以自研土壤改良剂为材料,按照蔬菜园每667 m2施入改良剂0 kg (CK)、25 kg(B25)、50 kg (B50)和75 kg (B75)设置四个处理,分析土壤改良剂对土壤pH、有机质含量以及‘小白苗’小白菜内在与外在品质的影响。结果表明,施用土壤改良剂能维持...以自研土壤改良剂为材料,按照蔬菜园每667 m2施入改良剂0 kg (CK)、25 kg(B25)、50 kg (B50)和75 kg (B75)设置四个处理,分析土壤改良剂对土壤pH、有机质含量以及‘小白苗’小白菜内在与外在品质的影响。结果表明,施用土壤改良剂能维持土壤pH 7.0以上,改善土壤酸化。不同土层的有机质含量表现为随着土层加深而降低。31~45 cm土层中,B25处理下有机质含量最高,为5.35 g·kg–1,显著高于CK组(P<0.05);土壤改良剂能提高小白菜VC、可溶性蛋白和游离氨基酸含量,降低硝酸盐含量。其中B75处理下,VC、可溶性蛋白和游离氨基酸的含量均为最高,与CK组差异显著(P<0.05),硝酸盐含量最低,为0.4713 mg·g–1,与其他处理差异显著(P<0.05)。适量施用土壤改良剂能增加小白菜叶长、叶宽和叶片数,提高小白菜外在品质,B25和B50处理下,小白菜地上部鲜重相比于CK组分别增加了79 g和16 g,差异显著(P<0.05)。使用自研的土壤改良剂能明显提高小白菜产量和品质,改善土壤环境。展开更多
小白菜是中国种植面积较广、深受大众喜爱的蔬菜,真实菜地环境中虫害往往出现在叶片的特定区域,且受环境因素如光照和背景干扰较大,影响对其的智能检测。为提高小白菜虫害的检测效率和准确率,该研究提出一种基于YOLOv5s网络框架改进的YO...小白菜是中国种植面积较广、深受大众喜爱的蔬菜,真实菜地环境中虫害往往出现在叶片的特定区域,且受环境因素如光照和背景干扰较大,影响对其的智能检测。为提高小白菜虫害的检测效率和准确率,该研究提出一种基于YOLOv5s网络框架改进的YOLOPC(YOLO for Pak Choi)小白菜虫害识别模型。首先,引入CBAM(convolutional block attention module)注意力机制,将其放在CBS(卷积层Convolution+归一化层Batch normalization+激活函数层SILU)的输入端构成CBAM-CBS的结构,动态调整特征图中各个通道和空间位置的权重;使用上采样和1×1卷积操作来调整特征图的尺寸和通道数,实现不同层次特征的融合,增强模型的特征表示能力。同时,改进损失函数,使其更适合边界框回归的准确性需求;利用空洞卷积的优势提高网络的感受野范围,使模型能够更好地理解图像的上下文信息。试验结果表明,与改进前的YOLOv5s模型相比,YOLOPC模型对小白菜小菜蛾和潜叶蝇虫害检测的平均精度均值(mean average precision, mAP)达到91.4%,提高了12.9%;每秒传输帧数(Frame Per Second, FPS)为58.82帧/s,增加了11.2帧/s,增加幅度达23.53%;参数量仅为14.4 M,降低了25.78%。与经典的目标检测算法SSD、Faster R-CNN、YOLOv3、YOLOv7和YOLOv8相比,YOLOPC模型的平均精度均值分别高出20.1%、24.6%、14%、13.4%和13.3%,此外,其准确率、召回率、帧速率和参数量均展现出显著优势。该模型可为复杂背景下小白菜虫害的快速准确检测提供技术支持。展开更多
文摘以自研土壤改良剂为材料,按照蔬菜园每667 m2施入改良剂0 kg (CK)、25 kg(B25)、50 kg (B50)和75 kg (B75)设置四个处理,分析土壤改良剂对土壤pH、有机质含量以及‘小白苗’小白菜内在与外在品质的影响。结果表明,施用土壤改良剂能维持土壤pH 7.0以上,改善土壤酸化。不同土层的有机质含量表现为随着土层加深而降低。31~45 cm土层中,B25处理下有机质含量最高,为5.35 g·kg–1,显著高于CK组(P<0.05);土壤改良剂能提高小白菜VC、可溶性蛋白和游离氨基酸含量,降低硝酸盐含量。其中B75处理下,VC、可溶性蛋白和游离氨基酸的含量均为最高,与CK组差异显著(P<0.05),硝酸盐含量最低,为0.4713 mg·g–1,与其他处理差异显著(P<0.05)。适量施用土壤改良剂能增加小白菜叶长、叶宽和叶片数,提高小白菜外在品质,B25和B50处理下,小白菜地上部鲜重相比于CK组分别增加了79 g和16 g,差异显著(P<0.05)。使用自研的土壤改良剂能明显提高小白菜产量和品质,改善土壤环境。
文摘小白菜是中国种植面积较广、深受大众喜爱的蔬菜,真实菜地环境中虫害往往出现在叶片的特定区域,且受环境因素如光照和背景干扰较大,影响对其的智能检测。为提高小白菜虫害的检测效率和准确率,该研究提出一种基于YOLOv5s网络框架改进的YOLOPC(YOLO for Pak Choi)小白菜虫害识别模型。首先,引入CBAM(convolutional block attention module)注意力机制,将其放在CBS(卷积层Convolution+归一化层Batch normalization+激活函数层SILU)的输入端构成CBAM-CBS的结构,动态调整特征图中各个通道和空间位置的权重;使用上采样和1×1卷积操作来调整特征图的尺寸和通道数,实现不同层次特征的融合,增强模型的特征表示能力。同时,改进损失函数,使其更适合边界框回归的准确性需求;利用空洞卷积的优势提高网络的感受野范围,使模型能够更好地理解图像的上下文信息。试验结果表明,与改进前的YOLOv5s模型相比,YOLOPC模型对小白菜小菜蛾和潜叶蝇虫害检测的平均精度均值(mean average precision, mAP)达到91.4%,提高了12.9%;每秒传输帧数(Frame Per Second, FPS)为58.82帧/s,增加了11.2帧/s,增加幅度达23.53%;参数量仅为14.4 M,降低了25.78%。与经典的目标检测算法SSD、Faster R-CNN、YOLOv3、YOLOv7和YOLOv8相比,YOLOPC模型的平均精度均值分别高出20.1%、24.6%、14%、13.4%和13.3%,此外,其准确率、召回率、帧速率和参数量均展现出显著优势。该模型可为复杂背景下小白菜虫害的快速准确检测提供技术支持。
