【摘 要】
：
土壤团聚体对土壤的功能和质量有着重要的影响，但生物质炭施用对土壤团聚体结构的影响方已有不少报道，但结合抗性植物效应不多。为探究生物质炭基改良剂(简称“改良剂”)对土壤团聚体结构及不同根肿病抗性品种的白菜生长影响，本研究设置了改良剂和品种抗性的组合盆栽试验，按不同比例将小麦秸秆生物质炭、生石灰、腐植酸钠、玉肥复配后添加到根肿病土壤中，白菜种植90d后收获，利用湿筛法对不同粒级的团聚体含量进行综合分析
论文部分内容阅读
土壤团聚体对土壤的功能和质量有着重要的影响，但生物质炭施用对土壤团聚体结构的影响方已有不少报道，但结合抗性植物效应不多。为探究生物质炭基改良剂(简称“改良剂”)对土壤团聚体结构及不同根肿病抗性品种的白菜生长影响，本研究设置了改良剂和品种抗性的组合盆栽试验，按不同比例将小麦秸秆生物质炭、生石灰、腐植酸钠、玉肥复配后添加到根肿病土壤中，白菜种植90d后收获，利用湿筛法对不同粒级的团聚体含量进行综合分析，同时测定不同抗性白菜的生长指标。结果表明：添加改良剂后可显著提升低抗白菜的伸展度(24.5%)与根茎直
其他文献
使用有效的特征提取算法对虹膜纹理进行准确的表达是虹膜识别技术的关键。基于虹膜识别任务的特殊性，本文提出了用于虹膜特征编码的网络模型IrisCodeNet。该网络架构使用了改进的BasicBlock，并结合了可以扩大决策边界的损失函数AM-Softmax (Additive Margin Softmax )。为了获取最佳的虹膜识别效果，在AM-Softmax的参数设置、虹膜图像预处理输入形式、数据增
与密集且规则分布的2D栅格状图像不同，3D点云是不规则且无序的，对其进行卷积可能会存在一定的困难，因此，提出了一种针对原始3D点云的卷积运算。该方法使用高斯核密度估计和多层感知器(Multi-Layer Perceptron，MLP)网络来学习密度函数，将学习到的点的密度尺度结合点的相对位置，通过由MLP网络近似的权重函数之中，得到局域中每个点的权重值。整个卷积核可视为由权重函数和密度函数组成的3
稀土元素(REEs)农用研究已百年。研究发现，REEs可通过改变植物生理代谢、物质合成和细胞活动等影响植物生长，但REEs如何影响这些生命活动依然不清晰。单碳代谢可通过DNA甲基化调控植物各种生命活动，但REEs对植物单碳代谢的影响未见报道。本文以模式植物拟南芥和农业常用镧[La(III)]分别为植物和REEs代表，采用高效液相色谱和实时荧光定量PCR等技术，探究了不同剂量La(III)作用不同时
随着人们对社会安全保障的需求越来越大，对人脸识别的性能要求也越来越高。但是目前的人脸识别算法在面对多人脸识别的挑战时，存在准确率低和速度过慢的缺陷。本文利用PyQt GUI设计实现了基于深度学习的多人脸识别系统，该系统搭载了应用于人流量大场景下的多人脸识别算法，该算法可以很好地兼顾了精度和速度的要求。整体系统轻巧，易于在移动设备上搭建，界面简洁清晰、功能强大，可以为用户提供多人脸识别的各种功能。
眼动交互是头戴式虚拟现实(VR)/增强现实(AR)设备的关键操控方式，如何进行高精度、高鲁棒性的非标定的视线估计是当前VR/AR眼动交互的核心问题之一。高效、鲁棒的非标定视线估计，需要大量的眼图训练数据和高效的算法结构做支撑。在现有的基于深度学习的近眼视线估计方法的基础上，通过添加多任务辅助推理训练模块，增加网络结构的多阶段输出，进行多任务联合训练，在不增加视线估计测试耗时的前提下，有效提升视线估
卷积神经网络分类框架广泛使用了基于Softmax函数的交叉熵损失（Softmax损失函数），在很多领域中都取得了良好的性能．但是由于Softmax损失函数并不鼓励增大类内紧凑性和类间分离性，在一些多分类问题中，卷积神经网络学习到的判别性嵌入表示的性能难以进一步提高．为了增强嵌入表示的判别性，提出了一种基于余弦相似性的Softmax（cosine similarity-based Softmax，
甲状腺结节超声图像对比度低且斑点噪声严重，且不同病人的甲状腺结节形态差异较大，这给医生准确分割结节带来极大难度。为了精确地从超声图像中分割出甲状腺结节，本文对原掩膜区域卷积神经网络(Mask Region- Convolutional Neural Network，Mask R-CNN)的主干网络进行改进。在原主干网络的残差网络层中加入注意力机制模块来提高模型收敛性，并且在特征金字塔网络中增添一条
现有PnL(Perspective-n-Line)问题求解算法无法在获得高求解精度的同时保证高求解效率.为解决这一缺点,本文提出了EPnL算法. EPnL首先将PnL问题转换为求二次曲面方程组交点的问题,然后利用单位四元数中变量不同时为零的特性,分类参数化PnL问题中的旋转矩阵.最后,为克服常规优化方法可靠性和效率较低的问题,EPnL利用二次曲面方程组自身的结构信息,采用低次项参数化高次项的方式将
视差估计中由于边缘模糊、遮挡、低光照以及少纹理等干扰因素会产出局部困难估计区域，导致有效匹配减少，估计结果的精度降低。为此，本文提出了一种置信度辅助特征增强的视差估计网络，在基础的视差估计网络中引入置信度估计子网络，为网络估计过程中间的视差结果计算置信度，利用置信度图可知误差较低的点，增强代价空间中对应位置特征值的幅度，达到辅助特征增强的目的。增强后代价空间可恢复得到更精准的视差。在Scene F
对样本所含信息的提取能力决定网络模型进行小样本分类的效果，为了进一步模型挖掘信息的能力，提出一种结合多尺度特征与掩码图网络的小样本学习方法。首先，设计由1x1卷积、全局平均池化和跳跃连接组成的最小残差神经网络块，与卷积块拼接成特征提取器，以提取样本不同尺度的特征，并通过注意力机制将不同尺度特征融合；其次，使用融合的多尺度特征构建包含结点与边特征的图神经网络，并在其中加入一个元学习器（Meta- l