为明确宽幅精播条件下冬小麦高产高效的适宜施氮量,于2020—2022年在山东省兖州小麦试验站进行田间试验,供试品种为济麦22。在宽幅精播条件下,设置5个处理,分别为不施氮(N0)、施氮150 kg hm^(-2)(N1)、180 kg hm^(-2)(N2)、210 kg hm^(-...
详细信息
为明确宽幅精播条件下冬小麦高产高效的适宜施氮量,于2020—2022年在山东省兖州小麦试验站进行田间试验,供试品种为济麦22。在宽幅精播条件下,设置5个处理,分别为不施氮(N0)、施氮150 kg hm^(-2)(N1)、180 kg hm^(-2)(N2)、210 kg hm^(-2)(N3)、240 kg hm^(-2)(N4),研究施氮量对冬小麦耗水特性、旗叶衰老特性、荧光特性和籽粒产量的影响。结果表明,N2处理显著增加了60~120 cm土层土壤水分的吸收利用,与N3和N4处理相比,N2处理有效减少了开花前无效分蘖的水分消耗,降低了总耗水量。N2处理开花后日耗水量高,显著增加了旗叶抗氧化酶活性,其开花后14~28 d旗叶荧光参数显著高于其他处理。N2和N3处理籽粒产量和水分利用效率显著高于其他处理,但N2处理氮肥农学效率最高,较N1、N3、N4处理分别高6.88%、10.60%、45.37%(2020—2021年)和7.03%、13.56%、43.71%(2021—2022年)。综上所述,施氮180 kg hm^(-2)处理可提高冬小麦对深层土壤水分的吸收利用,增加开花至成熟期阶段耗水量,延缓旗叶衰老,提高籽粒产量与水氮利用效率,是本试验条件下的最优处理。
为解决复杂跨域场景下猪个体的目标检测与计数准确率低下的问题,该研究提出了面向复杂跨域场景的基于改进YOLOv5(You Only Look Once version 5)的猪个体检测与计数模型。在骨干网络中分别集成了CBAM(Convolutional Block Attention Mod...
详细信息
为解决复杂跨域场景下猪个体的目标检测与计数准确率低下的问题,该研究提出了面向复杂跨域场景的基于改进YOLOv5(You Only Look Once version 5)的猪个体检测与计数模型。在骨干网络中分别集成了CBAM(Convolutional Block Attention Module)即融合通道和空间注意力的模块和Transformer自注意力模块,并将CIoU(Complete Intersection over Union)Loss替换为EIoU(Efficient Intersection over Union)Loss,以及引入了SAM(Sharpness-Aware Minimization)优化器并引入了多尺度训练、伪标签半监督学习和测试集增强的训练策略。试验结果表明,这些改进使模型能够更好地关注图像中的重要区域,突破传统卷积只能提取卷积核内相邻信息的能力,增强了模型的特征提取能力,并提升了模型的定位准确性以及模型对不同目标大小和不同猪舍环境的适应性,因此提升了模型在跨域场景下的表现。经过改进后的模型的m AP@0.5值从87.67%提升到98.76%,m AP@0.5:0.95值从58.35%提升到68.70%,均方误差从13.26降低到1.44。该研究的改进方法可以大幅度改善现有模型在复杂跨域场景下的目标检测效果,提高了目标检测和计数的准确率,从而为大规模生猪养殖业生产效率的提高和生产成本的降低提供技术支持。
暂无评论