A lightweight I2I deep learning method for on-panicle grain in-situ counting and occluded grains restoration
-
摘要:目的
为解决传统水稻考种机谷粒表型分析算法在功能和效率上的局限性，针对穗上谷粒原位计数和被遮挡谷粒几何特征还原设计一种基于深度学习的轻量级通用算法框架。
方法将穗上谷粒原位计数与被遮挡谷粒还原这2个复杂任务分别拆解为2个阶段，将其核心阶段建模为I2I问题。基于MobileNet V3设计1种能够解决I2I问题的轻量级网络架构，并针对2个任务的特点分别设计了数据集图像制作方法，选择合适的优化策略和超参数对其进行训练。训练结束后，使用TensorFlow Lite runtime解释器将模型部署在考种机的树莓派4B开发板上，并进行测试。
结果该算法在穗上谷粒计数任务中具有良好的准确性、快速性，且具有一定的泛化性能。在被遮挡谷粒的形状还原任务中，该算法所还原的谷粒图像在面积、周长、长度、宽度和颜色分数评价指标中准确率均达到97%以上。
结论该算法能够有效地完成穗上谷粒计数和被遮挡谷粒的还原任务，且具有轻量级的优点。
Abstract:ObjectiveTo address the functional and efficiency limitations of the conventional grain phenotype analysis algorithm of seed analyzers, a deep learning based lightweight general algorithmic framework was designed for two tasks: In-situ counting of on-panicle grains and restoration of occluded grains.
MethodTwo complex tasks of on-panicle grains in-situ counting and restoration of occluded grains were decomposed into two stages, and their core stages were modeled as I2I problems. A lightweight network architecture capable of solving the I2I problem was designed based on MobileNet V3, and the data set generation method was designed according to the characteristics of these two tasks. Then the network was trained with appropriate optimization strategies and hyperparameters. After training, the model was deployed and tested with TensorFlow Lite runtime on Raspberry Pi 4B development board.
ResultThe algorithm had good accuracy, rapidity and some generalizable performance in the task of on-panicle grain counting. In the task of occluded grains shape restoration, the evaluation accuracy of the restored images in the metrics of area, perimeter, length, width and color score were all over 97%.
ConclusionThe algorithm proposed in this paper can complete the task of on-panicle grain counting and occluded grains restoration effectively, and also has the advantage of being lightweight.
-
Keywords:
- Deep learning /
- Lightweight /
- Grain counting /
- Occlusion restoration /
- General network
-
巴戟天Morinda officinalis为茜草科巴戟天属植物，是我国著名“四大南药”之一，以根入药，性微温，味甘、辛，具有祛风湿、补肝肾、强筋骨功效，可用于治疗风湿痹痛、阳痿遗精、月经不调、筋骨痿软等[1]。巴戟天寡糖含量在药用成分总量中比例较高[2]，是主要的活性成分，具有抗抑郁、抗衰老、抗肿瘤、抗氧化、提高机体免疫力和改善生殖功能等药理作用[3-5]。
施肥是药用植物增产的主要管理措施之一，肥料的施用会显著影响中草药的生长及有效成分的积累[6]。药用植物有效成分的形成以及含量变化是一个复杂的动态过程，与土壤肥力、生长环境以及植物生长年限等均有紧密的联系。合理施肥能提高药用植物产量，同样会影响药用植物品质。有研究发现氮(N)、磷(P)、钾(K)肥合理配施有利于提高药用植物有效成分含量[7]，但也有研究发现，施肥后会降低药材有效成分含量[8-9]。施肥对巴戟天生长与寡糖积累的影响尚不清楚，因此，施肥如何影响巴戟天的药用成分，有待深入研究。
目前对巴戟天的研究多侧重于药理作用[10-11]、加工方法[12]、种植产地[13]、种植年限[14-15]、种植方式[16-17]等方面，对巴戟天需肥规律和养分吸收特性等方面的研究较少，现在亟需加强复合肥对巴戟天生长及其对药材产量、品质影响的研究。为此，本研究通过盆栽试验，研究复合肥不同施用量对巴戟天产量、养分吸收和寡糖累积的影响，探讨施肥量对巴戟天生长品质的作用规律，为巴戟天的规范化种植提供理论依据，促进产业发展。
1. 材料与方法
1.1 试验材料
试验土壤采自广东省德庆县(N23°25′97″，E111°89′70″)，取表层0~20 cm的土壤，自然风干后碾碎过孔径3 mm筛网备用。供试土壤基本性质：全氮0.80 g·kg−1、碱解氮72.96 mg·kg−1、全磷0.17 g·kg−1、速效磷17.95 mg·kg−1、全钾17.82 g·kg−1、速效钾132.97 mg·kg−1、有机质13.57 g·kg−1、pH 5.0。
供试植物为长势基本一致的1年生巴戟天扦插苗，采购于广东省德庆县德鑫农业有限公司，平均株高10.52 cm，地径2.76 mm。肥料为雅苒大田复合肥，N、P2O5、K2O的质量分数均为15%，塑料盆的规格为21.5 cm×23.0 cm(口径×高)。
1.2 试验设计
试验在华南农业大学林学与风景园林学院温室大棚进行，每盆添加土壤的干质量为4 kg。试验设置6个处理，每个处理施用肥料的总量分别为0、2、4、6、8和10 g，每盆N、P2O5、K2O对应的总施用量分别为0、0.3、0.6、0.9、1.2和1.5 g，分别记作CK、T1、T2、T3、T4和T5，每个处理重复5次(每盆为1次重复，每盆种植1株巴戟天)。盆栽随机摆放，每隔1个月移动1次，施肥分作2次等量进行，距第1次施肥4个月后进行第2次追肥，试验周期为9个月。水分管理视天气情况与盆栽土壤的干湿情况进行，每隔1~3 d定量浇水，及时清除杂草。
1.3 样品采集与分析
种植9个月后，采用游标卡尺测量巴戟天的地径，随后全株采收，将收获的巴戟天植株清洗干净后晾干，将植株分为地上部和根部，置于烘箱中恒温105 ℃杀青30 min，然后调至75 ℃烘干至恒质量，并称量干质量。
巴戟天各部位样品经浓硫酸−过氧化氢消煮后获得待测液，N、P、K含量分别用奈氏比色法、钼锑抗比色法、火焰分光光度计法测定。巴戟天肉质根寡糖含量采用高效液相色谱−蒸发光散射法测定[13]。
1.4 数据分析
所有试验数据利用Microsoft Excel 2016进行整理分析，试验中每个处理共5次重复，取其中3次各项指标的数据进行分析，运用SPSS 22.0对土壤理化性质和供试植物的生长指标进行单因素方差分析(One-way ANOVA)、Duncan’s(α=0.05)多重比较和主成分分析，图表中数据均为平均值±标准误(n=3)。采用Origin 2021软件绘图。
采用以下公式计算养分(N/P/K)积累与肥料利用效率等指标：
$$ 养分单株累积量=养分含量 \times 单株干物质量\text{，} $$ (1) $$ \begin{split} &养分利用率=(施肥处理养分累积量-\\ &\quad \quad 不施肥处理养分累积量)/养分施用量 \times 100{\text{%}}\text{，}\\[-10pt] \end{split} $$ (2) $$ 寡糖单株累积量=寡糖含量 \times 单株产量。$$ (3) 2. 结果与分析
2.1 复合肥不同施用量对巴戟天生长的影响
由表1可知，与CK相比，施用复合肥在不同程度上促进了巴戟天地径的生长，但各处理间的差异均未达到显著水平；不同施肥处理均能显著提高巴戟天的总生物量(P < 0.05)，且随着施肥量的增加，巴戟天总生物量呈现先增加后下降的变化趋势；除T1处理外，其余施肥处理均显著提高巴戟天根部产量(P < 0.05)，并且与总生物量的变化规律一致。与CK相比，T1~T5处理巴戟天总生物量增加了30.72%~128.10%，根部产量增加了17.11%~114.47%，均在T3处理达到最大值，显著高于其他处理(P < 0.05)，分别为13.96和1.63 g。
表 1 复合肥不同施用量对巴戟天生长指标的影响1)Table 1. Effects of different application amounts of compound fertilizer on growth indexes of Morinda officinalis处理
Treatment地径/mm
Ground diameter总生物量/g
Total biomass根部产量/g
Root yieldCK 5.19±0.35a 6.12±0.31d 0.76±0.04c T1 5.25±0.14a 8.00±0.14c 0.89±0.05c T2 6.32±0.54a 9.65±0.61bc 1.11±0.08b T3 6.07±0.31a 13.96±0.78a 1.63±0.04a T4 6.22±0.44a 10.88±0.24b 1.22±0.08b T5 5.72±0.25a 10.40±0.82b 1.26±0.05b 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)
1) Different lowercase letters in the same column indicate significant differences among different treatments (P<0.05, Duncan’s method)2.2 复合肥不同施用量对巴戟天养分吸收的影响
如图1所示，巴戟天在施肥条件(T1~T5)下的地上部和根部N、P、K含量均高于CK的，但不同施肥量之间存在差异。其中，巴戟天地上部N、P、K含量大体呈现随施肥量增加而升高的趋势，T5处理的N、K含量最高，T4处理的P含量最高，均显著高于CK、T1和T2处理的，相较于CK增幅达31.66%~101.83%。巴戟天根部N、P、K含量随施肥量的增加呈现先增后降的趋势，最高值均在T3处理，分别为30.38、3.90和10.82 mg·g−1，是CK的0.52~1.62倍。
![]()
图 1 复合肥不同施用量对巴戟天不同部位N、P、K含量的影响各小图中，相同部位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. Effects of different application amounts of compound fertilizer on contents of N, P and K in different parts of Morinda officinalisIn each figure, different lowercase letters on the columns of the same part indicate significant differences among different treatments (P<0.05, Duncan’s method)不同处理对巴戟天各部位N、P、K累积量的影响如图2所示。各处理地上部N、P、K累积量均大于根部的，CK各部位的N、P、K积累量均最低。巴戟天不同部位N、P、K累积量均随施肥量增加先增后降，在T3处理达到最大值，各部位N、P、K累积量均显著高于其他处理(P < 0.05)(T4处理的全株和地上部P累积量除外)，全株N、P、K累积量分别是CK的4.18、3.23、2.97倍。
![]()
图 2 复合肥不同施用量对巴戟天各部位N、P、K单株累积量的影响各小图中，不同小写字母表示处理间地上部、根部养分累积量差异显著，不同大写字母表示处理间全株养分累积量差异显著(P<0.05，Duncan’s法)Figure 2. Effects of different application amounts of compound fertilizer on the accumulation of N, P and K per plant in different parts of Morinda officinalisIn each figure, different lowercase letters on the columns indicate significant differences in aboveground and root nutrient accumulation among treatments, different capital letters indicate significant differences in whole plant nutrient accumulation among treatments (P < 0.05, Duncan’s method)2.3 复合肥不同施用量的肥料利用效率
如表2所示，不同施肥处理中巴戟天对肥料中N、P、K等养分元素的利用效率有显著差异，均表现为N > K > P。随着肥料施用量的增加，N、P、K利用效率均呈先增后降趋势，T3处理对N、P和K的利用效率均达最高，分别为41.35%、3.23%和16.62%。各处理中巴戟天对肥料中N、P、K等养分元素的利用效率均表现为T3 > T1 > T2 > T4 > T5，其中T3和T1处理N和P利用效率显著高于其他处理，T3处理K利用效率均显著高于其他处理的(P < 0.05)。
表 2 复合肥不同施用量的肥料利用效率1)Table 2. Fertilizer utilization efficiency of different application amounts of compound fertilizer% 处理 Treatment N P K T1 36.97±1.37a 2.69±0.31ab 9.16±0.53b T2 27.14±4.41b 2.31±0.07b 8.04±2.05b T3 41.35±2.37a 3.23±0.20a 16.62±2.63a T4 20.97±1.29bc 2.11±0.17b 7.27±1.00b T5 18.38±1.20c 1.18±0.10c 6.11±0.56b 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)
1) Different lowercase letters in the same column indicate significant differences among treatments (P<0.05, Duncan’s method)2.4 复合肥不同施用量对巴戟天有效成分寡糖的影响
如图3所示，巴戟天的4种寡糖含量均随施肥量增加呈现先降后增的趋势。所有施肥处理的4种寡糖含量均低于CK，降幅最大达35.65%。其中，1−蔗果三糖含量在T1处理最低，其他寡糖含量均在T3处理最低，相较于CK降幅达8.56%~35.65%。各处理中蔗糖和1−蔗果三糖含量无显著差异，T3处理的耐斯糖和1F−果呋喃糖基耐斯糖含量低于其余处理。
![]()
图 3 复合肥不同施用量对巴戟天4种寡糖含量的影响相同寡糖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 3. Effects of different application amounts of compound fertilizer on contents of four oligosaccharides in Morinda officinalisDifferent lowercase letters on the columns of the same oligosaccharide indicate significant differences among treatments (P<0.05, Duncan’s method)不同处理对巴戟天4种寡糖累积量的影响如图4所示，施肥处理寡糖累积量高于CK，同一处理中蔗糖累积量高于其他3种寡糖。巴戟天蔗糖、1−蔗果三糖、耐斯糖和寡糖总累积量均随复合肥施用量增加呈先增后降的趋势，最高值均在T3处理，单株累积量分别为81.58、59.23、38.22和217.08 mg，相较于CK，增幅达28.41%~95.98%。除T4处理的1F−果呋喃糖基耐斯糖外，T2~T5处理4种寡糖的累积量均显著高于CK和T1处理的(P < 0.05)。施肥处理间，T3处理的巴戟天蔗糖、1−蔗果三糖和寡糖总累积量均显著高于其他处理的，耐斯糖累积量显著高于T1和T2处理的(P < 0.05)。
![]()
图 4 复合肥不同施用量对巴戟天4种寡糖单株累积量的影响相同寡糖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 4. Effects of different application amounts of compound fertilizer on accumulation of four oligosaccharides in Morinda officinalisDifferent lowercase letters on the columns of the same oligosaccharide indicate significant differences among treatments (P<0.05, Duncan’s method)2.5 相关性分析
巴戟天产量、养分和寡糖的相关性如图5所示。巴戟天总生物量、产量与全株的N/K含量、4种寡糖累积量均呈极显著正相关(P<0.01)，与全株P含量显著正相关(P<0.05)，而与耐斯糖、1F−果呋喃糖基耐斯糖含量呈极显著负相关。巴戟天全株N含量与P/K含量、4种寡糖累积量呈极显著正相关，但与耐斯糖、1F−果呋喃糖基耐斯糖含量呈极显著负相关；全株P含量与4种寡糖含量呈负相关，其中与耐斯糖和1F−果呋喃糖基耐斯糖含量有显著负相关关系；全株K含量与耐斯糖、1F−果呋喃糖基耐斯糖含量呈极显著、显著负相关。
![]()
图 5 巴戟天不同指标的相关性分析“*”和“**”分别表示在P<0.05和P<0.01水平显著相关(Pearson法)Figure 5. Correlation analyses of different indicators for Morinda officinalis“*” and “**” indicate significant correlations at P < 0.05 and P < 0.01 levels, respectively (Pearson method)巴戟天4种寡糖累积量与产量、总生物量的正相关性最大，其次为全株N、K、P含量。4种寡糖累积量与寡糖含量的相关性多数为负相关，其中除1F−果呋喃糖基耐斯糖累积量与1F−果呋喃糖基耐斯糖含量的相关性外，耐斯糖、1F−果呋喃糖基耐斯糖含量与4种寡糖累积量有显著或极显著负相关关系。
2.6 综合评价
选取巴戟天总生物量、产量、全株N/P/K含量、4种寡糖累积量等9个指标进行主成分分析，综合评价不同施肥量对巴戟天的效果。KMO值为0.822(>0.6)，Bartlett球形检验的显著性系数为0.000(<0.05)，说明数据适合进行主成分分析。结果(表3)表明，前两个主成分的特征值大于1且各指标的累积贡献率达85.994%，说明已包含巴戟天各指标的大部分信息。其中，第一主成分的贡献率达74.246%，第二主成分仅占11.748%，特征值分别为6.682和1.057；所有指标均对第一主成分起主要贡献，而对第二主成分起主要贡献的有全株P含量和1F−果呋喃糖基耐斯糖累积量(载荷系数绝对值大于0.4时，说明该项指标对相应主成分贡献较大)，因此第一主成分起主导作用。将载荷系数除以对应特征根的算术平方根得到线性组合系数，各主成分的线性函数表达式为：
表 3 主成分分析的载荷系数Table 3. Loading coefficients for principal component analysis评价指标
Evaluation
index第一主成分
The first
principal
component第二主成分
The second
principal
component总生物量 Total biomass 0.952 −0.083 产量 Yield 0.959 −0.154 全株N含量
Whole plant N content0.843 0.353 全株P含量
Whole plant P content0.708 0.475 全株K含量
Whole plant K content0.961 −0.141 蔗糖积累量
Sucrose accumulation0.946 −0.189 1−蔗果三糖积累量
1-Kestose accumulation0.935 −0.232 耐斯糖积累量
Nystose accumulation0.755 −0.372 1F−果呋喃糖基耐斯糖累积量
1F-Fructofuranosyl nystose accumulation0.618 0.655 特征值 Eigenvalue 6.682 1.057 方差贡献率/%
Contribution of variance74.246 11.748 累计贡献率/%
Cumulative contribution rate74.246 85.994 $$ \begin{split} F_{1}=&0.368X_{1}+0.371X_{2}+0.326X_{3}+0.239X_{4}+\\ &0.274X_{5}+0.372X_{6}+0.366X_{7}+0.362X_{8}+\\ &0.292X_{9}\text{，} \end{split} $$ (4) $$ \begin{split} F_{2}=&-0.081X_{1}-0.150X_{2}+0.344X_{3}+0.637X_{4}+\\ &0.462X_{5}-0.137X_{6}-0.184X_{7}-\\ &0.266X_{8}-0.362X_{9}\text{，} \end{split} $$ (5) 式中，F1：第一主成分得分，F2：第二主成分得分；X1：总生物量，X2：产量，X3：全株N含量，X4：全株P含量，X5：全株K含量，X6：蔗糖累积量，X7：1−蔗果三糖累积量，X8：耐斯糖累积量，X9：1F−果呋喃糖基耐斯糖累积量。
将标准化处理的各指标数据代入公式(4)(5)，得出各主成分得分，再计算各处理的综合得分(F)。
$$ F=0.742 \;457 \;8F_{1}+0.117 \;481 \;6F_{2}。 $$ (6) 由图6和表4得出不同处理的主成分得分排序为T3>T5>T4>T2>T1>CK，其中T3和T5处理均在第一主成分的正方向上，且T3处理分值最大。施用复合肥处理(T1~T5)主成分得分均大于CK，表明施肥促进巴戟天生长和寡糖累积。
![]()
图 6 复合肥不同施用量的主成分分析PC1：第一主成分，PC2：第二主成分Figure 6. Principal component analyses of different application amounts of compound fertilizerPC1: The first principal component, PC2: The second principal component表 4 复合肥不同施用量的主成分分析综合得分Table 4. Comprehensive score of principal component analysis of different application amounts of compound fertilizer处理
Treatment主成分分值
Principal component value综合得分(F)
Comprehensive
score排序
RankingF1 F2 CK −3.92 −0.49 −2.96 6 T1 −2.28 0.27 −1.66 5 T2 −0.01 −0.86 −0.11 4 T3 3.48 −0.52 2.53 1 T4 1.07 1.17 0.93 3 T5 1.65 0.42 1.27 2 3. 讨论
3.1 施用复合肥对巴戟天产量的影响
施用复合肥可以提高土壤肥力，为植物提供生长所需的营养元素[18]，是提高药用植物产量的重要措施。中药材人工种植的研究发现，施肥能够提高川明参Chuanminshen violaceum[19]、川芎Ligusticum chuanxiong[20]、丹参Salvia miltiorrhiza[21]等多种中药材的产量。本研究同样发现，合理的施肥可以促进巴戟天生长，提高药材产量，但过量施肥在一定程度上会降低药材产量。范巧佳等[22]对川芎施用不同水平N肥发现，与中水平N肥(31.8 kg·hm−2)相比，高水平N肥(54.3 kg·hm−2)降低川芎产量；贾袭伟等[23]对款冬Tussilago farfara施肥后发现，地上部和根部干质量均随施肥量增加呈先增加后减少的趋势，与本试验结果一致。
3.2 施用复合肥对巴戟天养分元素吸收的影响
N、P、K是药用植物生长发育所需的重要元素，科学合理的施肥有利于提高药用植物的产量和品质。本研究发现，施复合肥可以促进巴戟天对N、P、K等养分的吸收，但随着施肥量的增加，巴戟天对N、P、K等养分的累积量均呈现先快速增加后缓慢下降的趋势，说明适量施肥能促进巴戟天对养分的吸收，过量施肥则会降低养分累积量。肥料利用率是衡量施肥是否合理的一项重要指标，通过提高肥料利用率可提高施肥的经济效益、降低肥料投入并减少对环境的污染[24]。本研究发现，巴戟天对复合肥的肥料利用率随施肥量的增加先呈上升趋势，并在T3处理达到最大，随后急速下降。虽然T4和T5处理巴戟天养分(N、P和K)含量和累积量均大于T1和T2处理，但从生态环境及经济方面考虑，T4、T5处理并非本研究的最佳施肥配方。
N是植物体内叶绿素、蛋白质和核酸等物质的重要组成部分，施N肥能明显提高植物光合速率，从而促进植物生长[25]。本研究中巴戟天N、P、K元素累积量大小表现为N > K > P，表明巴戟天生长过程中对N肥需求量较大，其次是K肥，对P肥需求较少，此结论与潘超美等[26]对巴戟天的研究结果基本一致，与漆小雪等[27]对黄花蒿Artemisia annua N、P、K累积量的研究结果基本一致。因此，在生产管理上应根据土壤理化性质合理满足巴戟天对N肥的需求，合理补充K肥和P肥。
3.3 施用复合肥对巴戟天寡糖的影响
在巴戟天栽培研究中，施肥对巴戟天寡糖影响的研究鲜见报道。本研究发现，随着施肥量的增加，巴戟天4种寡糖含量均呈先降后增的趋势，与生物量的变化趋势相反，说明巴戟天在良好的生长条件(适量施肥)下，以生长发育为主，进而提高产量，但其药用成分含量有所降低，而在不施肥条件下生长较慢，产量降低，但其药用成分含量上升。巴戟天不施肥处理下4种寡糖含量均高于施肥处理，其中耐斯糖和1F−果呋喃糖基耐斯糖含量差异达到显著水平，说明巴戟天的高产量与高品质往往不能同时实现，符合植物次生代谢物合成机制中的生长/分化平衡假说、碳素/营养平衡假说和资源获得假说[28]。
大量研究表明，合理施肥可以提高药用植物的产量并促进药用植物有效成分的累积[7, 19, 29-30]。本研究发现，相比于不施肥处理，虽然施肥处理巴戟天寡糖含量降低，但是寡糖累积量显著提高。寡糖累积量随复合肥施用量增加呈先增后降的趋势，除1F−果呋喃糖基耐斯糖外，其他3种寡糖累积量最高值均在T3处理(单株总施肥量为6 g)，表明合理施肥可以增加巴戟天寡糖累积量。
施肥对药用植物产量与有效成分含量影响的研究发现，提高产量的同时会降低其有效成分含量[8-9, 31]，与本试验结果相似。平衡产量与有效成分含量是药用植物人工种植的关键。在巴戟天制药应用当中，有效成分寡糖的提取量由累积量决定[32]，所以提高巴戟天的寡糖累积量才是关键，本研究表明，适量施肥可显著提高巴戟天寡糖的累积量，进而增加单位面积巴戟天的生产效益。
3.4 施用复合肥对巴戟天不同指标相关性的影响
巴戟天的产量、养分含量和寡糖含量间存在相关性。巴戟天N、P和K元素含量间呈显著正相关，3种养分元素共同促进植物生长[33]。本试验中巴戟天耐斯糖和1F−果呋喃糖基耐斯糖含量与产量、养分(N/P/K)含量呈显著或极显著负相关，蔗糖、1−蔗果三糖含量与产量、N/P含量呈负相关但未达到显著水平，巴戟天生长越快，吸收养分越多，其寡糖含量会相对降低；可能是由于施用复合肥能够提高土壤肥力，促进巴戟天的生长和养分吸收，但是寡糖的合成速率未跟上巴戟天生长速度，从而导致寡糖含量降低。
尽管巴戟天4种寡糖含量与总生物量、产量为负相关(−0.879~−0.095)，但巴戟天4种寡糖累积量与产量的相关性最高(0.695~0.955)，且大于4种寡糖累积量与其含量的相关性(−0.803~0.238)，说明寡糖累积量的主要影响因子是巴戟天产量而不是品质，与鲁泽刚等[34]对灯盏花的研究结果相似。因此，在巴戟天栽培以及根部药用成分寡糖开发利用过程中，施肥管理的结果往往是增加根部药用成分产量，通过促进根部产量最大化而提高药用成分收获量，并非直接影响药用成分的含量。
4. 结论
施复合肥能不同程度地促进巴戟天对养分(N、P和K)的吸收，提高产量，促进有效成分寡糖的累积，养分及寡糖累积量随复合肥施用量增加呈先增后降的趋势，T3处理效果最佳。巴戟天对养分的需求表现为N > K > P，所以在巴戟天种植过程中应以N肥为主，适量补充K和P肥。巴戟天高产和优质不能兼得，寡糖累积量的主要影响因子是产量，巴戟天产量、养分元素含量与耐斯糖和1F−果呋喃糖基耐斯糖含量呈显著负相关，虽然耐斯糖和1F−果呋喃糖基耐斯糖含量均在T3处理最低，但其产量和寡糖累积量最高。因此，在现实生产中，通过施肥能够有效增加巴戟天根部药用成分产量，从而进一步提高单位面积巴戟天的生产效益。
-
![]()
图 8 6组遮挡还原图像样本
每组图片中，左：输入图片，中：标签图片，右：预测图片
Figure 8. Samples of six sets of occlusion restoration image
In each group of pictures, the left is the input picture, the middle is the labeled picture, the right is the predicted picture
![]()
图 10 谷粒计数结果及其局部放大图像
Figure 10. Grain counting result and its local magnification image
![]()
图 12 域偏移数据集下的谷粒计数结果及其局部放大图像
Figure 12. Grain counting result and its local magnification image under domain shift data set
表 1 不同切片尺寸下算法的准确率对比
Table 1 Accuracy comparison of algorithms for different slicing sizes
长度/像素 Length 宽度/像素 Width 平均准确率/% Mean accuracy 780 588 91.56 748 564 92.28 715 539 94.53 650 490 96.81 682 514 95.66 620 467 96.73 566 426 94.25 
下载: 导出CSV
-
[1] ZHANG Q. Strategies for developing green super rice[J]. Proceedings of the National Academy of Sciences of the United States of America, 2007, 104(42): 16402-16409. doi: 10.1073/pnas.0708013104
[2] CHENG S H, CAO L Y, ZHUANG J Y, et al. Super hybrid rice breeding in China: Achievements and prospects[J]. Journal of Integrative Plant Biology, 2007, 49(6): 805-810. doi: 10.1111/j.1744-7909.2007.00514.x
[3] TANABATA T, SHIBAYA T, HORI K, et al. SmartGrain: High-throughput phenotyping software for measuring seed shape through image analysis[J]. Plant physiology, 2012, 160(4): 1871-1880. doi: 10.1104/pp.112.205120
[4] KNECHT A C, CAMPBELL M T, CAPREZ A, et al. Image Harvest: An open-source platform for high-throughput plant image processing and analysis[J]. Journal of Experimental Botany, 2016, 67(11): 3587-3599. doi: 10.1093/jxb/erw176
[5] CHEN Y T, LIU X, YANG M H. Multi-instance object segmentation with occlusion handling[C]//2015 IEEE Conference on Computer Vision and Pattern Recognition. Boston: IEEE, 2015.
[6] DOLLÁR P, WOJEK C, SCHIELE B, et al. Pedestrian detection: A benchmark[C]//2009 IEEE Conference on Computer Vision and Pattern Recognition. Miami: IEEE, 2009.
[7] 李秀智, 李家豪, 张祥银, 等. 基于深度学习的机器人最优抓取姿态检测方法[J]. 仪器仪表学报, 2020, 41(5): 108-117. doi: 10.19650/j.cnki.cjsi.J2006162 [8] 甘海明, 岳学军, 洪添胜, 等. 基于深度学习的龙眼叶片叶绿素含量预测的高光谱反演模型[J]. 华南农业大学学报, 2018, 39(3): 102-110. doi: 10.7671/j.issn.1001-411X.2018.03.016 [9] 史红栩, 李修华, 李民赞, 等. 基于深度学习的香蕉病害远程诊断系统[J]. 华南农业大学学报, 2020, 41(6): 92-99. doi: 10.7671/j.issn.1001-411X.202004027 [10] HE K, ZHANG X, REN S, et al. Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas: IEEE, 2016
[11] REDMON J, FARHADI A. YOLO9000: Better, faster, stronger[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition. Honolulu: IEEE, 2017.
[12] LIU C, CHEN L C, SCHROFF F, et al. Auto-DeepLab: Hierarchical neural architecture search for semantic image segmentation[C]//2019 IEEE Conference on Computer Vision and Pattern Recognition. Long beach: IEEE, 2019.
[13] ASHA C, NARASIMHADHAN A. Vehicle counting for traffic management system using YOLO and correlation filter[C]//2018 IEEE International Conference on Electronics, Computing and Communication Technologies. Bangalore: IEEE, 2018.
[14] OLTEAN G, FLOREA C, ORGHIDAN R, et al. Towards real time vehicle counting using yolo-tiny and fast motion estimation[C]//2019 IEEE International Symposium for Design and Technology in Electronic Packaging. Cluj-Napoca: IEEE, 2019.
[15] RAD R M, SAEEDI P, AU J, et al. Blastomere cell counting and centroid localization in microscopic images of human embryo[C]//2018 IEEE International Workshop on Multimedia Signal Processing. Vancouver: IEEE, 2018.
[16] CHEN J, FAN Y, WANG T, et al. Automatic segmentation and counting of aphid nymphs on leaves using convolutional neural networks[J]. Agronomy, 2018, 8(8): 129. doi: 10.3390/agronomy8080129.
[17] FALK T, MAI D, BENSCH R, et al. U-Net: Deep learning for cell counting, detection, and morphometry[J]. Nature methods, 2019, 16(1): 67-70. doi: 10.1038/s41592-018-0261-2
[18] CHAUDHURY S, ROY H. Can fully convolutional networks perform well for general image restoration problems?[C]//2017 IEEE International Conference on Machine Vision Applications. Nagoya: IEEE, 2017.
[19] XIONG R, LIU G, QU Y, et al. Depth map inpainting using a fully convolutional network[C]//2019 IEEE International Conference on Robotics and Biomimetics. Dali: IEEE, 2019.
[20] KRIZHEVSKY A, SUTSKEVER I, HINTON G E. ImageNet classification with deep convolutional neural networks[J]. Communications of the ACM, 2017, 60(6): 84-90. doi: 10.1145/3065386
[21] SIMONYAN K, ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[EB/OL]. arXiv: 1409.1556 (2014-09-04) [2022-02-12]. https://doi.org/10.48550/arXiv.1409.1556.
[22] HOWARD A G, ZHU M, CHEN B, et al. Mobilenets: Efficient convolutional neural networks for mobile vision applications[EB/OL]. arXiv: 1704.04861 (2017-04-17) [2022-02-12]. https://doi.org/10.48550/arXiv.1704.04861.
[23] SANDLER M, HOWARD A, ZHU M, et al. MobileNetV2: Inverted residuals and linear bottlenecks[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City: IEEE, 2018: 4510-4520.
[24] HOWARD A, SANDLER M, CHEN B, et al. Searching for MobileNetV3[C]//2019 IEEE International Conference on Computer Vision. Seoul: IEEE, 2019.
[25] YANG T J, HOWARD A, CHEN B, et al. Netadapt: Platform-aware neural network adaptation for mobile applications[EB/OL]. arXiv: 1804.03230 (2018-04-09) [2022-02-12]. https://doi.org/10.48550/arXiv.1804.03230.
[26] VANSCHOREN J. Meta-learning: A survey[EB/OL]. arXiv: 1810.03548 (2018-10-08) [2022-02-12]. https://doi.org/10.48550/arXiv.1810.03548.
[27] CHEN L C, PAPANDREOU G, SCHROFF F, et al. Rethinking atrous convolution for semantic image segmentation[EB/OL]. arXiv: 1706.05587 (2017-06-17) [2022-02-12]. https://doi.org/10.48550/arXiv.1706.05587.
[28] RAMACHANDRAN P, ZOPH B, LE Q V. Searching for activation functions[EB/OL]. arXiv: 1710.05941 (2017-10-16) [2022-02-12]. https://doi.org/10.48550/arXiv.1710.05941.
[29] KINGMA D P, BA J. Adam: A method for stochastic optimization[EB/OL]. arXiv: 1412.6980 (2014-12-22) [2022-02-12]. https://doi.org/10.48550/arXiv.1412.6980.
[30] LOSHCHILOV I, HUTTER F. SGDR: Stochastic gradient descent with warm restarts[EB/OL]. arXiv: 1608.03983 (2016-08-13) [2022-02-12]. https://doi.org/10.48550/arXiv.1608.03983.
[31] 马志宏. 基于深度学习的水稻粒穗复杂性状图像分析方法[D]. 上海: 上海交通大学, 2018. [32] GONG L, LIN K, WANG T, et al. Image-based on-panicle rice [Oryza sativa L.] grain counting with a prior edge wavelet correction model[J]. Agronomy, 2018, 8(6): 91. doi: 10.3390/agronomy8060091.
[33] AL-TAM F, ADAM H, DOS ANJOS A, et al. P-TRAP: A panicle trait phenotyping tool[J]. BMC Plant Biology, 2013, 13: 122. doi: 10.1186/1471-2229-13-122.
[34] GANIN Y, LEMPITSKY V. Unsupervised domain adaptation by backpropagation[C/OL]//Proceedings of the 32nd International Conference on Machine Learning. PMLR, 2015, 37: 1180-1189. [2022-02-08]. http://proceedings.mlr.press/v37/ganin15.html.
[35] ISOLA P, ZHU J Y, ZHOU T, et al. Image-to-image translation with conditional adversarial networks[EB/OL].arXiv: 1611.07004 (2016-11-21) [2022-02-12]. https://doi.org/10.48550/arXiv.1611.07004.
-
期刊类型引用(2)
1. 汪永红，罗铭欣，卢锦锋，陈莹，叶青，胡益波. 巴戟天种植管理技术. 种子科技. 2025(03): 132-134 . 
百度学术
2. 张才忠，白小明，闫玉邦，朱雅楠，李娟霞，冉福，何琳琳，吴廷达，朱奇萌. 有机肥对高寒退化草甸群落特征及其品质的影响. 草地学报. 2024(10): 3272-3279 . 百度学术
其他类型引用(1)
计量
- 文章访问数: 152
- HTML全文浏览量: 8
- PDF下载量: 414
- 被引次数: 3
