【摘 要】
：
土壤团聚体在外部和内部因素影响下发生团聚和破碎过程，形成不同大小分布的团聚体。团聚体大小分布的变化会改变土壤孔隙结构，影响各种土壤物理、化学和生物学过程，进而影响土壤有机碳（SOC）的周转。选择三种长期施用不同量有机肥的红壤（不施肥，CK；施低量有机肥，LM；施高量有机肥，HM），过不同大小孔径筛（5 mm，S_(5)；2 mm，S_(2)；0.5 mm，S_(0.5)）改变团聚体的大小分布，然后
论文部分内容阅读
土壤团聚体在外部和内部因素影响下发生团聚和破碎过程，形成不同大小分布的团聚体。团聚体大小分布的变化会改变土壤孔隙结构，影响各种土壤物理、化学和生物学过程，进而影响土壤有机碳（SOC）的周转。选择三种长期施用不同量有机肥的红壤（不施肥，CK；施低量有机肥，LM；施高量有机肥，HM），过不同大小孔径筛（5 mm，S_(5)；2 mm，S_(2)；0.5 mm，S_(0.5)）改变团聚体的大小分布，然后填装土柱（直径2.9 cm、高度4 cm），填装容重为1.3 g·cm~(-3)。利用X射线显微CT（C
其他文献
针对高光谱图像维度高、训练样本少以及模型训练所带来的过拟合、参数过多的问题，提出一种改进的DenseNet联合空谱注意力机制（M3DDSSNet）的方法。首先对高光谱图像进行主成分分析，然后将中心像素的空间邻域输入改进的网络模型中。该模型对三维密集连接网络（3D＿DenseNet）进行改进，将模型中的三维卷积块分解成空间维和光谱维的采样卷积，并在空间维度上引入空间注意力机制，在光谱维度上引入通道注
研发高精度、低成本的苹果智能分级技术，是延伸苹果产业链条、助力果业提质增效的核心问题。针对传统计算机视觉技术在苹果外部品质分级中准确率较低、鲁棒性较弱等问题，提出了基于深度学习的苹果外观分级方法（多卷积神经网络融合DXNet模型）。首先，在延安市超市、果园等场所实地拍摄覆盖不同外观等级的苹果图像15000幅，并人工标记，建立了外部品质信息覆盖度广且样本量大的苹果图像数据库。然后，在对比分析经典卷积
植物表皮蜡质是一类有机化合物的统称，在植物非生物胁迫响应中发挥重要作用。目前，植物表皮蜡质的研究主要关注于蜡质含量对植物抗逆性的影响，但随着研究的推进，发现蜡质结构和组分才是决定植物抗逆性的关键因素。因此，本研究主要针对植物表皮蜡质的结构、组分、功能，蜡质合成及转运，蜡质结构和组分与抗旱响应的关系进行综述，并对表皮蜡质的研究前景进行了展望，有利于为今后研究植物的抗旱性提供理论依据。
随着三维采集技术的快速发展，点云数据逐渐成为表示三维模型的基本数据格式之一，它可以保留模型的更多三维空间几何信息。但在三维点云模型分割研究中，大多深度学习网络架构依赖于高质量标注的数据，导致训练成本高昂。因此，针对利用带少量标注点的训练样本实现三维模型簇协同分割的问题，提出一种基于弱监督学习的三维点云模型簇协同一致分割方法。首先，通过k近邻算法建立点之间的局部邻域图；然后，利用局部卷积方法提取点云
为了解决胶囊网络不能对复杂的小样本图像进行有效分类的问题，提出一种将Darknet进行改进融入胶囊网络的分类模型。首先将Darknet改进为同时包含浅层与深层特征提取器的模型，浅层特征提取器采用5×5的卷积核以捕捉长距离的边缘轮廓特征，深层特征提取器采用3×3的卷积核以捕捉更深层的语义特征，再将图像的浅层边缘特征与深层语义特征进行融合，以保留图像的有效特征；接着利用胶囊网络对图像有效特征进行向量化
YOLOv3检测算法中的边界框回归损失函数对边界框尺度敏感，且与算法检测效果的评价标准交并比(Intersection over Union， IoU)之间的优化不具有强相关性，无法准确的反映真值框与预测框之间的重叠情况。针对上述问题，提出改进交并比边界框回归BR-IoU(Bounding Box Regression IoU)损失算法，该算法将IoU作为边界框回归损失函数的损失项，通过添加惩罚项
针对幻方置乱算法变尺度置乱能力不足、置乱效果较差以及安全性不高等问题，基于四方定理与幻方置乱方法，提出四分块幻方置乱算法FMSS。首先根据四方定理的分块规则，将明文图像分为四个方形图像块。然后，生成置乱所需的幻方矩阵。此后对每个图像块进行置乱，结合拼接、转置、形状变化等操作，使得所有像素充分扩散并恢复为明文图像的尺寸大小。最后通过多次置乱方式获得密文图像。实验结果表明，FMSS可对矩形图像进行置乱
针对传统疲劳驾驶检测方法识别准确率低、泛化能力差的问题，提出了一种基于CNNs和LSTM的端到端可训练网络，检测驾驶员的疲劳状态。根据驾驶员面部特征点提取ROI，将在其他计算机视觉任务上表现较好的深度网络迁移到疲劳检测任务中，并结合LSTM处理时序数据的能力，提出一种新的疲劳检测网络，该网络能够读入视频流中的时序数据并检测出驾驶员的疲劳状态。实验证明所提方法和模型在公开数据集中具有较高的识别准确率
为了实现对林业害虫的实时精确监测，提出一种名为YOLOv4-TIA的深度学习模型来进行林业昆虫图像检测。首先，对数目较少的昆虫类别进行精准数据增强，实现样本数量均衡分布；其次，使用三分支注意力（Triplet Attention）对CSPDarknet53骨干网络进行改进，使用残差变换建立维度间的依存关系，改善由标准CSPDarknet53生成的特征表示，并在PANet（Path Aggregat
为了解决目标跟踪过程中目标遇到遮挡物容易跟丢的问题，提出了基于颜色块重检的自适应抗遮挡目标跟踪算法。该算法首先通过计算获取初始帧目标的颜色块，当发生遮挡时基于该颜色块信息对丢失帧进行颜色分割、形态学处理得到候选颜色块，并对候选颜色块进行匹配和定位，最终定位到实际目标。相比于LCT+的支持向量机检测器，基于颜色块的自适应目标重检测实现了对全局图像的目标重检测，有效避免了目标丢失的情况。在OTB50和