根肿病和草害严重威胁油菜的产量和品质。为选育抗根肿病(clubroot-resistant,CR)和抗除草剂(herbicide-resistant,HR)的油菜品种,通过分子标记辅助选择聚合育种策略将抗根肿病位点CRb和PbBa8.1、抗除草剂位点ALS1R和ALS3R导入油菜常规...根肿病和草害严重威胁油菜的产量和品质。为选育抗根肿病(clubroot-resistant,CR)和抗除草剂(herbicide-resistant,HR)的油菜品种,通过分子标记辅助选择聚合育种策略将抗根肿病位点CRb和PbBa8.1、抗除草剂位点ALS1R和ALS3R导入油菜常规品种中双11(ZS11)中,获得3个改良株系ZS11CR(CRb+PbBa8.1)、ZS11HR(ALS1R+ALS3R)和ZS11CHR(CRb+PbBa8.1+ALS1R+ALS3R)。利用根肿菌4号生理小种(湖北枝江)和噻吩磺隆除草剂(45 g a.i.ha^(-1))对ZS11CR、ZS11HR和ZS11CHR的抗性进行评价,结果表明:ZS11CR、ZS11CHR对4号生理小种抗性达到免疫水平,ZS11HR、ZS11CHR对噻吩磺隆除草剂抗性显著。田间农艺性状调查结果表明,ZS11CR、ZS11HR和ZS11CHR的株高较ZS11一定程度增加,而在开花期、分枝数、主花序角果数、角果长、每角果粒数、千粒重等性状上没有显著差异。本研究获得了3个改良株系,其中ZS11CR具有根肿病抗性、ZS11HR具有除草剂抗性、ZS11CHR兼具根肿病抗性和除草剂抗性,这些改良株系不仅目标性状得到了改良,同时维持了ZS11的优良农艺性状,具有一定的应用潜力。展开更多
针对太阳能电池表面存在的各种缺陷严重影响能量转换效率的问题,提出一种基于改进YOLO11的高效多尺度特征学习模型(efficient multi-scale feature learning based on YOLO11,YOLO11-EMFL),专门用于快速准确地检测太阳能电池中的表面缺...针对太阳能电池表面存在的各种缺陷严重影响能量转换效率的问题,提出一种基于改进YOLO11的高效多尺度特征学习模型(efficient multi-scale feature learning based on YOLO11,YOLO11-EMFL),专门用于快速准确地检测太阳能电池中的表面缺陷。该模型在骨干和颈部网络中引入小波卷积以增加感受野,同时将可变形注意力机制引入骨干网络中,以增强对不同图像大小和图像内容的适应能力。此外,在颈部网络中加入特征融合层以增强多尺度特征融合能力,并在小目标检测层引入三重注意力机制以提高对小目标的检测精度。这些改进使得YOLO11-EMFL网络能够有效地应对不同缺陷种类、缺陷尺寸以及复杂背景的挑战。通过在大规模光伏电池图像数据集上的验证,实验结果显示,YOLO11-EMFL的精确率达到91.8%,召回率为93.8%,F1分数为92.0%,mAP@50和mAP@50-95分别为98.2%和76.9%,在12种缺陷上展现出极高的检测精度。与当前的其他方法相比,该模型的各方面性能都有提升。展开更多
文摘根肿病和草害严重威胁油菜的产量和品质。为选育抗根肿病(clubroot-resistant,CR)和抗除草剂(herbicide-resistant,HR)的油菜品种,通过分子标记辅助选择聚合育种策略将抗根肿病位点CRb和PbBa8.1、抗除草剂位点ALS1R和ALS3R导入油菜常规品种中双11(ZS11)中,获得3个改良株系ZS11CR(CRb+PbBa8.1)、ZS11HR(ALS1R+ALS3R)和ZS11CHR(CRb+PbBa8.1+ALS1R+ALS3R)。利用根肿菌4号生理小种(湖北枝江)和噻吩磺隆除草剂(45 g a.i.ha^(-1))对ZS11CR、ZS11HR和ZS11CHR的抗性进行评价,结果表明:ZS11CR、ZS11CHR对4号生理小种抗性达到免疫水平,ZS11HR、ZS11CHR对噻吩磺隆除草剂抗性显著。田间农艺性状调查结果表明,ZS11CR、ZS11HR和ZS11CHR的株高较ZS11一定程度增加,而在开花期、分枝数、主花序角果数、角果长、每角果粒数、千粒重等性状上没有显著差异。本研究获得了3个改良株系,其中ZS11CR具有根肿病抗性、ZS11HR具有除草剂抗性、ZS11CHR兼具根肿病抗性和除草剂抗性,这些改良株系不仅目标性状得到了改良,同时维持了ZS11的优良农艺性状,具有一定的应用潜力。
文摘针对太阳能电池表面存在的各种缺陷严重影响能量转换效率的问题,提出一种基于改进YOLO11的高效多尺度特征学习模型(efficient multi-scale feature learning based on YOLO11,YOLO11-EMFL),专门用于快速准确地检测太阳能电池中的表面缺陷。该模型在骨干和颈部网络中引入小波卷积以增加感受野,同时将可变形注意力机制引入骨干网络中,以增强对不同图像大小和图像内容的适应能力。此外,在颈部网络中加入特征融合层以增强多尺度特征融合能力,并在小目标检测层引入三重注意力机制以提高对小目标的检测精度。这些改进使得YOLO11-EMFL网络能够有效地应对不同缺陷种类、缺陷尺寸以及复杂背景的挑战。通过在大规模光伏电池图像数据集上的验证,实验结果显示,YOLO11-EMFL的精确率达到91.8%,召回率为93.8%,F1分数为92.0%,mAP@50和mAP@50-95分别为98.2%和76.9%,在12种缺陷上展现出极高的检测精度。与当前的其他方法相比,该模型的各方面性能都有提升。
