简介:利用LI-6400便携式光合测定系统,野外实地测定了不同地理种源无患子苗期的光合及水分生理日动态。结果表明:3个参试地理种源无患子苗期的净光合速率日变化均呈"双峰"曲线,都有明显的"午休"现象,但峰值出现的时间不同,不同种源地无患子苗期日均净光合速率浦城(5.301μmol·m(-2)·s(-1))〉德化(4.405μmol·m(-2)·s(-1))〉周宁(3.464μmol·m(-2)·s(-1));蒸腾速率日均值德化(2.530mmol·m(-2)·s(-1))〉浦城(2.097mmol·m(-2)·s(-1))〉周宁(1.701mmol·m(-2)·s(-1));水分利用效率日均值为周宁(1.769μmol·mol(-1))〉浦城(1.593μmol·mol(-1))〉德化(-0.039μmol·mol(-1)),浦城无患子的日均净光合速率最高,周宁无患子的日均水分利用效率最高;引起3个地理种源无患子光合"午休"的主要原因均为非气孔限制;胞间CO2浓度是影响无患子光合能力及生产潜力的主要因素。
简介:摘要 : 为提高现有苹果目标检测模型在硬件资源受限制条件下的性能和适应性,实现在保持较高检测精度的同时,减轻模型计算量,降低检测耗时,减少模型计算和存储资源占用的目的,本研究通过改进轻量级的 MobileNetV3网络,结合关键点预测的目标检测网络( CenterNet),构建了用于苹果检测的轻量级无锚点深度学习网络模型( M-CenterNet),并通过与 CenterNet和单次多重检测器( Single Shot Multibox Detector, SSD)网络比较了模型的检测精度、模型容量和运行速度等方面的综合性能。对模型的测试结果表明,本研究模型的平均精度、误检率和漏检率分别为 88.9%、 10.9%和 5.8%;模型体积和帧率分别为 14.2MB和 8.1fps;在不同光照方向、不同远近距离、不同受遮挡程度和不同果实数量等条件下有较好的果实检测效果和适应能力。在检测精度相当的情况下,所提网络模型体积仅为 CenterNet网络的 1/4;相比于 SSD网络,所提网络模型的 AP提升了 3.9%,模型体积降低了 84.3%;本网络模型在 CPU环境中的运行速度比 CenterNet和 SSD网络提高了近 1倍。研究结果可为非结构环境下果园作业平台的轻量化果实目标检测模型研究提供新的思路。