为了筛选适宜三江源区的燕麦品种及高效添加剂,选用燕麦品种‘贝勒Ⅱ’‘白燕2’和‘白燕7’,于抽穗期收获后,分别设置空白对照(CK)、植物乳杆菌(Lactobacillus plantarum,LP)、布氏乳杆菌(Lactobacillus buchneri,LB)及苯甲酸钠(Sodium...为了筛选适宜三江源区的燕麦品种及高效添加剂,选用燕麦品种‘贝勒Ⅱ’‘白燕2’和‘白燕7’,于抽穗期收获后,分别设置空白对照(CK)、植物乳杆菌(Lactobacillus plantarum,LP)、布氏乳杆菌(Lactobacillus buchneri,LB)及苯甲酸钠(Sodium benzoate,SB)添加剂处理,青贮45 d后取样分析,测定青贮品质和净碳水化合物和蛋白质体系(Cornell net carbohydrate and protein system,CNCPS)蛋白组分。结果表明:(1)‘白燕2’的干物质、可溶性碳水化合物、蛋白质和粗脂肪含量显著高于其他品种。(2)与对照组相比,添加剂组可以显著降低高寒地区燕麦青贮饲料的pH值(P<0.05),添加LB能够显著降低氨态氮含量,提高乳酸和乙酸含量(P<0.05)。不同添加剂均能显著降低中性洗涤纤维和酸性洗涤纤维含量(P<0.05)。品种和添加剂互作对燕麦青贮饲料有显著影响(P<0.01)。(3)CNCPS蛋白组分测定结果表明,品种和添加剂互作对PB组分含量均有显著提高(P<0.01),对PA和PC组分含量均有显著降低(P<0.01)。综上所述,品种和添加剂互作对燕麦青贮品质和CNCPS蛋白组分均有不同程度的改善作用,以“白燕2+LB”组合效果最佳。展开更多
[目的/意义]为解决无人机平台下“三北”工程内蒙古地区植树位点(树坑)受复杂背景(灌木、杂草群、裸露沙土、起伏地形等)影响,容易出现树坑漏检错检问题,构建了一种针对该场景下的小目标检测模型——YOLOv10-MHSA(You Only Look Once ve...[目的/意义]为解决无人机平台下“三北”工程内蒙古地区植树位点(树坑)受复杂背景(灌木、杂草群、裸露沙土、起伏地形等)影响,容易出现树坑漏检错检问题,构建了一种针对该场景下的小目标检测模型——YOLOv10-MHSA(You Only Look Once version 10-Multi-head Self-Attention)。[方法]以YOLOv10为基准模型,采用分层特征增强策略,通过跨层信息补偿提升小目标语义表征的完整性,提高其对小目标特征描述的准确性;引入可变卷积核AKConv(Adaptive Kernel Convolution),使模型更精确地聚焦输入图像的特征;构建融合特征的多头自注意力机制MHSA以实现考虑复杂环境因素的有效特征获取;引入Focal-EIOU Loss(Focal Efficient Inter-section over Union Loss)替代原有CIOU Loss(Complete Intersection over Union Loss)作为边界框的回归损失,构建非线性优化策略,在保证训练稳定性的同时实现边界框参数的精确计算;最后,选择影响精准识别效果最大的两个因素,通过设计多尺度空间分布与光照强度梯度变化的对比实验,系统性验证了模型在复杂场景下的泛化性与鲁棒性。[结果和讨论]提出的模型YOLOv10-MHSA在实验数据集上的平均识别精度和检测准确率分别达96.1%和92.1%,相比原模型分别提高4.1%和5.1%,可满足无人机对“三北”工程内蒙古地区植树位点(树坑)进行实时识别的精度和速度要求。[结论]YOLOv10-MHSA模型通过引入动态特征增强模块,在维持原有检测效率的基础上,成功解决了复杂场景中植树位点小目标特征易湮没的检测瓶颈,这为无人机平台下“三北”工程内蒙古地区植树位点的遥感精准、快速检测提供了新方法。展开更多
文摘为了筛选适宜三江源区的燕麦品种及高效添加剂,选用燕麦品种‘贝勒Ⅱ’‘白燕2’和‘白燕7’,于抽穗期收获后,分别设置空白对照(CK)、植物乳杆菌(Lactobacillus plantarum,LP)、布氏乳杆菌(Lactobacillus buchneri,LB)及苯甲酸钠(Sodium benzoate,SB)添加剂处理,青贮45 d后取样分析,测定青贮品质和净碳水化合物和蛋白质体系(Cornell net carbohydrate and protein system,CNCPS)蛋白组分。结果表明:(1)‘白燕2’的干物质、可溶性碳水化合物、蛋白质和粗脂肪含量显著高于其他品种。(2)与对照组相比,添加剂组可以显著降低高寒地区燕麦青贮饲料的pH值(P<0.05),添加LB能够显著降低氨态氮含量,提高乳酸和乙酸含量(P<0.05)。不同添加剂均能显著降低中性洗涤纤维和酸性洗涤纤维含量(P<0.05)。品种和添加剂互作对燕麦青贮饲料有显著影响(P<0.01)。(3)CNCPS蛋白组分测定结果表明,品种和添加剂互作对PB组分含量均有显著提高(P<0.01),对PA和PC组分含量均有显著降低(P<0.01)。综上所述,品种和添加剂互作对燕麦青贮品质和CNCPS蛋白组分均有不同程度的改善作用,以“白燕2+LB”组合效果最佳。
文摘[目的/意义]为解决无人机平台下“三北”工程内蒙古地区植树位点(树坑)受复杂背景(灌木、杂草群、裸露沙土、起伏地形等)影响,容易出现树坑漏检错检问题,构建了一种针对该场景下的小目标检测模型——YOLOv10-MHSA(You Only Look Once version 10-Multi-head Self-Attention)。[方法]以YOLOv10为基准模型,采用分层特征增强策略,通过跨层信息补偿提升小目标语义表征的完整性,提高其对小目标特征描述的准确性;引入可变卷积核AKConv(Adaptive Kernel Convolution),使模型更精确地聚焦输入图像的特征;构建融合特征的多头自注意力机制MHSA以实现考虑复杂环境因素的有效特征获取;引入Focal-EIOU Loss(Focal Efficient Inter-section over Union Loss)替代原有CIOU Loss(Complete Intersection over Union Loss)作为边界框的回归损失,构建非线性优化策略,在保证训练稳定性的同时实现边界框参数的精确计算;最后,选择影响精准识别效果最大的两个因素,通过设计多尺度空间分布与光照强度梯度变化的对比实验,系统性验证了模型在复杂场景下的泛化性与鲁棒性。[结果和讨论]提出的模型YOLOv10-MHSA在实验数据集上的平均识别精度和检测准确率分别达96.1%和92.1%,相比原模型分别提高4.1%和5.1%,可满足无人机对“三北”工程内蒙古地区植树位点(树坑)进行实时识别的精度和速度要求。[结论]YOLOv10-MHSA模型通过引入动态特征增强模块,在维持原有检测效率的基础上,成功解决了复杂场景中植树位点小目标特征易湮没的检测瓶颈,这为无人机平台下“三北”工程内蒙古地区植树位点的遥感精准、快速检测提供了新方法。
