Effects of water managements and planting densities on allelopathic rice yields, qualities and the contents of Pb and Cd in rice grains
-
摘要:目的
探讨化感水稻产量、品质及重金属含量与水分管理和种植密度的关系，更好地发挥化感水稻环境友好的特点。
方法以‘化感稻3号’、‘化两优78号’以及早季的‘玉香油占’和晚季的‘百香占’为材料，研究不同水分管理(孕穗期晒田WN、孕穗期不晒田WS)和种植密度(高密度DH、当地种植密度DN)处理下稻米的产量、品质以及籽粒中Pb和Cd含量的变化。
结果稻米产量和品质在不同水分和密度管理条件下差异不显著，但在品种间有显著差异，表现为‘化两优78号’产量高于其他品种。WSDN处理显著降低了常规稻‘百香占’的精米率，但对化感品种影响不显著。WS处理降低了稻米Pb和Cd含量，尤其是显著降低了化感稻米Cd含量。密度和品种对稻米Pb和Cd含量影响不显著。
结论水分和密度处理对化感水稻的产量和稻米品质影响不显著，但WS处理能够显著降低化感水稻籽粒中Cd含量。
Abstract:ObjectiveTo investigate the relationships of the yields, qualities and heavy metals contents of allelopathic rice with water managements and planting densities, and make better use of environmentally friendly characteristics of allelopathic rice.
MethodThe rice materials, including ‘Allelopathy rice No.3’, ‘Hualiangyou 78’, ‘Yuxiangyouzhan’ in early season and ‘Baixiangzhan’ in late season, were cultivated under two different water managements (WN: paddy field drainage during booting stage, WS: paddy field continuous irrigation during booting stage) and two different planting densities (DH: high planting density, DN: local planting density). And then their yields, qualities, and Pb and Cd contents in grains were investigated.
ResultThe rice yields and qualities had no significant differences in different water and density treatments, but differed among rice cultivars. ‘Hualiangyou 78’ yield was the highest in all materials. WSDN treatment significantly reduced the milled rice percentage of ‘Baixiangzhan’, but had no significant effect on allelopathic rice cultivars. WS treatment reduced the contents of Pb and Cd in rice grains, especially the contents of Cd in allelopathic rice cultivars. The planting densities and rice cultivars had no significant effect on Pb and Cd contents in rice grains.
ConclusionBoth water and density treatments have no significant effect on yields and qualities of allelopathic rice materials, but WS can significantly reduce the Cd contents of allelopathic rice grains.
-
Keywords:
- allelopathic rice /
- planting density /
- water management /
- rice quality /
- Pb /
- Cd
-
实现准确的牛只身份识别是实现牛只精准养殖的先决条件[1-4]。在智慧养殖系统中，所有数据信息如体尺、体质量、体况、运动量、进食量等都必须与对应的牛只身份关联，以实现有效记录，从而支持个体级别的健康监测和养殖管理[5-7]。优秀的牛只身份识别方法已被证实具有提高牛只福利、减轻农民工作量、提升消费者信任、节省政府管理成本、降低银行和保险公司在保险索赔和抵押贷款业务中被欺骗的风险等一系列作用，有着广泛的直接和间接受益对象[8-10]。近年来，以计算机视觉技术为基础的非接触式身份识别方法成为了一种具有潜力的牛只身份解决方法。相较于基于射频识别(Radio frequency identification, RFID)电子耳标的方法，这类方法不仅能够避免给奶牛带来疼痛或感染风险，还消除了因耳标脱落造成识别失败的担忧[11-12]。考虑到牛脸特征具有身份唯一性且相对容易获取，许多研究人员致力于开发准确、高效的牛脸识别模型，以期实现牛只的非接触身份识别[13-17]。
然而，现有研究主要关注白天情况下的牛只身份识别，在照明较差或不可用的夜间，身份识别模型的准确度受到了严重影响[4]。但是，在夜间对牛只进行监测同样至关重要，因为牛在这段时间依然会进行觅食、反刍、爬跨等行为，部分行为甚至比白天更为活跃[18-19]。由于夜间的低光照使得RGB图像变得缺乏信息表达能力，现有的研究无法在黑暗条件下实现牛只身份的精准识别。因此，亟需开发一种在夜间能够有效进行牛脸识别的模型，以实现对牛只24 h持续的监测。
一种直接的方法是在牛棚中增加照明，以使牛只身份识别模型在夜间能够准确地提取牛脸特征并实现精确识别。然而，这种方法可能会干扰牛只的正常昼夜节律，甚至导致牛只产生应激反应[20]。因此，在夜间实现牛脸识别应该借助不依赖可见光的成像装置。考虑到大多数监控摄像机能够在黑暗中自动从RGB模式切换到红外(Infrared, IR)模式，且IR成像过程不会对牛只和牛场工人造成干扰，因此使用IR图像实现牛脸识别是一种可行的方法。在现实条件下，具有牛只身份标签的图像通常是RGB图像。然而，由于IR图像和RGB图像是异质的，两类图像特征之间具有一定的模态差异，若直接使用模型将IR图像在RGB图库进行检索，其识别精度不高。
本文提出了RGB-IR跨模态牛脸识别任务，这是一个在实际应用中切实存在但在智慧养殖领域缺乏研究的任务。该任务要求在仅有RGB注册集的条件下，模型能够对1幅IR牛脸图像准确检索，以确定牛只的身份。相比于传统的牛脸识别任务，RGB-IR跨模态牛脸识别任务更加具有挑战性。它不仅要解决传统的牛脸识别任务中牛头遮挡、姿态改变等模态内变化，还要处理RGB图像和IR图像之间额外存在的跨模态差异。
因此，本文提出了一种基于跨模态共享特征学习的夜间牛脸识别方法。通过设计一个双流结构的特征提取网络，将任意模态的图像嵌入到相同的特征空间中，实现RGB与IR牛脸图像之间的跨模态匹配。其中，采用Triplet注意力机制来加强特征的跨维度交互以提升识别精度，利用嵌入扩展模块生成更多可靠嵌入以增强跨模态信息的表征能力。本文提出的方法旨在解决夜间牛脸识别难题，为实现全天候无间断的牛只精准养殖提供技术基础。
1. 材料与方法
1.1 数据获取与数据集构建
本研究采集的图像源自陕西省咸阳市杨凌区某商业农场，拍摄日期为2024年2月12日至25日。研究以92头荷斯坦奶牛作为研究对象，分别在日间和夜间采集其面部的RGB数据和IR数据。RGB数据采集使用尼康D5600相机进行视频录制，分辨率为
1920 像素×1080 像素，帧率为60 帧/s。IR数据采集则采用窄带850工业相机进行视频录制，辅以红外辅助灯补光，分辨率和帧率与RGB相同。采集完成后，将视频每30帧截取出1张图像以获得图像数据。由于截帧后的图像包含牛脸之外的背景噪声，需要进一步处理以构建高质量的牛脸数据集。为节省人工成本和时间成本，本研究使用YOLOv5训练了一个牛脸检测模型以辅助确定图像中的牛脸位置。模型检测结果经人工校正后，牛脸图像被准确截取出来。截取获得的牛脸图像共7019 幅，其中RGB图像3932 幅、IR图像3087 幅。所有图像的尺寸被统一调整为3×384×144。最终，由60头奶牛提供的共4572 幅图像构成训练集，而由另外32头奶牛提供的共2447 幅图像组成测试集。训练集和测试集中牛只身份是相互正交的，即测试集中出现的牛只在训练过程中不会出现。表1展现了本研究构建的RGB-IR跨模态牛脸识别数据集的具体细节。表 1 RGB-IR跨模态牛脸识别数据集具体细节Table 1. Overview of RGB-IR cross-modal cattle face recognition dataset数据集
Dataset牛只数量
Number of cattlesRGB图像数量
Number of RGB imagesIR图像数量
Number of IR images图像总数量
Total number of images训练集 Training set 60 2570 2002 4572 测试集 Test set 32 1362 1085 2447 图1a和图1b分别展示了RGB和IR数据集中的部分样本。通过观察可以发现，不同模态的图像有着一定的特征差异，IR图像相比于RGB图像，丢失了除斑纹特征之外的许多其他特征，缺乏丰富的纹理特征和结构表达。此外，同一模态下同一个体不同图像之间也存在着因姿态、光照等因素变化带来的较大域内差异，这进一步加剧了跨模态牛脸识别任务的困难程度。
1.2 夜间牛脸识别模型构建
1.2.1 模型总体结构
为了将来自不同模态牛脸图像的特征投影到共享特征空间中，本研究构建了如图2所示的夜间牛脸识别模型。该模型以ResNet50作为主干特征提取网络用于提取牛脸图像中的身份特征信息。ResNet[21]是一种经典的深度残差神经网络模型框架，它通过残差学习框架和跳跃连接解决了梯度消失问题，具有较深的网络结构，能够实现身份特征的稳定有效提取。表2展示了ResNet50的具体模型结构，它由5个阶段组成。其中，第1个阶段包括1个卷积核大小为7×7、步幅为2的卷积操作，以及1个窗口大小为3×3、步幅为2的最大值池化操作。其余的4个阶段分别由多个具有残差结构的瓶颈模块组成。
![]()
图 2 夜间牛脸识别模型嵌入空间中圆形和五边形色块分别表示原始嵌入和扩展嵌入，虚线和实线色块分别表示RGB图像和IR图像的嵌入，色块的不同颜色表示不同身份的牛只个体Figure 2. Night cattle face recognition modelIn the embedded space, circles and pentagons represent the original and extended embeddings respectively, dashed and solid color blocks represent the embeddings of RGB images and IR images respectively, different colors of the color blocks represent individual cattles of different identities表 2 ResNet模型结构Table 2. Model structure of ResNet阶段
Stage操作
Operation重复次数
Stack number1 Conv, 7×7, 64, stride 2
Max pool, 3×3, stride 21 2 Conv, 1×1, 64
Conv, 3×3, 64
Conv, 1×1, 2563 3 Conv, 1×1, 128
Conv, 3×3, 128
Conv, 1×1, 1284 4 Conv, 1×1, 256
Conv, 3×3, 256
Conv, 1×1,1024 6 5 Conv, 1×1, 512
Conv, 3×3, 512
Conv, 1×1,2048 3 考虑到不同模态图像之间存在一定的属性差异，本研究将模型的低层结构部分设置为双流结构，以更好地捕获2个不同模态中的低级特征模式。而高层结构部分的网络参数则被设计为2个模态共享，旨在增强模型提取模态共享特征的能力。同时，本研究在双流结构的每个分支的第1个阶段后面都加入了Triplet注意力机制以增强模型性能，并在特征提取后利用嵌入扩展模块生成更多可靠嵌入以进一步提升识别精度。
1.2.2 Triplet注意力机制
对具有身份信息的特征进行充分提取是构建精准牛只识别模型的基础。本研究中，为了增强网络对牛只身份信息的关注，引入轻量化的Triplet注意力机制[22]，其利用三分支结构捕捉跨维度交互来计算注意力权重。如图3所示，第1个分支获取空间维度H和W的交互关系，中部的分支负责计算通道维度C和空间维度W的注意力权重，底部的最后1个分支负责计算通道维度C和空间维度H的注意力权重。
如图4所示，当给定输入张量M的形状为
$ C \times H \times W $ 时，3个分支具体实现如下：在第1个分支中，输入张量M，通过通道最大值池化和通道平均值池化得到张量
$ {M_1}(2 \times H \times W) $ ，然后通过卷积、BN层及Sigmoid非线性激活函数生成为空间注意力权重，经残差连接与M相加得到形状为$ C \times H \times W $ 的输出。在第2个分支中，输入张量M，沿H轴逆时针旋转90°得到旋转张量
$ {\hat M_2}(W \times H \times C) $ ，再经过Z-Pool操作得到张量$ {\hat M_2}^ * (2 \times H \times C) $ ，其中Z-Pool操作是在W维度进行平均值池化和最大值池化，在保留丰富特征的基础上缩小了深度。然后通过卷积、BN层及Sigmoid激活函数生成注意力权重，经残差连接后，沿H轴顺时针旋转90°保持和输入张量形状一致。在第3个分支中，输入张量M，沿W轴逆时针旋转90°得到旋转张量
$ {\hat M_3}(H \times C \times W) $ ，再经过Z-Pool操作得到张量$ {\hat M_3}^ * (2 \times C \times W) $ ，然后通过卷积、BN层及Sigmoid激活函数生成注意力权重，经残差连接后，沿W轴顺时针旋转90°保持和输入张量形状一致。最后对3个分支输出的
$ C \times H \times W $ 维度特征进行相加取平均。该方法通过跨维度信息交互，解决了传统方法计算单一维度注意力权重时信息大量丢失等问题，可以在学习任务中捕捉到更复杂的关联和依赖性。
1.2.3 嵌入扩展模块
出色的嵌入表达能够使识别模型具备更准确、更鲁棒的识别效果[23-24]。为使牛脸识别模型在样本有限的条件下充分挖掘跨模态的身份信息表征，本研究提出的夜间牛脸识别模型在特征提取后，利用嵌入扩展模块生成更多可靠嵌入以进一步提升识别精度。如图5所示，提出的嵌入扩展模块由多个嵌入生成分支组成，每个分支都能产生一个新的嵌入特征。在每个分支中，特征图
$ {\boldsymbol{f}} $ 首先经过3个不同扩张率的3×3空洞卷积，得到的3个特征图通道大小为特征图$ {\boldsymbol{f}} $ 通道大小的1/4。接着，将这些特征图相加融合，并使用ReLU激活函数以增强模型的非线性表示能力。最后，通过一个卷积核大小为1×1的卷积层改变特征图的通道数量，使生成的扩展特征图$ {\boldsymbol{f}}_ + ^{} $ 与输入的原始特征图$ {\boldsymbol{f}} $ 尺寸相匹配。因此，第i个分支生成的扩展嵌入$ {\boldsymbol{f}}_ + ^i $ 可以表示为:![]()
图 5 嵌入扩展模块$ {\boldsymbol{f}} $代表原始的嵌入特征，$ {\boldsymbol{f}}_ + ^i $代表第i个分支生成的扩展嵌入特征，$ \theta _{3 \times 3}^n( \cdot ) $代表扩张率为n的3×3空洞卷积，$ {{{F}}_{{\mathrm{ReLU}}}}( \cdot ) $代表非线性激活函数，$ {\delta _{1 \times 1}}( \cdot ) $代表1×1卷积Figure 5. Embedding expansion module$ {\boldsymbol{f}} $ represents the original embedded features, $ {\boldsymbol{f}}_ + ^i $ represents the extended embedded features generated by the i-th branch, $ \theta _{3 \times 3}^n( \cdot ) $ represents a 3×3 dilated convolution with a dilation rate of n, $ {{F}_{{\mathrm{ReLU}}}}( \cdot ) $ represents a nonlinear activation function, and $ {\delta _{1 \times 1}}( \cdot ) $ represents a 1×1 convolution$$ {\boldsymbol{f}}_ + ^i = {\delta _{1 \times 1}}\{{{{F}}_{{{\mathrm{ReLU}}} }}[\theta _{3 \times 3}^1({\boldsymbol{f}}) + \theta _{3 \times 3}^2({\boldsymbol{f}}) + \theta _{3 \times 3}^3({\boldsymbol{f}})]\}， $$ (1) 式中，
$ {\boldsymbol{f}} $ 代表原始的嵌入特征，$ {\boldsymbol{f}}_ + ^i $ 代表第i个分支生成的扩展嵌入特征，$ \theta _{3 \times 3}^n( \cdot ) $ 代表扩张率为n的3×3空洞卷积，$ {{{F}}_{{\mathrm{ReLU}}}}( \cdot ) $ 代表非线性激活函数，$ {\delta _{1 \times 1}}( \cdot ) $ 代表1×1卷积。嵌入扩展模块旨在生成更多嵌入以提高识别精度，但现有操作未能有效地确保嵌入的多样性。因此，本研究使用嵌入增强损失
$ {L_{{\mathrm{emb}}}} $ 来保证生成的扩展嵌入尽可能多样化，从而减少RGB和IR图像之间的模态差异。首先，为促使模型学习不同的特征并挖掘不同的跨模态线索，扩展嵌入与原始嵌入之间应该具有一定距离。其次，扩展嵌入应该减少RGB和IR图像之间的模态差异。需要拉近由RGB模态生成的扩展嵌入与原始IR嵌入的距离，以及拉近由IR模态生成的扩展嵌入与原始RGB嵌入的距离。最后，考虑到过分拉近扩展嵌入与原始嵌入之间的距离可能导致不同类的嵌入变得更近。因此，为避免不同类之间的嵌入过于接近，需要确保各个嵌入的类内距离小于类间距离。基于以上要求，RGB模态中生成的嵌入增强损失可表达为：$$ L({{\boldsymbol{f}}_{\rm{R}}},{{\boldsymbol{f}}_{\rm{I}}},{{\boldsymbol{f}}_{{{\rm{R}}} + }}) = [D({\boldsymbol{f}}_{{\rm{I}}} ^a,{\boldsymbol{f}}_{{{\rm{R}}} + }^{i,a}) - D({\boldsymbol{f}}_{{\rm{R}}} ^a,{\boldsymbol{f}}_{{{\rm{R}}} + }^{i,a}) - D({\boldsymbol{f}}_{{\rm{R}}} ^a,{\boldsymbol{f}}_{{{\rm{R}}} + }^b)] ，$$ (2) 式中，
$ D( \cdot , \cdot ) $ 表示2个嵌入之间的欧氏距离，$ {{\boldsymbol{f}}_{\rm{R}}} $ 和$ {{\boldsymbol{f}}_{\rm{I}}} $ 分别代表RGB模态和IR模态的原始嵌入特征，$ {\boldsymbol{f}}_{{{\rm{R}}} + }^i $ 代表第i个分支的生成的扩展嵌入，$ a $ 和$ b $ 表示不同的牛只身份。同样，对于由IR生成的扩展嵌入，应满足：
$$ L({{\boldsymbol{f}}_{\rm{I}} },{{\boldsymbol{f}}_{\rm{R}} },{{\boldsymbol{f}}_{{\rm{I}} + }}) = [D({\boldsymbol{f}}_{\rm{R}} ^a,{\boldsymbol{f}}_{{\rm{I}} + }^{i,a}) - D({\boldsymbol{f}}_{\rm{I}} ^a,{\boldsymbol{f}}_{{\rm{I}} + }^{i,a}) - D({\boldsymbol{f}}_{\rm{I}} ^a,{\boldsymbol{f}}_{{\rm{I}} + }^b)]。 $$ (3) 因此，嵌入增强损失最终的计算公式为：
$$ {L_{{{\mathrm{emb}}} }} = L({{\boldsymbol{f}}_{\rm{R}} },{{\boldsymbol{f}}_{\rm{I}}},{{\boldsymbol{f}}_{{\mathrm{R}} + }}) + L({{\boldsymbol{f}}_{\rm{I}} },{{\boldsymbol{f}}_{\rm{R}} },{{\boldsymbol{f}}_{{\rm{I}} + }})。 $$ (4) 为了确保多个不同分支生成的嵌入能够最大化地捕获不同的信息特征表征，研究设置正交损失强制不同分支生成的嵌入特征彼此最小化重叠元素。因此，本研究设置的分支正交损失为：
$$ {L_{{\mathrm{branch}}}} = \displaystyle\sum\nolimits_{m = 1}^{i - 1} {\displaystyle\sum\nolimits_{n = m + 1}^i {({\boldsymbol{f}}_ + ^{m{{\mathrm{T}}} }{\boldsymbol{f}}_ + ^n)} } ，$$ (5) 式中，m和n分别代表嵌入扩展模块中的第m个和第n个分支。分支正交损失可以强制生成的嵌入学习更多信息的特征表示。
1.2.4 综合损失函数
同时使用交叉熵损失
$ {L_{{\mathrm{CE}}}} $ 和三元组损失$ {L_{{\mathrm{Tri}}}} $ 能够促进牛只身份识别模型取得更好的识别效果[24]。为了获得令人满意的牛脸识别精度，本研究同样利用这2类损失促使模型学习具有判别性的特征。结合上文针对嵌入扩展模块提出的嵌入增强损失$ {L_{{\mathrm{emb}}}} $ 和分支正交损失$ {L_{{\mathrm{branch}}}} $ ，本研究最终的损失函数公式如下：$$ {\mathrm{Loss}} = {L_{{\mathrm{CE}}}} + {L_{{\mathrm{Tri}}}} + {L_{{\mathrm{emb}}}} + {L_{{\mathrm{branch}}}}。 $$ (6) 2. 试验平台参数及结果评价指标
2.1 试验环境参数
本文试验的操作系统为Ubuntu 18.04.6 LTS，它包含Intel(R) Xeon(R) Gold 5217 CPU @ 3.00 GHz，4张32 G NVIDIA Tesla V100 GPUs，256 GB RAM, 6 TB硬盘。本研究以Python 3.8作为编程语言，深度学习框架采用PyTorch 1.7，加速环境为Cuda 11.0，编程平台为PyCharm。所有对比算法均在相同环境下运行。
2.2 模型训练参数
采用COCO数据集上的预训练权重作为ResNet50部分的初始化权重参数，其他部分采取Kaiming初始化。嵌入扩展模块的分支数设置为2，优化器选用随机梯度下降法，初始学习率设为0.01，学习率衰减因子为0.003，衰减动量因子为0.95。输入图像尺寸为3×384×144，批处理大小为4，最大迭代次数为80次。
2.3 模型结果评价指标
为验证该模型性能，本研究选用平均精度均值(Mean average precision, mAP)和k阶累积匹配特征值(Cumulative matching characteristics, CMC-k)作为模型识别效果的评价指标，选用参数量(Parameters)和计算量(FLOPs)作为模型复杂度的评价指标。mAP衡量的是模型的平均检索性能；CMC-k是指在模型测试结果中置信度最高的前k个检索结果中出现正确匹配的概率；Parameters是指模型中所含的参数数量，决定着模型文件的大小和推断时所需要的内存量，可有效衡量算法的空间复杂度；计算量是指模型在推断时的浮点运算次数，可有效衡量算法的时间复杂度。其中，mAP的具体计算方式如式(7)~(9)所示。
$$ {{P}} = \dfrac{{{\mathrm{TP}}}}{{{\mathrm{TP}} + {\mathrm{FP}}}}， $$ (7) $$ R = \dfrac{{{\mathrm{TP}}}}{{{\mathrm{TP}} + {\mathrm{FN}}}}， $$ (8) $$ {\mathrm{mAP}} = \dfrac{1}{C}\displaystyle\sum\nolimits_{c = 1}^C {\displaystyle\int_0^1 {P(R){\mathrm{d}}R} }， $$ (9) 式中，P和R分别表示精确率和召回率，C表示检测类数，TP表示实际为正例且被划分为正例的个数，FP表示实际为负例但被划分为正例的个数，FN表示实际为正例但被划分为负例的个数。
3. 结果与讨论
3.1 夜间牛脸识别模型结果
本研究利用测试集对提出的夜间牛脸识别模型的识别效果进行测试。测试集中的IR图像为问询集，RGB图像为注册集，测试中对于问询集的任意1幅图像模型都会在注册集中匹配与其身份最接近的图像。图6为训练过程Loss值及mAP变化。模型训练初期，学习率较高，损失曲线在前15轮迅速下降，随着迭代的进行，损失曲线逐渐变缓并于40轮次左右达到收敛，模型达到稳定状态；类似地，mAP值在前15轮迅速上升，之后逐渐趋于平缓并在87%附近波动。
除了对提出模型进行测试外，本研究还测试了在训练过程中仅使用RGB图像而未使用IR图像进行跨模态训练的模型，以突显夜间牛脸识别的挑战和必要性。为保证公平比较，2个模型均采用相同网络结构，只是在训练过程中双流网络的2个分支输入不同。2个模型的牛脸识别表现如表3所示。
表 3 跨模态训练效果对比试验结果1)Table 3. Comparative experimental result of cross-modal training effect模型 Model mAP/% CMC-1/% CMC-5/% 未进行跨模态训练的模型 Model without cross-modal training 71.01 75.82 85.82 提出的模型 Proposed model 90.68 94.73 97.82 1) mAP：平均精度均值；CMC-1：一阶累积匹配特征值；CMC-5：五阶累积匹配特征值
1) mAP: Mean average precision; CMC-1: Cumulative match characteristic at rank 1; CMC-5：Cumulative match characteristic at rank 5本文提出模型的mAP、CMC-1和CMC-5分别为90.68%、94.73%和97.82%。与未进行跨模态训练的模型相比，本研究提出模型的mAP提高了19.67个百分点，CMC-1提高了18.91个百分点，CMC-5提高了12.00个百分点，模型的识别效果大大提高，更加适应夜间条件下的牛只身份识别任务。
3.2 消融试验
本研究提出的夜间牛脸识别模型基于浅层双流模型结构，通过加入Triplet注意力机制优化模型身份特征提取能力，通过增加嵌入扩展模块充分挖掘跨模态的身份信息表征。为验证各部分的性能表现，使用控制变量法进行消融试验。在相同的数据集和训练参数下进行训练及测试，结果如表4所示。
表 4 各个模型消融试验结果1)Table 4. Result of ablation experiment for each model模型结构
Model structureTriplet注意力机制
Triplet attention
mechanism嵌入扩展模块
Embedding extension
modulesmAP/% CMC-1/% CMC-5/% Parameters/M FLOPs/G 单流
Single-stream77.23 84.55 91.64 9.18 4.73 √ 81.13 86.91 92.36 9.24 4.75 √ 79.00 85.09 92.36 9.18 4.73 √ √ 81.42 87.09 92.91 9.24 4.75 全双流
Full dual-stream80.73 88.73 94.00 9.18 4.73 √ 84.88 87.45 95.09 9.24 4.75 √ 82.75 89.27 93.64 9.18 4.73 √ √ 87.96 91.64 96.17 9.24 4.75 浅层双流
Shallow dual-stream81.86 89.45 94.73 9.18 4.73 √ 89.60 92.00 95.09 9.24 4.75 √ 86.19 89.64 96.55 9.18 4.73 √ √ 90.68 94.73 97.82 9.24 4.75 1) mAP：平均精度均值；CMC-1：一阶累积匹配特征值；CMC-5：五阶累积匹配特征值；Parameters：参数量；FLOPs：浮点运算量
1) mAP: Mean average precision; CMC-1: Cumulative match characteristic at rank 1; CMC-5：Cumulative match characteristic at rank 5; Parameters: Number of parameters; FLOPs: Floating point operations如表4所示，在未使用嵌入扩展模块和Triplet注意力机制的条件下，本研究采用的浅层双流结构相比于单流结构和全双流结构，模型识别效果明显提升。相比于单流结构，模型的mAP、CMC-1和CMC-5分别提高了4.63、4.90和3.09个百分点。相比于全双流结构，模型的mAP、 CMC-1和CMC-5分别提高了1.13、0.72和0.73个百分点。这表明浅层双流结构能够兼顾不同模态之间的模态差异并实现模态共享特征的有效提取。
在使用浅层双流结构且未使用嵌入扩展模块的条件下，采用Triplet注意力机制后，模型的Parameters和FLOPs较采用Triplet注意力机制前分别仅增加了0.06 M和0.02 G，mAP、 CMC-1和CMC-5分别提高了7.74、2.55和0.36个百分点。这表明引入的轻量化Triplet注意力机制，能够跨维度交互以抑制冗余信息，有效增强了网络对牛只身份信息的关注。
嵌入扩展模块通过在训练时生成更多可靠嵌入，实现有限样本条件下跨模态身份信息表征的充分挖掘。在采用Triplet注意力机制的浅层双流结构的基础上，模型使用嵌入扩展模块之后，mAP、 CMC-1和CMC-5较使用该模块前分别又提高了1.08、2.73和2.73个百分点。同时，由于测试时嵌入扩展模块并不参与牛脸图像的特征提取过程，所以并不会增加模型在推理时的Parameters和FLOPs。
综上所述，本研究提出的夜间牛脸识别模型的各个改进部分都提高了牛只身份识别的准确性，每个部分对模型性能的提升都有不同的贡献，证明了各个优化操作的有效性。
4. 结论
准确识别牛只身份是现代智慧畜牧的重要环节。然而，由于夜间光线条件的限制，现有的识别模型在这种环境下通常难以实现满意的识别效果。本研究针对夜间牛只身份识别难的问题，提出了一种基于跨模态共享特征学习的夜间牛脸识别方法。该方法实现了在仅有RGB注册集条件下利用IR牛脸图像进行准确的牛只身份识别。提出的模型采用浅层双流结构，有效将不同模态的牛脸图像特征投影到共享特征空间中。同时，利用Triplet注意力机制，该模型能够跨维度地捕捉交互信息，从而有效增强牛只身份信息的提取。此外，通过嵌入扩展模块，进一步挖掘跨模态身份信息的表征。试验结果显示，本研究提出模型的mAP、CMC-1和CMC-5分别为90.68%、94.73%和97.82%。相较于未进行跨模态训练的模型，本研究提出的模型在mAP、CMC-1和CMC-5分别提高了19.67、18.91和12.00个百分点，为夜间牛只身份识别任务提供了可靠的解决方案。
-
![]()
图 1 不同水分管理条件对稻米Pb含量的影响
WS：孕穗期不晒田，WN：孕穗期晒田；各图中柱子上凡是有一个相同小写字母者，表示差异不显著(P>0.05，Duncan’s法)
Figure 1. Effects of different water managements on Pb contents of rice
![]()
图 2 不同种植密度对稻米Pb含量的影响
DN：当地种植密度，DH：高密度；各图中柱子上凡是有一个相同小写字母者，表示差异不显著(P>0.05，Duncan’s法)
Figure 2. Effects of different planting densities on Pb contents of rice
![]()
图 3 不同水稻品种对稻米Pb含量的影响
各图中柱子上凡是有一个相同小写字母者，表示差异不显著(P>0.05，Duncan’s法)
Figure 3. Effects of different cultivars on Pb contents of rice
![]()
图 4 不同水分管理对稻米中Cd含量的影响
DN：当地种植密度，DH：高密度；各图中柱子上凡是有一个相同小写字母者，表示差异不显著(P>0.05，Duncan’s法)
Figure 4. Effects of different water managements on Cd contents of rice
![]()
图 5 不同种植密度对稻米Cd含量的影响
DN：当地种植密度，DH：高密度；各图中柱子上凡是有一个相同小写字母者，表示差异不显著(P>0.05，Duncan’s法)
Figure 5. Effects of different planting densities on Cd contents of rice
![]()
图 6 水稻品种对稻米Cd含量的影响
DN：当地种植密度，DH：高密度；各图中柱子上凡是有一个相同小写字母者，表示差异不显著(P>0.05，Duncan’s法)
Figure 6. Effects of different cultivars on Cd contents of rice
表 1 影响稻米产量因素的主效应分析
Table 1 The main effect analyses of factors affected rice yields
变异来源 自由度 P 早季 晚季 水分 1 0.111 0.891 密度 1 0.177 0.545 品种 2 0.028 0.075 水分×密度 1 0.698 0.364 水分×品种 2 0.562 0.255 品种×密度 2 0.552 0.188 水分×品种×密度 2 0.585 0.241 
下载: 导出CSV
表 2 不同水分和密度管理条件下早季水稻的产量1)
Table 2 The rice yields under different water and planting density managements in early season
品种 栽培措施 有效穗数/(×104 hm–2) 每穗粒数 结实率/% 千粒质量/g 实际产量/(t·hm–2) 化感稻3号 WSDH 298.97±25.95ab 186.40±15.53ab 87.17±1.27ab 21.27±1.45e 7.83±0.74bcde WSDN 270.83±7.25bc 221.10±6.21a 78.47±8.08b 22.10±1.40cde 7.32±0.29cde WNDH 320.23±6.97a 216.07±21.10a 84.43±3.15ab 21.70±1.27de 7.04±0.61de WNDN 226.87±13.66d 211.03±23.27ab 84.33±4.35ab 21.53±1.31de 5.86±0.12e 化两优78号 WSDH 316.33±11.73ab 162.10±9.96bcde 90.67±4.14a 26.17±0.20a 10.23±0.86a WSDN 237.27±3.09cd 211.33±16.41ab 84.83±1.99ab 24.57±0.09abc 8.96±0.52abcd WNDH 318.27±12.04ab 130.17±4.14c 89.57±3.06ab 24.87±0.33abc 8.56±1.17abcd WNDN 243.07±13.13cd 181.10±4.84ab 86.87±3.00ab 25.93±0.62ab 8.87±0.78abcd 玉香油占 WSDH 266.20±3.35bcd 194.63±24.16ab 88.67±0.52ab 23.17±0.66bcde 9.29±0.42abc WSDN 232.63±4.01cd 213.33±6.25a 90.43±0.43a 24.00±0.52abcde 9.54±0.77ab WNDH 289.37±15.31ab 177.57±7.03ab 87.77±2.09ab 24.37±0.41bcde 7.49±0.48bcde WNDN 224.57±21.44d 192.30±17.24ab 89.00±0.50ab 23.53±0.33abcde 7.99±0.24bcd 1)WN：孕穗期晒田，WS：孕穗期不晒田，DN：当地种植密度，DH：高密度；同列数据后凡是有一个相同小写字母者，表示处理间差异不显著(P>0.05，Duncan’s 法)
下载: 导出CSV
表 3 不同水分和密度管理条件下晚季水稻的产量1)
Table 3 The rice yields under different water and planting density managements in late season
品种 栽培措施 有效穗数/(×104 hm–2) 每穗粒数 结实率/% 千粒质量/g 产量/(t·hm–2) 化感稻3号 WSDH 356.50±18.63bcd 229.03±11.97abc 77.63±7.44a 18.57±0.17e 9.23±1.31ab WSDN 278.50±15.71ef 263.90±28.43a 79.03±2.13a 19.03±0.47de 9.91±0.36ab WNDH 326.40±25.03def 244.80±8.56ab 78.30±2.34a 21.00±0.51cd 9.14±0.24ab WNDN 256.23±5.25f 257.13±4.00a 68.77±6.48a 20.50±0.30cde 9.21±0.56ab 化两优78号 WSDH 315.93±11.16def 176.40±17.15def 73.00±3.55a 24.23±0.38ab 9.97±0.93a WSDN 338.90±13.26cde 181.27±32.00cde 74.93±4.96a 22.70±1.31bc 9.02±0.74ab WNDH 310.20±17.04def 171.40±3.87defg 74.80±1.31a 24.63±0.38ab 10.41±0.19a WNDN 284.73±14.33def 202.40±15.37bcd 73.17±2.49a 25.03±0.49a 9.68±0.26a 百香占 WSDH 494.20±33.79a 138.57±20.77efg 77.47±2.34a 21.73±1.19c 8.68±0.64ab WSDN 412.53±12.99b 124.37±6.79fg 77.97±1.89a 20.83±0.12cd 8.28±0.52ab WNDH 533.57±42.34a 123.30±7.47g 70.13±4.26a 21.07±1.27cd 8.86±0.19ab WNDN 402.80±24.72bc 126.30±0.10fg 74.73±3.98a 21.13±0.43cd 7.43±0.76b 1)WN：孕穗期晒田，WS：孕穗期不晒田，DN：当地种植密度，DH：高密度；同列数据后凡是有一个相同小写字母者，表示处理间差异不显著(P>0.05，Duncan’s 法)
下载: 导出CSV
表 4 影响稻米加工品质的主效应分析
Table 4 The main effect analyses of factors affecting rice processing qualities
变异来源 自由度 P早季 P晚季 糙米率 精米率 整精米率 垩白率 垩白大小 垩白度 糙米率 精米率 整精米率 垩白率 垩白大小 垩白度 水分 1 0.767 0.912 0.848 0.097 0.487 0.234 0.118 0.586 0.145 0.969 0.677 0.872 密度 1 0.745 0.879 0.247 0.753 0.983 0.812 0.995 0.530 0.380 0.383 0.348 0.288 品种 2 0.017 0.021 0.015 0.008 0.064 0.280 0.005 0.003 0.731 0.050 0.489 0.181 水分×密度 1 0.298 0.563 0.908 0.852 0.455 0.405 0.830 0.619 0.453 0.561 0.903 0.269 水分×品种 2 0.077 0.152 0.136 0.377 0.615 0.506 0.363 0.608 0.401 0.919 0.488 0.892 品种×密度 2 0.346 0.779 0.922 0.235 0.878 0.180 0.981 0.883 0.283 0.944 0.106 0.718 水分×品种×密度 2 0.907 0.808 0.891 0.934 0.461 0.816 0.121 0.099 0.353 0.812 0.474 0.600
下载: 导出CSV
表 5 不同水分和密度管理条件下早季稻米加工和外观品质1)
Table 5 The processing and exterior qualities of rice under different water and planting density managements in early season %
% 品种 栽培措施 糙米率 精米率 整精米率 垩白率 垩白大小 垩白度 化感稻3号 WSDH 77.52±1.29abc 65.39±1.29cd 51.65±2.05bc 35.67±6.12bc 43.39±1.31a 15.34±2.23ab WSDN 77.72±1.74abc 65.59±2.41bcd 50.01±4.85c 31.33±3.84c 37.41±0.68a 11.74±1.51ab WNDH 76.14±0.60bc 63.83±0.67d 49.89±0.70c 36.67±4.26bc 33.59±2.34a 12.50±2.35ab WNDN 75.79±0.44c 64.22±0.47d 50.14±1.45c 32.00±1.00c 35.55±5.84a 11.36±1.80b 化两优78号 WSDH 79.03±1.39ab 68.52±1.31abc 58.11±1.81ab 58.33±7.06a 33.73±3.87a 19.20±1.17a WSDN 79.35±0.92a 68.59±0.78abc 56.31±2.32abc 54.67±4.37a 26.69±1.14a 14.57±1.27ab WNDH 80.54±0.65a 69.67±0.62a 57.98±1.12ab 49.00±1.53ab 27.47±4.36a 13.54±2.45ab WNDN 79.75±0.76a 68.24±0.72abc 56.46±0.71abc 44.67±1.86abc 34.75±4.44a 15.36±1.26ab 玉香油占 WSDH 77.88±0.25abc 67.70±0.78abc 56.55±1.16abc 30.33±6.17c 38.52±5.27a 12.04±3.52ab WSDN 79.73±0.96a 67.84±0.12abc 56.18±1.58abc 33.00±5.03c 44.77±6.88a 14.13±0.63ab WNDH 80.25±0.94a 69.16±1.00ab 59.64±2.28a 32.00±7.77c 42.14±10.65a 11.99±0.67ab WNDN 80.53±0.52a 69.17±1.15ab 57.95±2.07ab 38.67±2.91bc 40.24±8.70a 15.90±4.49ab 1)WN：孕穗期晒田，WS：孕穗期不晒田，DN：当地种植密度，DH：高密度；同列数据后凡是有一个相同小写字母者，表示处理间差异不显著(P>0.05，Duncan’s法)
下载: 导出CSV
表 6 不同水分和密度管理条件下晚季稻米加工和外观品质1)
Table 6 The processing and exterior qualities of rice under different water and planting density managements in late season %
% 品种 栽培措施 糙米率 精米率 整精米率 垩白率 垩白大小 垩白度 化感稻3号 WSDH 75.91±0.17ab 64.96±0.91bc 59.55±1.58ab 17.33±5.36a 45.67±6.90ab 8.43±3.48a WSDN 74.43±0.34b 63.85±0.26c 57.62±0.56ab 12.33±2.03a 44.81±2.61ab 5.45±0.68a WNDH 74.35±2.20b 63.34±1.79c 56.69±1.96b 14.67±1.33a 47.92±4.34ab 7.00±0.84a WNDN 76.35±1.50ab 64.97±1.31bc 57.63±2.18ab 16.33±1.76a 57.47±15.61a 8.88±1.37a 化两优78号 WSDH 79.68±0.39a 68.08±1.11abc 61.25±1.23ab 17.33±2.91a 49.28±9.57ab 8.76±2.35a WSDN 80.63±1.57a 69.38±1.34ab 62.00±1.52ab 14.00±2.65a 29.99±8.59b 4.65±1.82a WNDH 79.42±0.34ab 70.22±1.14a 62.05±0.40ab 16.33±2.60a 46.39±4.73ab 7.55±1.26a WNDN 78.45±0.58ab 67.46±0.72abc 61.59±0.95ab 16.33±5.70a 31.55±2.86b 5.37±2.01a 百香占 WSDH 78.40±0.86ab 68.13±0.54abc 61.59±1.21ab 9.33±5.36a 42.50±4.21ab 4.35±2.84a WSDN 77.71±0.28ab 63.93±3.18c 58.59±3.99ab 8.67±5.67a 51.39±8.61ab 3.48±1.68a WNDH 80.28±3.14a 66.31±1.16abc 60.76±1.12ab 7.00±2.89a 50.33±8.05ab 3.98±2.06a WNDN 80.52±2.74a 69.45±2.06ab 62.80±1.68ab 9.00±1.00a 40.36±2.52ab 3.59±0.22a 1)WN：孕穗期晒田，WS：孕穗期不晒田，DN：当地种植密度，DH：高密度；同列数据后凡是有一个相同小写字母者，表示处理间差异不显著(P>0.05，Duncan’s 法)
下载: 导出CSV
表 7 影响稻米Pb和Cd含量的主效应分析
Table 7 The main effect analyses of factors affecting Pb and Cd contents in rice
变异来源 自由度 PPb PCd 早季 晚季 早季 晚季 水分 1 0.009 0.849 0.033 0.000 密度 1 1.000 0.755 0.400 0.483 品种 2 0.427 0.426 0.303 0.182 水分×密度 1 0.684 0.476 0.670 0.673 水分×品种 2 0.751 0.844 0.699 0.577 品种×密度 2 0.890 0.633 0.858 0.518 水分×品种×密度 2 0.152 0.763 0.988 0.822
下载: 导出CSV
-
[1] 胡群, 夏敏, 张洪程, 等. 氮肥运筹对钵苗机插优质食味水稻产量及品质的影响[J]. 作物学报, 2017, 43(3): 420-431. [2] WANG L, LIU D, PU H, et al. Use of hyperspectral imaging to discriminate the variety and quality of rice[J]. Food Anal Methods, 2015, 8(2): 515-523.
[3] AHMAD U, ALFARO L, YEBOAH-AWUDZI M, et al. Influence of milling intensity and storage temperature on the quality of Catahoula rice (Oryza sativa L.)[J]. LWT-Food Sci Technol, 2017, 75: 386-392.
[4] 方申超, 毛慧. 稻米中铅、镉含量与稻田土壤质量的关系[J]. 芜湖职业技术学院学报, 2016, 18(3): 59-62. [5] MEHARG A A, NORTON G, DEACON C, et al. Variation in rice cadmium related to human exposure[J]. Environ Sci Technol, 2013, 47(11): 5613-5618.
[6] 陈明, 王道尚, 张丙珍. 综合防控重金属污染保障群众生命安全: 2009年典型重金属污染事件解析[J]. 环境保护, 2010(3): 49-51. [7] 陈善荣, 陈明. 广东省北江韶关段镉污染事件案例分析[J]. 环境教育, 2008(1): 49-53. [8] 李贵, 吴竞仑, 王一专, 等. 栽插密度和水层对水稻化感品种抑草作用的影响[J]. 上海交通大学学报(农业科学版), 2007, 25(6): 561-565. [9] LIMURA K. Heavy metal problems in paddy soils[M]//KITAGISHI K, YAMANE I. Heavy metal polution in soils of Japan. Tokyo: Japan Scientific Societies Press, 1981.
[10] HU P, HUANG J, OUYANG Y, et al. Water management affects arsenic and cadmium accumulation in different rice cultivars[J]. Environ Geochem Health, 2013, 35(6): 767-778.
[11] 张苏波. 不同水稻品种吸收重金属特点研究[D]. 扬州: 扬州大学, 2016. [12] 中华人民共和国国家标准. 土壤环境质量标准: GB 15618—1995[S]. 北京: 中国标准出版社, 1995. [13] 中华人民共和国国家标准. 优质稻谷: GB/T 17891—1999[S]. 北京: 中国标准出版社, 1999. [14] 中华人民共和国国家标准. 食品中铅的测定: GB 5009.12—2010[S]. 北京: 中国标准出版社, 2010. [15] 中华人民共和国国家标准. 食品中镉的测定: GB 5009.15—2014[S]. 北京: 中国标准出版社, 2014. [16] ISLAM M S, RASHID M M, MONDAL M K, et al. Effect of planting density on the performance of hybrid rice (Oryza sativa L.) under waterlogged condition[J]. Agriculturists, 2013, 11(2): 109-113.
[17] LV Y F, REN Y F, LIU D, et al. Effects of different water managements on yield and cadmium accumulation in rice[J]. Adv Mater Res, 2015, 1073/1076: 248-252.
[18] 姜元华, 张洪程, 赵可, 等. 长江下游地区不同类型水稻品种产量及其构成因素特征的研究[J]. 中国水稻科学, 2014, 28(6): 621-631. [19] 吕银斐, 任艳芳, 刘冬, 等. 不同水分管理方式对水稻生长、产量及品质的影响[J]. 天津农业科学, 2016, 22(1): 106-110. [20] 龙文飞, 傅志强, 钟娟. 节水灌溉条件下施肥与密度对双季晚稻‘丰源优299’产量和稻米品质的影响[J]. 中国农学通报, 2016, 32(9): 1-5. [21] 马鹏, 陶诗顺, 吴霞, 等. 四川盆地不同水稻品种稻米品质分析鉴定[J]. 安徽农业科学, 2014, 42(28): 9936-9937, 9941. [22] 仲晓春, 陈京都, 郝心宁. 水稻作物对重金属镉的积累、耐性机理以及栽培调控措施进展[J]. 中国农学通报, 2015, 31(36): 1-5. [23] 胡坤, 喻华, 冯文强, 等. 中微量元素和有益元素对水稻生长和吸收镉的影响[J]. 生态学报, 2011, 31(8): 2341-2348. [24] 刘昭兵, 纪雄辉, 彭华, 等. 水分管理模式对水稻吸收累积镉的影响及其作用机理[J]. 应用生态学报, 2010, 21(4): 908-914. [25] 朱海江. 水稻对重金属铅的吸收积累特征及其农艺调控研究[D]. 杭州: 浙江大学, 2004. [26] 王琳, 杜瑞英, 王旭, 等. 不同品种稻米重金属富集差异研究[J]. 热带农业科学, 2015, 35(6): 56-61, 81. [27] 李波, 杜瑞英, 文典, 等. 广东省主栽水稻品种稻米重金属含量差异研究[J]. 热带农业科学, 2014, 34(5): 5-10. [28] 中华人民共和国国家标准. 食品中污染物限量: GB 2762—2017[S]. 北京: 中国标准出版社, 2017.
计量
- 文章访问数: 1929
- HTML全文浏览量: 16
- PDF下载量: 1387
