00±
1 020.83ab11616.67±
1 696.67a6438.00±
305.67cd32155.83±
1265.33bcd3.43±0.15d WH 9087.83±
315.00bcd5672.33±
1350.00ab12138.33±
1274.83a6773.50±
419.50cd33672.00±
2 029.83bc2.99±0.11e P F <0.01** 0.04* 0.22 <0.01** <0.01** <0.01** W 0.05* 0.22 0.55 <0.01** 0.02* <0.01** F×W 0.99 1.00 1.00 0.85 1.00 0.69 1)同列数据后的不同小写字母表示处理间差异显著(P<0.05，Duncan’s法)；“*”和“**”分别表示在P<0.05和P<0.01水平差异显著(单因素方差分析方法)
1)Different lowercase letters in the same column indicate significant differences among different treatments (P<0.05, Duncan’s method); “*” and “**” indicate significant differences atP<0.05 andP<0.01 levels respectively (One-way ANOVA test)2.7 基于TOPSIS法的滴灌施肥方案的综合评价
采用基于土壤质量、干物质量和灌溉水分利用效率的TOPSIS法对不同施肥水平、灌水水平各处理进行综合分析评价，结果列于表6，接近度Ci值越大表示各指标综合评价越理想。由表6可知，各处理接近度Ci值由高到低依次是：FMWM、FMWH、FMWL、FHWH、FHWM、FHWL、FLWH、FLWM和FLWL，其中最优组合是FMWM(0.841)，其次是FMWH(0.790)。
表 6 小粒种咖啡不同滴灌施肥方案的TOPSIS综合分析Table 6. TOPSIS comprehensive analysis of different drip fertigation schemes for Coffea arabica施肥水平
Fertilizer
level灌水水平
Irrigation
level评价指标加权归一化
Weighted normalization
of evaluation index正负理想解距离
Positive and negative
ideal solution distance接近度
Proximity
(Ci)排名
Ranking土壤质量
Soil quality干物质量
Dry matter灌溉水分利用效率
Irrigation water use efficiencyDi+ Di− FL WL 0.016 0.102 0.121 0.125 0.027 0.176 9 WM 0.034 0.110 0.108 0.109 0.024 0.180 8 WH 0.052 0.115 0.095 0.098 0.038 0.281 7 FM WL 0.102 0.121 0.144 0.035 0.100 0.742 3 WM 0.123 0.128 0.127 0.022 0.114 0.841 1 WH 0.134 0.135 0.111 0.033 0.124 0.790 2 FH WL 0.104 0.109 0.130 0.042 0.095 0.691 6 WM 0.113 0.114 0.113 0.043 0.099 0.698 5 WH 0.127 0.119 0.098 0.049 0.113 0.699 4 权重
Weight0.2958 0.3522 0.3520 正理想解
Positive ideal solution0.134 0.135 0.144 负理想解
Negative ideal solution0.016 0.102 0.095 3. 讨论与结论
遮阴下不同灌水水平和施肥水平对土壤养分有效性影响不同，有效养分含量的高低决定了作物生长的状况[25-26]。本研究发现，土壤速效养分含量随灌水量的增加而减少，主要是增加灌水量缓解水分胁迫对小粒种咖啡的影响，促进根系对土壤养分的吸收[4]。土壤速效养分随施肥量的增加而增加，这与文献[27]的研究结论(施肥提高土壤速效养分累积量，促进作物根系分泌物的释放，提升土壤有机养分含量，从而提升土壤肥力，为作物的生长提供充足的养分基础)相一致。
土壤微生物对作物的生长发育至关重要，同时也是影响土壤环境质量的重要因子，其繁殖受制于土壤水分和养分状况[28-29]。本研究发现，遮阴下灌水水平和施肥水平对土壤微生物(细菌、真菌和放线菌)数量影响显著，这是由于滴灌可改善土壤结构，提高土壤有效水量，促使肥料营养元素矿化和土壤矿质养分扩散运输，为根区土壤微生物快速繁殖提供良好条件，从而改善了土壤综合质量[17]。本研究还发现，FM处理的土壤微生物数量大于FH处理，这主要与过量施肥易使土壤pH降低，破坏土壤结构，降低土壤碳氮比和土壤养分有效性有关[30-31]。
土壤酶活性是评价土壤综合质量的重要指标，且对水肥响应较敏感[32]。本研究发现，遮阴下灌水水平和施肥水平对土壤脲酶、过氧化氢酶(除秋季)、磷酸酶活性影响显著。这是由于灌水使土壤含水率增加，进而使土壤酶(脲酶、过氧化氢酶和磷酸酶)活性提高[33]。而施肥提高了土壤无机养分含量，为土壤微生物的生命活动和作物根系呼吸提供了充足的底物，使土壤酶积极参与其生化反应。有研究表明，过量施肥会改变土壤理化性质，破坏土壤通气性，使土壤氧气含量降低，抑制土壤呼吸，而土壤中90%的土壤酶来自根系分泌物[34]，导致土壤酶活性受到一定程度的抑制，这与本研究中FH处理降低土壤酶活性的结果一致。
土壤养分、微生物数量及酶活性是影响土壤质量的重要因子[25, 28, 32]。本研究对遮阴下土壤质量指标进行相关性分析，结果表明土壤养分、微生物数量和酶活性之间存在一定的相关性，其中硝态氮与过氧化氢酶呈显著正相关，说明合理增加施肥量可提高过氧化氢酶活性，促进过氧化氢水解反应，防止过氧化氢对小粒种咖啡根系的毒害作用，提升土壤自净能力。土壤微生物数量和酶活性呈显著或极显著正相关，说明土壤微生物繁殖与土壤酶活性具有相互促进关系，对改善土壤质量具有积极的效应[35]。由于相关性分析只能分析土壤质量指标之间的相互关系，无法得出土壤质量最佳的滴灌施肥模式，为了探究遮阴下滴灌施肥对小粒种咖啡土壤质量的最佳滴灌施肥模式，本研究运用隶属函数结合因子分析的方法对土壤养分、微生物数量及酶活性进行综合评价，结果表明FMWH处理最佳，说明FMWH处理的水肥一体化模式对土壤质量的改善具有良好的效果。
灌水和施肥是影响作物生长的2个重要因素[7, 36-37]，通过影响土壤理化性状、养分含量、微生物数量及酶活性等，以及各指标相互影响、制约和促进，进而协调作物生长发育[38-39]。本研究发现，在遮阴下的相同灌水水平，小粒种咖啡干物质累积量和灌溉水分利用效率均随施肥量的增加呈先增加后减少的趋势，表明在一定范围内，适量施肥可以提高土壤有效养分含量，增加干物质累积量，而过量施肥对小粒种咖啡干物质累积有一定抑制作用，这与前人的研究结果基本相似[6, 36]。小粒种咖啡干物质累积量随灌水量增加而增加，而灌溉水分利用效率随灌水量增加而减少，其中WH处理的小粒种咖啡干物质累积量最高，而WL处理的灌溉水分利用效率最高。说明增加灌水量虽然促进小粒种咖啡生长及各器官有机物质累积，但会降低灌溉水分利用效率。
FMWH处理的土壤质量和干物质量最佳，但无法保证灌溉水分利用效率最高。本研究运用TOPSIS法对土壤质量、小粒种咖啡干物质量和灌溉水分利用效率这3个指标进行综合评价，结果表明FMWM处理的综合效益最优。FMWM处理既能保证土壤质量，又能促进小粒种咖啡生长和提高灌溉水分利用效率，为最优的滴灌施肥模式。后期可对不同滴灌施肥模式下土壤微生物群落多样性开展研究，进一步揭示小粒种咖啡水肥高效利用的生物学机理。
本研究通过试验得出如下结论：
1)遮阴下灌水水平和施肥水平对小粒种咖啡根区土壤养分、微生物数量、酶活性影响显著(P<0.05)。FHWL处理的硝态氮、速效磷和速效钾季均值最高；FMWH处理的土壤微生物数量和酶活性季均值最高。硝态氮与过氧化氢酶活性存在显著正相关关系(P<0.05)，细菌、真菌和放线菌数量分别与脲酶和磷酸酶极显著正相关(P<0.01)，与过氧化氢酶存在显著(P<0.05)正相关关系。隶属函数结合因子分析的方法表明，FMWH处理的土壤质量指数(0.75)最高。
2)遮阴下灌水水平和施肥水平对小粒种咖啡根、树干、总干物质量和灌溉水分利用效率影响显著(P<0.05)或极显著(P<0.01)。FMWH处理的总干物质量(38 011.50 kg·hm−2)最大，FMWL处理的灌溉水分利用效率(4.55 kg·m−3)最大。
3)TOPSIS法综合评价结果表明，FMWM处理的接近度Ci (0.841)最优，该灌溉水肥处理能协同提高土壤质量、干物质累积和灌溉水分利用效率，实现绿色生态和节水减肥的目标。因此，FMWM组合为30%遮阴度下小粒种咖啡的最佳水肥耦合模式。
-
表 1 研究区域的试验信息
Table 1 Test information of research areas
试验地点
Test location试验时间
Test time插秧机
Rice transplanter型号
Model水稻品种
Rice variety南京市溧水区 Lishui of Nanjing 2020−05 星月神 Seeyes 2ZG-6S 宁3828 Ning 3828 张家港市南丰镇 Nanfeng of Zhangjiagang 2020−06 久保田 Kubota 2ZGQ-6D5 南粳505 Nanjing 505 常州市新北区 Xinbei of Changzhou 2020−06 丰疆 Fengjiang 2ZG-4A 软玉2号 Ruanyu 2 靖江市东兴镇 Dongxing of Jingjiang 2020−07 富尔代 Fuerdai 2ZG-8A 南粳5055 Nanjing 5055 丹阳市章村 Zhangcun of Danyang 2021−06 沃得 World 2ZGF-8E 淮稻5号 Huaidao 5 
下载: 导出CSV
表 2 无人机分辨率及有效距离
Table 2 UAV resolution and effective range
试验序号
Test batch飞行相对高度/m
Relative flight height分辨率/mm
Resolution图片有效距离(长×宽)/m
The effective distance of picture (Length×Width)1 2 0.55 3.0×2 2 3 0.82 4.5×3 3 5 1.40 7.5×5 4 10 2.80 15.0×10
下载: 导出CSV
表 3 GoogLeNet结构参数1)
Table 3 The structural parameters of GoogLeNet
结构
Structure核尺寸
Patch size步长
Stride填充数
PaddingC1×1 #3×3 C3×3 #5×5 C5×5 P3×3 数据维度
Data dimension输入 Input 224×224×3 卷积层1
Convolutional layer 17×7 2 3 112×112×64 池化层1 Pooling layer 1 3×3 2 1 56×56×64 卷积层2a
Convolutional layer 2a1×1 1 0 56×56×64 卷积层2b
Convolutional layer 2b3×3 1 1 56×56×192 池化层2 Pooling layer 2 3×3 2 1 28×28×192 Inception 3a 64 96 128 16 32 32 28×28×256 Inception 3b 128 128 192 32 96 64 28×28×480 池化层3 Pooling layer 3 3×3 2 1 14×14×480 Inception 4a 192 96 208 16 48 64 14×14×512 Inception 4b 160 112 224 24 64 64 14×14×512 Inception 4c 128 128 256 24 64 64 14×14×512 Inception 4d 112 144 288 32 64 64 14×14×528 Inception 4e 256 160 320 32 128 128 14×14×832 池化层4 Pooling layer 4 3×3 2 1 7×7×832 Inception 5a 256 160 320 32 128 128 7×7×832 Inception 5b 384 192 384 48 128 128 7×7×1024 池化层 Pooling layer 7×7 1 0 1×1×1024 Dropout 1×1×1024 FC layer 1×1×3 输出 Output 1×1×3 1) “C1×1” “C3×3”和“C5×5”表示在Inception module结构中相对应的卷积核数量，“#3×3”和“#5×5”表示在对应卷积之前，使用的1×1的卷积核数量，“P3×3”表示经过最大池化后，使用的1×1的卷积核数量
1) “C1×1” ,“C3×3” and “C5×5” indicate the corresponding number of convolution kernels in the inception module structure, and “#3×3” and “#5×5” indicate the number of 1×1 convolution kernels used before the corresponding convolution, and “P3×3” indicates the number of 1×1 convolution kernels used after max pooling
下载: 导出CSV
表 4 水稻秧苗轮廓特征参数信息
Table 4 Parameter information of rice seedling outline feature
图像类别 Image type 狭长度 Aspect ratio 矩形度 Rectangularity 紧凑度 Compactness M1 M2 漂秧
Floating
seedling1.837 0.445 0.150 1.181 3.492 伤秧
Damaged
seedling1.440 0.457 0.119 1.361 4.735 合格秧苗
Qualified
seedling2.554 0.477 0.134 1.075 2.626
下载: 导出CSV
表 5 3种算法的秧苗形态识别试验结果
Table 5 The experimental results of three algorithms for recognition of seedling morphology
算法
Algorithm
识别正确率/% Recognition accuracy 平均识别时间/s
Average
recognition time漂秧
Floating seedling伤秧
Damaged seedling合格秧苗
Qualified seedlingGoogLeNet 91.6 85.5 96.4 0.27 SVM 69.6 64.2 76.3 1.36 BP神经网络 BP neural network 76.9 72.7 86.9 0.85
下载: 导出CSV
-
[1] 李鸣钰, 高西宁, 潘婕, 等. 未来升温1.5 ℃与2.0 ℃背景下中国水稻产量可能变化趋势[J]. 自然资源学报, 2021, 36(3): 567-581. [2] 李忠华, 刘欣. 影响高速插秧机作业质量的因素分析[J]. 现代化农业, 2014(4): 56-57. doi: 10.3969/j.issn.1001-0254.2014.04.032 [3] 辛明金, 邬立岩, 宋玉秋, 等. VP6型水稻插秧机作业质量试验研究[J]. 中国农机化学报, 2016, 37(4): 19-23. [4] 潘海珠, 陈仲新. 无人机高光谱遥感数据在冬小麦叶面积指数反演中的应用[J]. 中国农业资源与区划, 2018, 39(3): 32-37. [5] 胡琪, 武红旗, 轩俊伟, 等. 基于无人机DSM的小麦倒伏信息提取[J]. 安徽农业科学, 2020, 48(16): 227-231. doi: 10.3969/j.issn.0517-6611.2020.16.064 [6] 赵春霞. 基于ResNet18的图像分类在农作物病虫害诊断中的应用[J]. 农业与技术, 2021, 41(19): 10-13. [7] 程千, 徐洪刚, 曹引波, 等. 基于无人机多时相植被指数的冬小麦产量估测[J]. 农业机械学报, 2021, 52(03): 160-167. [8] 王林惠, 甘海明, 岳学军, 等. 基于图像识别的无人机精准喷雾控制系统的研究[J]. 华南农业大学学报, 2016, 37(6): 23-30. doi: 10.7671/j.issn.1001-411X.2016.06.004 [9] ASHOURLOO D, AGHIGHI H, MATKAN A A, et al. An investigation into machinelearning regression techniques for the leaf rust disease detection using hyperspectral measurement[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(9): 4344-4351.
[10] HAQ M A, RAHAMAN G, BARAL P, et al. Deep learning based supervised image classification using UAV images for forest areas classification[J]. Journal of the Indian Society of Remote Sensing, 2020, 49(3): 601-606.
[11] 王丽君, 淮永建, 彭月橙. 基于叶片图像多特征融合的观叶植物种类识别[J]. 北京林业大学学报, 2015, 37(1): 55-61. [12] 陶惠林, 徐良骥, 冯海宽, 等. 基于无人机高光谱遥感数据的冬小麦产量估算[J]. 农业机械学报, 2020, 51(7): 146-155. doi: 10.6041/j.issn.1000-1298.2020.07.017 [13] 赵静, 潘方江, 兰玉彬, 等. 无人机可见光遥感和特征融合的小麦倒伏面积提取[J]. 农业工程学报, 2021, 37(3): 73-80. doi: 10.11975/j.issn.1002-6819.2021.03.009 [14] 刘嘉政, 王雪峰, 王甜. 基于深度学习的5种树皮纹理图像识别研究[J]. 北京林业大学学报, 2019, 41(4): 146-154. [15] ZHANG Q, CHEN MESJ, LI B. A visual navigation algorithm for paddy field weeding robot based on image understanding[J]. Computers and Electronics in Agriculture, 2017, 143: 66-78. doi: 10.1016/j.compag.2017.09.008
[16] 李静, 陈桂芬, 安宇. 基于优化卷积神经网络的玉米螟虫害图像识别[J]. 华南农业大学学报, 2020, 41(3): 110-116. doi: 10.7671/j.issn.1001-411X.201907017 [17] WEI D, HUANG Y B, ZHAO C J, et al. Identification of seedling cabbages and weeds using hyperspectral imaging[J]. International Journal of Agricultural and Biological Engineering, 2015, 8(5): 65-72.
[18] 林相泽, 朱赛华, 张俊媛, 等. 基于迁移学习和Mask R-CNN的稻飞虱图像分类方法[J]. 农业机械学报, 2019, 50(7): 201-207. doi: 10.6041/j.issn.1000-1298.2019.07.021 [19] 陈进, 韩梦娜, 练毅, 等. 基于U-Net模型的含杂水稻籽粒图像分割[J]. 农业工程学报, 2020, 36(10): 174-180. doi: 10.11975/j.issn.1002-6819.2020.10.021 [20] 杨万里, 段凌凤, 杨万能. 基于深度学习的水稻表型特征提取和穗质量预测研究[J]. 华中农业大学学报, 2021, 40(1): 227-235. [21] 中华人民共和国国家质量监督检验检疫总局, 中国国家标准化管理委员会. 水稻插秧机试验方法: GB/T 6243—2017[S]. 北京: 中国标准出版社, 2017. [22] 中华人民共和国农业农村部. 水稻插秧机: DG/T 008—2019[S]. 北京: 中国农业出版社, 2019. -
期刊类型引用(5)
1. 张乐，于小航，王义鹤，杨佳美，赵丽丽，段铭. 2019—2020年河南与河北部分地区犬瘟热流行病学调查及病毒分离鉴定. 广东农业科学. 2023(02): 95-103 . 
百度学术
2. 罗世民，李中波. 怀化地区犬瘟热病毒H、F基因遗传多样性及其遗传进化分析. 中国畜牧兽医. 2023(08): 3248-3257 . 百度学术
3. 张建普，马丽利，周利锋. 犬瘟热病毒YD株的分离鉴定及其H基因序列分析. 畜牧与兽医. 2021(04): 69-75 . 百度学术
4. 蒋梅，陈武，翟俊琼，卜婉迪，谢逸伦，刘灿彬，单芬，罗满林. 小熊猫源犬瘟热病毒株H、F基因的克隆及序列分析. 畜牧兽医学报. 2021(06): 1670-1676 . 百度学术
5. 刘健，白艺兰，鞠厚斌，潘子豪，俞向前，杨显超，朱晓英，葛菲菲，葛杰，于讳茹，陶田谷晟，王建，赵洪进. 犬瘟热病毒SH202003株全基因组序列分析. 中国畜牧兽医. 2021(07): 2559-2568 . 百度学术
其他类型引用(1)
计量
- 文章访问数: 951
- HTML全文浏览量: 13
- PDF下载量: 295
- 被引次数: 6
