油茶壳堆肥微生物的培养及功能芽孢杆菌的筛选和初步应用

张声峰; 陈硕昌; 梁文凤; 严祥; 冯艺峰; 李桂珍; 杨辉

doi:10.19303/j.issn.1008-0384.2021.07.014

油茶壳堆肥微生物的培养及功能芽孢杆菌的筛选和初步应用

1.
广西大学生命科学与技术学院，广西　南宁　530004
2.
广西壮族自治区林业科学研究院，广西　南宁　530000

基金项目: 广西科技重大专项（桂科 AA20302021-7）；百色市科学研究与技术开发计划（百科20192129）；广西特色经济林培育与利用重点实验室自主课题（JA-20-04-02）

详细信息

作者简介:
张声峰（1990−），男，硕士研究生，研究方向：微生物工程（E-mail：1908391037@st.gxu.edu.cn）

通讯作者:
杨辉（1972−），男，博士，高级工程师，研究方向：食品发酵和酶工程（E-mail：huiy422@gxu.edu.cn）

中图分类号: X 712；X 53
计量
- 文章访问数: 673
- HTML全文浏览量: 212
- PDF下载量: 24
出版历程
- 收稿日期: 2021-03-01
- 修回日期: 2021-04-24
- 网络出版日期: 2021-07-12
- 刊出日期: 2021-07-27

Functional Bacillus Species in Camellia Seed Shell Compost

1.
College of Life Science and Technology, Guangxi University, Nanning, Guangxi　530004, China
2.
Guangxi Academy of Forestry Sciences, Nanning, Guangxi　530000, China

摘要

摘要:
目的从自然状态下的油茶壳堆肥产品中筛选功能芽孢杆菌，为油茶壳堆肥高效生产、饲料发酵等应用提供菌剂。
方法利用高通量测序技术测定广西某油茶壳堆肥中微生物群落分布，筛选适宜堆肥微生物生长的培养基以获得多样性较丰富的堆肥芽孢杆菌菌群，经平板稀释涂布法分离纯化菌株，使用水解圈法和酶活测定方法进行水解酶功能分析，利用菌株形态特征观察、16S rDNA分子鉴定法明确菌株的种属，并运用分子生物学软件 MEGAX构建系统发育树。使用重铬酸钾法测定腐殖酸含量。
结果芽孢杆菌科（Bacillaceae）是优势菌科，占比达55.58%；分离到15株芽孢杆菌，同时具有淀粉酶、纤维素酶、蛋白酶3种水解酶活性的菌株有6株；同时具有淀粉酶和纤维素酶活性的有1株；仅具有蛋白酶或纤维素酶一种酶活性的有2株。其中菌株Bacillus sp. YX11的蛋白酶活力达到27.07±3.28 U·mL⁻¹，淀粉酶活力达123.97±3.19 U·mL⁻¹，纤维素酶活力达15.75±0.23 U·mL⁻¹。含有这15株菌的复合菌制剂有利于腐殖酸的生成，提高了堆肥品质。
结论鉴定出的Bacillus cereus YX02和 Bacillus flexus FYF01等菌株具有进一步研究开发的价值，可用于开发油茶壳堆肥微生物菌制剂。
- 油茶壳堆肥 /
- 芽孢杆菌 /
- 功能性 /
- 筛选 /
- 应用
Abstract:
Objective Bacillus spp that contribute to the fermentation of Camellia oleifera seed shells were isolated for effective composting of the waste material.
Method The microbial community in natural camellia seed shell compost found in Guangxi was studied using the high-throughput sequencing technology. Suitable culture medium to foster the growth of richly diverse Bacillus spp from the compost was selected. Flora isolation by dilution with a streaking plate method followed. The hydrolase activities of the isolates were determined by using the hydrolysis circle method and enzyme activity analysis, the species identified by a 16S rDNA analysis, and the phylogeny constructed by MEGAX. The content of humic acid in the compost was measured by a potassium dichromate method.
Result Bacillaceae was the dominant family in the compost. It accounted for 55.58% of all isolated flora. Among the 15 Bacillus isolates, 6 exhibited activities of amylase, cellulase, and protease, one of amylase and cellulase, and 2 of protease or protease. Strain YX11 showed a protease activity of 27.07±3.28 U·mL⁻¹, an amylase activity of 123.97±3.19 U·mL⁻¹, and a cellulase activity of 15.75±0.23 U·mL⁻¹. In the presence of numerous Bacillus spp that secreted varieties of hydrolases, formation of humic acid in the compost was enhanced.
Conclusion Some of the isolated strains, such as B. cereus YX02 and B. flexus FYF01, might warrant further investigation to develop microbial inoculants for efficient composting camellia seed shells.
- camellia seed shell compost /
- bacillus /
- functional /
- screening /
- application

HTML全文

0. 引言

【研究意义】玉米是世界上最重要的谷类作物之一。玉米抽雄期是决定玉米产量最关键的时期，雄穗是判断玉米是否进入抽雄期的主要依据。持续监测玉米雄穗的生长可以确保玉米的安全性、质量和单产^[1]。传统育种中，雄穗主要依靠人为识别，效率低下，主观成分高，识别的样本量有限。因此，快速准确的鉴定对于更好地了解玉米的表型特征非常重要。【前人研究进展】随着计算机视觉和基于图像的植物表型平台的发展，研究人员轻松获得了高分辨率的植物生长图像。搭载高清摄像机的无人机的最新应用发展极大地增加了样本量^[2-4]。深度学习算法已被广泛用于计数茎^[2]、幼苗数^[3]和小麦穗数^[4]。玉米雄穗的早期检测算法是利用支持向量机方法^[5]对图像进行分割，但是，图像捕获过程的吞吐量较低，劳动强度大，无法应用于更大的领域。Lu等^[6-7]开发了mTASSLE软件，以自动细粒度机器视觉系统监视玉米雄穗性状的不同阶段，并提出了TasselNet对玉米雄穗进行计数，但样本数量仍然有限。Liu^[8]通过基于无人机航拍图像，采用Faster R-CNN目标检测算法高通量的自动检测雄穗数量，在15 m高度的无人机图像中，检测精度能达到90%，然而Faster R-CNN的模型参数较大，检测速度相对较慢。【本研究切入点】衡量不同模型的性能，除了要采用相同的数据集，还要使用相同的评价准则。除了mAP指标外，预测的雄穗个数和真实的雄穗个数的差异也是衡量的重要指标。【拟解决的关键问题】本研究利用无人机采集图像数据，通过提高表现测量的通量，考量不同模型的检测精度、检测效率和参数大小，最终获得一个检测精度高、速度快、轻量且适合部署在无人机机载平台上的模型。

1. 材料与方法

1.1 试验田、图像采集和标签

图像数据集来自福建省南平市福建农林大学试验田。试验田一共种植了128行不同品种的玉米，每行30个重复。无人机采用大疆公司生产的Phantom 4 Pro，通过无人机对试验田进行航线规划，选择天气晴朗、光照适度的天气进行拍照。考虑到无人机的续航能力及地面的分辨率，将无人机飞行高度设置为离地面25 m，摄像机分辨率为5280×3648像素，地面分辨率为1.0 cm·像素⁻¹。航线规划使用大疆的DJI Terra软件（版本 2.2.0.15）（图1），根据实际农田场景，设置航向重叠率和旁向重叠率为90%，无人机飞行速度由软件自动设定，为1.2 m·s⁻¹。共采集了236张田间玉米的图像，为了减少数据处理时间，将原始图像裁剪并过滤成分辨率为1024×1024的100张图像。

图 1 无人机航线规划

Figure 1. Planning of UAV flight routes

下载: 全尺寸图片幻灯片

使用图像注释工具LabelImg ^[9]对裁剪过的图像进行雄穗边界框标注（图2）。图2所示玉米雄穗的所有像素都在边界框的范围内。带注释的图像根据3∶1比例随机分为训练验证集和测试集。

图 2 试验田、航线设置、DJI无人机与LabelImg数据标注

Figure 2. Experimentation field, flight routes, DJI drone, and LabelImg data annotation

下载: 全尺寸图片幻灯片

1.2 目标检测框架

在图像处理中，图像里有多个感兴趣的目标，不仅需要知道它们的类别，还需要得到它们在图像中的具体位置。在计算机视觉里，这类任务称为目标检测（object detection）或物体检测^[10]。基于深度学习的目标检测框架，目前主要分为两类：一是基于one-stage的框架，如SSD^[11]（Single Shot MultiBox Detector）、YOLO^[12]（You Only Look Once）等，能够同时完成检测和回归任务；另一类方法则是基于two-stage的学习框架，将检测任务分为回归（location）和分类任务，如R-CNN、Fast R-CNN、Faster R-CNN^[13]等。总体而言，two-stage框架任务准确率相对较高，但是运行速度比较慢；one-stage则能够达到实时性，但牺牲了部分精度。

Faster R-CNN^[13]采用池化的方法将训练数据调整到统一尺寸，将分类与回归任务合并到一起进行训练，构建区域预测网络（RPN）直接产生Region proposal来得到感兴趣区域，利用这种方式实现端对端的训练。YOLO v3^[12]的基本思想主要是通过输入图像提取特征获得特定大小特征图，然后利用网格单元来进行预测并通过RPN预测一定的边界框。SSD^[11]使用了多尺度特征进行检测，SSD不仅在最后的特征层上产生锚框，在几个高层特征层处也都有产生锚框。同时SSD中所有特征层产生的锚框都经过正负样本的筛选，然后进行分类分数以及边框的学习。

1.3 目标检测模型在玉米雄穗数据集上的训练

试验使用的框架基于MXnet^[14]和GLounCV。MXNet是由DMLC（分布式机器学习社区）打造的深度学习框架，同时也是亚马逊云官方深度学习框架，它集合了符号式编程以及命令式编程，能够提供多样化的环境，同时还有多种预训练模型可供使用。GluonCV是MXNet的深度学习工具箱，提供了计算机视觉领域最先进的（SOTA）深度学习算法。模型训练的试验平台参数如表1所示。

表 1 试验硬件与软件信息

Table 1. Information on hardware and software for testing

硬件信息 Hardware information			软件信息 Software information
平台 Platform	型号 Model	参数 Parameters	平台 Platform	版本 Version
CPU	E5-2680v2	2.8 GHz	CUDA	10.0
RAM	DDR3	128 G	CUDNN	7.6.5
GPU	1080ti	11 G	MXNet	1.5.0

下载: 导出CSV

| 显示表格

深度学习模型训练中，batch-size的大小决定了深度学习训练过程中完成每个单次训练迭代（epochs）所需的时间和每次迭代（iteration）之间梯度的平滑程度^[14]。学习率（learning rate）也是深度学习训练中重要的超参数之一，当学习率设置过小时，收敛过程将变得十分缓慢。而当学习率设置的过大时，梯度可能会在最小值附近来回震荡，甚至无法收敛。

对于目标检测模型而言，不同的特征提取网络对模型最终的效果也有极大影响。考虑到基于无人机检测玉米雄穗的实时性和机载平台有限的计算资源，SSD的前置网络除了采用网络层数较多的ResNet50，还尝试了更轻量型的mobilenet。结合试验环境与数据类型，最终在Faster R-CNN，YOLO v3和SSD框架下设定训练参数，如表2所示。

表 2 模型训练的超参数

Table 2. Hyperparameters for model training

参数 Parameters	Faster R-CNN	YOLO v3	SSD	SSD
base-network	ResNet50	darknet53	ResNet50	mobilenet
batch-size	4	8	16	16
epochs	400	300	300	400
learning rate	0.001	0.0001	0.0001	0.0001

下载: 导出CSV

| 显示表格

1.4 损失函数

Faster R-CNN的损失函数（Loss Function）如公式（1）：

$\begin{array}{l} \!\!L({p_i},{t_i}) \!=\! \dfrac{1}{{{N_{cls}}}}\!\!\displaystyle\sum\limits_i {{L_{cls}}({p_i},p_i^*)} \!+\! \lambda \dfrac{1}{{{N_{reg}}}}\!\!\displaystyle\sum\limits_i {p_i^*{L_{reg}}({t_i},t_i^*)} \end{array}$

(1)

其中， ${p_i}$ 是第 $i$ 个锚框的预测概率；当锚框与标注的位置重叠区域大于0.7时， $p_i^* = 1$ ；当锚框与标注的位置重叠区域小于0.3时， $p_i^* = {\rm{0}}$ 。 ${{{t}}_i}$ 是第 $i$ 个锚框预测的边界框的参数化坐标， ${{t}}_{{i}}^{\rm{*}}$ 是第 $i$ 个锚框真实的边界框的参数化坐标。 ${N_{cls}}$ 是训练时候的mini-batch的大小； ${N_{reg}}$ 是锚框位置的数量。 ${L_{reg}}$ 是 ${{t}}_{{i}}^{\rm{*}}$ 和 ${{{t}}_i}$ 的Smooth L1损失，Smooth L1损失函数为：

$Smoot{h_{L1}}(x) = \left\{ {\begin{array}{*{20}{c}} {0.5 \times {x^2},|x| < 1} \\ {|x| - 0.5,{\rm otherwise} } \end{array}} \right.$

(2)

${L_{cls}}$ 是两个类别的对数损失，函数为：

${L_{cls}}({p_i},p_i^*) = - \log [{p_i}p_i^* + (1 - {p_i})(1 - p_i^*)]$

(3)

其中 $\lambda$ 为权重平衡参数。损失函数中包含了RPN交叉熵、RPN Box的regression、R-CNN的交叉熵、R-CNN Box的regression以及参数正则化损失。

SSD的损失函数为：

$L(x,c,l,g) = \dfrac{1}{N}[{L_{conf}}(x,c) + \alpha {L_{loc}}(x,l,g)]$

(4)

其中 $c$ 为置信度， $l$ 为预测框， $g$ 为真实的锚框。SSD的损失函数分为对于默认框的位置损失和类别预测的置信度损失。 ${L_{loc}}$ 为预测框 $l$ 和真实锚框 $g$ 的SmoothL1 损失； ${L_{conf}}$ 为多类别的softmax loss。

YOLO v3的损失函数为：

$\begin{array}{l} L_{v3}\!=\! {\lambda _{coord}}\displaystyle\sum\limits_{i = 0}^{{S^2}} {\displaystyle\sum\limits_{j = 0}^B {1_{i,j}^{obj}[{{({b_x} \!\!-\!\! {{\hat b}_x})}^2} \!\!+\!\! {{({b_y}\! \!-\!\! {{\hat b}_y})}^2} \!\!+ \!\!({b_w} \!\!-\!\! {{\hat b}_w}} })^2 \!+ \\ {({b_h} \!-\! {{\hat b}_h})^2}]\! +\! \displaystyle\sum\limits_{i = 0}^{{S^2}} {\displaystyle\sum\limits_{j = 0}^B {1_{i,j}^{obj}[ - \log ({p_c}) \!+\! \displaystyle\sum\limits_{i = 1}^n {BCE({c_i},{{\hat c}_i})} ]} } +\\ {\lambda _{noobj}}\displaystyle\sum\limits_{i = 0}^{{S^2}} {\displaystyle\sum\limits_{j = 0}^B {1_{i,j}^{noobj}[ - \log (1 - {p_c})]} } \\ \end{array}$

(5)

其中 $S$ 为图片划分的网格数，取值为13、26或者52； $B$ 为锚框。 ${\rm{1}}_{i,j}^{obj}$ 表示当锚框有目标物体的时候，取值为1，如果不包含，取值为0； $BCE$ 为binary cross entropy，函数为：

$BCE({\hat c_i},{c_i}) = - {\hat c_i} \times \log ({c_i}) - (1 - {\hat c_i}) \times \log (1 - {c_i})$

(6)

${\rm{1}}_{i,j}^{noobj}$ 表示当锚框没有目标物体的时候，取值为1，如果有，取值为0。

1.5 模型评价

平均精确度（Mean of average precision，mAP）是目标检测模型性能的衡量标准。mAP的计算涉及查准率和查全率，查准率（Precision）是指在所有预测为正例中真正例的比率，也即预测的准确性。查全率（Recall）是指在所有正例中被正确预测的比率，也即预测正确的覆盖率。在目标检测中，交并比IoU衡量的是两个区域的重叠程度，是两个区域重叠部分面积占二者总面积（重叠部分只计算一次）的比例。物体检测中的每一个预测结果包含两部分，预测框（bounding box）和置信概率（Pc）。当预测的类别正确且置信度大于一定阀值（P_threshold），并且预测框与真实框（ground truth）的IoU大于一定阀值（IoU_threshold）时，认为预测时正确的。在衡量模型性能时，IoU_threshold先取一个定值，然后综合考虑各种P_threshold取值时的性能。设定不同的阈值，计算相应的Recall和Precision。在同一个坐标轴上，绘制Precision-Recall曲线，将曲线平滑化，并计算曲线的AUC（Area under curve），即为AP值。当检测任务有多个类别时，mAP是各个类别AP的均值。

目标检测技术在实际应用中除了对准确度有很高的要求，在速度上也要求模型能尽量快地进行感兴趣物体的检测。一般来说目标检测中的速度评价指标有：（1）FPS，检测器每秒能处理图片的张数；（2）检测器处理每张图片所需要的时间。此外，在无人机上部署目标检测模型也需要考虑机载平台的内存资源有限，模型的大小决定所需占用的内存需求。基于此，文章对模型的FPS和内存也进行对比。

2. 结果与分析

2.1 Faster R-CNN、YOLO v3和SSD框架在数据集上的训练与评估

Faster R-CNN模型的损失函数为RPN_conf、RPN_SmoothL1，Cross entropy和RCNN_SmoothL1，训练过程的损失函数曲线如图3-（1）所示；SSD模型的损失函数为Cross entropy和Smooth L1，基于ResNet50和mobilenet的SSD训练过程的损失曲线分别如图3-（2）和图3-（3）所示；YOLOv3的如图3-（4）所示。

图 3 模型在训练过程中的损失函数曲线

Figure 3. Loss function of model during training

下载: 全尺寸图片幻灯片

从4个模型运行过程的损失函数中能够清晰地看到，在经过300次迭代后，各框架的损失函数均已经趋于平稳，验证了试验前期数据设置的合理性，具体数据如表3所示。从mAP的数值上来看，Faster R-CNN的数值最高，表示其检测精度最高。YOLO v3和Faster R-CNN相当，而SSD_ResNet50和SSD_mobilenet的mAP值都相对较低，分别为0.4905和0.5780。

表 3 模型的mAP

Table 3. mAPs of models

模型 Model	Faster R-CNN	SSD_ResNet50	SSD_mobilenet	YOLO v3
mAP	0.7306	0.4905	0.5780	0.7265

下载: 导出CSV

| 显示表格

2.2 模型在测试数据上的测试结果

在同一硬件资源和数据集下，分别使用Faster R-CNN、YOLO v3和SSD等3种主流目标检测框架进行对比，其中考虑到实际使用中需要在无人机机载平台上轻量级的部署训练好的模型，SSD的特征提取网络除了使用ResNet50，还使用了mobilenet。对已经标记好的25张玉米雄穗训练集进行测试，并对最终的训练结果进行了分析对比。

特征提取网络使用mobilenet的SSD网络对图像中雄穗的训练识别结果如图4所示；特征提取网络使用ResNet50的SSD网络对图像中雄穗的训练识别结果如图5所示；在Faster R-CNN框架下，对图像中玉米雄穗的训练识别结果如图6所示；在YOLOv3框架下，对图像中玉米雄穗的训练识别结果如图7所示。从3种前沿框架的处理结果能够看到：在相同数据集和与硬件平台基础上，one-stage架构的YOLO v3的测试效果相比于Faster R-CNN与SSD要差，图像中许多十分明显玉米雄穗都并未被识别出来，整体情况如图8所示。YOLO v3在对玉米雄穗的判别上，误差也较为明显，整体误差相对较大，并未实现精准高效的判别效果。

图 4 SSD_mobilenet的预测结果

Figure 4. Prediction by SSD-mobilenet

下载: 全尺寸图片幻灯片

图 5 SSD_ResNet50的预测结果

Figure 5. Prediction by SSD_ResNet50

下载: 全尺寸图片幻灯片

图 6 Faster R-CNN的预测结果

Figure 6. Prediction by Faster R-CNN

下载: 全尺寸图片幻灯片

图 7 YOLO v3的预测结果

Figure 7. Prediction by YOLOv3

下载: 全尺寸图片幻灯片

图 8 模型的预测结果对比

注：Faster R-CNN、YOLO v3、SSD_ResNet50和SSD_mobilenet的计数准确率分别为93.79%、20.04%、87.6%和89.9%.

Figure 8. Comparison of predictions by various models

Note: Detection accuracy of Faster R-CNN was 93.79%; YOLO v3, 20.04%; SSD_ResNet50, 87.6%; and, SSD_mobilenet, 89.9%.

下载: 全尺寸图片幻灯片

使用基于ResNet50的SSD模型和基于mobilenet的SSD模型则基本上实现了对玉米雄穗的识别，但在光线不足或者过度曝光的图像中，依然存在漏检的情况，如图4、图5和图8所示。相比之下，Faster R-CNN模型实现了对玉米雄穗的准确判别。在部分样本中，在出现光线过度曝光以及颜色干扰等极端的情况，基于Faster R-CNN框架的依然能够做到相对精准的判别，部分案例如图6和图8所示。

总体而言，在模型的预测上，Faster R-CNN识别精度最高，漏检和误检率最低；YOLO v3识别精度最低，漏检和误检率最高（表4）。SSD_ResNet50和SSD_mobilenet的识别精度略低于Faster R-CNN。

表 4 模型的测试误差和计数准确率比较

Table 4. Comparison of test errors and detection accuracies by models

模型 Model	Faster R-CNN	SSD_ResNet50	SSD_mobilenet	YOLO v3
误差均值 Mean error	4.7308	9.2692	7.5385	62.1154
均方差 Mean square error	5.3649	11.5175	8.8915	14.0311
计算准确率 Calculation accuracy/%	93.79	87.60	89.90	20.04

下载: 导出CSV

| 显示表格

在模型对玉米雄穗的计数上，根据计算预测的框数和实际的雄穗数据做误差分析，结果显示（表4），Faster R-CNN准确率最高，达到93.79%，SSD_ResNet50和SSD_mobilenet的准确率分别为87.6%和89.9%；YOLO v3的mAP值较高（表3），但是实际测试的计数准确率却非常低，仅有20.04%。在模型的训练过程中，绘制出4种算法的mAP变化曲线，如图9所示。

图 9 模型训练过程的mAP曲线

Figure 9. mAP curves of models in testing

下载: 全尺寸图片幻灯片

2.3 模型的性能比较

实际应用中，除了要考虑模型的精度和误差，还要综合考虑模型的性能，主要包括模型的处理速度和参数大小。

在数据的处理速度上，3种模型的处理性能也是差异明显（表5）。从表5可以看出，Faster R-CNN处理性能最差，为2.6 samples·s⁻¹（每秒处理的样本数）；SSD_ResNet50的检测效率为7.4 samples·s⁻¹；YOLO v3为3.47 samples·s⁻¹，最快的是SSD_mobilenet，处理速度为8.9 samples·s⁻¹，领先优势十分明显。SSD的效率较高，但是精度不高；Faster-RCNN的效率较低，但是精度比较高。

表 5 模型的处理速度和参数大小比较

Table 5. Comparison of processing speeds and parameters of models

模型 Model	Faster R-CNN	SSD_ResNet50	SSD_mobilenet	YOLO v3
处理速度 Processing speed/（samples·s⁻¹）	2.6	7.4	8.9	3.47
参数大小 Parameter size/M	133.873	144.277	55.519	241.343

下载: 导出CSV

| 显示表格

无人机对田间玉米进行大规模扫描成像后，需要及时、快速地计算出检测结果，并且无人机的机载资源有限，续航能力也限制了无人机的应用。因此，在模型的选择上，除了要考虑精度、速度，也要考虑模型的大小。模型越小，占用的计算资源越小，从而更容易部署在无人机系统上。各个模型在训练之后，保存到内存中，通过计算文件的大小来衡量模型的尺寸。如表表5所示，SSD_mobilenet模型的参数最小，仅有55.519 M；YOLO v3占用资源最大，占用了241.343 M的存储；Faster R-CNN和SSD_ResNet50大小相当，分别为133.873 M和 144.277 M。仅从模型大小上来说，SSD_mobilenet更适用于无人机的机载系统部署，因为其所占用的资源较小。

3. 讨论与结论

通过使用深度学习目标检测中的Faster R-CNN、SSD以及YOLO v3等3种主流的框架，对标注好的玉米雄穗数据集进行训练和识别。在选定硬件与软件平台的基础上，通过设置损失函数、迭代次数、学习率等参数，对数据进行训练与测试。以识别精度、计数精度、处理速度和模型大小等重要指标作为评价标准，并结合最终处理效果作为对比，Faster R-CNN框架识别精度和计数准确上最高。而对于模型的处理速度和模型的大小，SSD_mobilenet处理效率最高，模型占用计算资源最小。

Faster R-CNN的计数准确率为93.79%，SSD_mobilenet的计数准确率为89.9%；处理速度上，SSD_mobilenet为8.9 samples·s⁻¹，Faster R-CNN仅为2.6 samples·s⁻¹，SSD_mobilenet的速度比Faster R-CNN低了近3倍；模型大小上，Faster R-CNN高出SSD_mobilenet近2倍。相对于Faster R-CNN，SSD_mobilenet牺牲部分精度，获取更快的处理速度和占用更小的计算资源，是比较理想的机载模型选择。

从试验整个过程的识别精度中也能看出，三大主流框架中Faster R-CNN的整体表现最好，整体曲线趋于平稳；而YOLO v3识别精度曲线则是波动剧烈，同时在整个处理期间都存在明显波动。

虽然经过试验，Faster R-CNN、YOLO v3和SSD的对比分析中，Faster R-CNN和SSD已经实现了精准高效的自动判别，但是本研究工作依然存在一定的缺陷与不足。尤其是前期遥感数据采集过程中因为天气等原因，出现了图像质量不够完美，部分样张因为拍摄角度和光线的问题被剔除，对样本数据量造成了一定的影响，也对后期识别造成了一定的干扰。

虽然Faster R-CNN模型最终达到了预期效果，但在处理过程中依然存在数据设定不够完善的情况，影响了最终数据的识别效果。在硬件方面，更好的硬件平台可以实现对数据更加充分高效的处理，本次试验设备处理性能相对一般，并未彻底的展现出各模型的优劣，最终也影响了处理性能与数据的处理效果。

图 1 油茶壳堆肥原核微生物群落组成（科类）

Figure 1. Composition of prokaryotic microbial community at family level in camellia seed shell compost

下载: 全尺寸图片幻灯片

图 2 六组培养基中的细菌数量和OD₆₀₀值的变化趋势

注：Y：厌氧培养，HJ：好氧静置培养，HY：好氧摇床培养

Figure 2. Bacteria CFU by plate count and OD₆₀₀ measurement on 6 culture media

Notes: Y: anaerobic culture; HJ: aerobic static culture; HY: aerobic culture on shaking table.

下载: 全尺寸图片幻灯片

图 3 光学显微镜下部分菌株革兰氏染色图（×4 000倍）

注：a：菌株YX07；b：菌株FYF01；c：菌株YX12；d：菌株FYF07

Figure 3. Gram staining bacteria morphology under microscope (×4 000)

Notes: a: Strain YX07; b: Strain FYF01; c: Strain YX12; d: Strain FYF07.

下载: 全尺寸图片幻灯片

图 4 16S rDNA序列PCR产物琼脂凝胶电泳结果

注：M：DL2000 （DNA Marker）；1~8：部分菌株基因组 PCR产物

Figure 4. Agarose gel electrophoresis of PCR products from 16S rDNA sequence

Notes: M: DL2000 (DNA marker); 1-8: genomic PCR products of strains.

下载: 全尺寸图片幻灯片

图 5 基于16S rDNA序列的系统发育树

Figure 5. Phylogenetic tree of strains based on 16S rDNA sequence

下载: 全尺寸图片幻灯片

图 6 菌株的蛋白酶、淀粉酶、纤维素酶活力

Figure 6. Activities of protease, amylase, and cellulase of strains

下载: 全尺寸图片幻灯片

图 7 应用试验腐殖酸含量

Figure 7. Humic acid content in compost at application trial

下载: 全尺寸图片幻灯片

表 1 菌制剂应用试验配方

Table 1 Proposed formulations of microbial inoculants

组别 Group	油茶壳 Camellia shell/g	菌液 microbial inoculants/mL	糖蜜 Molasses/mL	花生枯 Peanut cake/g	尿素 Urea/g	水 H₂O/mL
菌制剂 experiment group	15	15	6	1.2	1.2	100
对照组 control group	15	0	6	1.2	1.2	115

下载: 导出CSV

表 2 菌株形态特征

Table 2 Morphological characteristics of isolated Bacillus spp

菌株编号 Strains	菌落质地 Colony texture	菌落颜色 Colony color	菌落形态 Colony morphology
YX01	干燥、皱褶 dry and wrinkled	半透明色 translucent color	不规则圆形，有毛边 irregular round with rough edges
YX02	干燥、皱褶 dry and wrinkled	乳白色 milky white	较规则圆形，中间隆起 regular round, middle uplift
YX03	光滑、湿润 smooth and moist	半透明色 translucent color	较规则圆形 regular round
YX07	光滑、湿润 smooth and moist	乳白色 milky white	圆形 round
YX08	光滑、湿润 smooth and moist	半透明色 translucent color	圆形 round
YX11	湿润、黏稠 wet and sticky	乳白色 milky white	圆形 round
YX12	光滑、湿润 smooth and moist	乳白色 milky white	圆形 round
YX13	干燥、皱褶 dry and wrinkled	枯黄色 withered yellow	不规则圆形，有毛边 irregular round with rough edges
YX15	光滑、湿润 smooth and moist	乳白色 milky white	圆形 round
YX16	光滑、湿润 smooth and moist	乳白色 milky white	圆形 round
FYF01	干燥、皱褶 dry and wrinkled	乳白色 milky white	不规则圆形，有毛边 irregular round with rough edges
FYF04	光滑、湿润 smooth and moist	乳白色 milky white	较规则圆形 regular round
FYF07	光滑、湿润 smooth and moist	乳白色 milky white	较规则圆形，中间隆起 regular round, middle uplift
FYF08	干燥、皱褶 dry and wrinkled	半透明色 translucent color	不规则圆形，有毛边 irregular round with rough edges
FYF10	光滑、湿润 smooth and moist	乳白色 milky white	较规则圆形 regular round

下载: 导出CSV

表 3 菌株16S rDNA鉴定结果

Table 3 Identifications by 16S rDNA

序号 Serial number	编号 Number	菌种分类 Species classification
1	YX01	Bacillus sp.
2	YX02	Bacillus cereus
3	YX03	Bacillus sp.
4	YX07	Bacillus sp.
5	YX08	Bacillus sp.
6	YX11	Bacillus sp.
7	YX12	Bacillus sp.
8	YX13	Bacillus sp.
9	YX15	Brevibacterium oceani
10	YX16	Bacillus sp.
11	FYF01	Bacillus flexus
12	FYF04	Bacillus sp.
13	FYF07	Bacillus sp.
14	FYF08	Bacillus sp.
15	FYF10	Bacillus sp.

下载: 导出CSV

表 4 不同培养基上菌落直径与透明圈直径比

Table 4 Ratio of transparent ring diameter to colony diameter on different mediums

菌株编号 Strains	脱脂乳糖培养基 Skim milk medium			淀粉培养基 Starch medium			刚果红培养基 Congo red medium
菌株编号 Strains	透明圈直径D Transparent ring diameter/mm	菌落直径d Colony diameter/mm	直径比D/d Diameter ratio	透明圈直径D Transparent ring diameter/mm	菌落直径d Colony diameter/mm	直径比D/d Diameter ratio	透明圈直径D Transparent ring diameter/mm	菌落直径d Colony diameter/mm	直径比D/d Diameter ratio
YX01	0.0	7.5	0.00	13.0	7.5	1.73	18.0	5.0	3.60
YX02	28.0	26.5	1.06	0.0	16.0	0.00	0.0	11.0	0.00
YX03	0.0	0.0	0.00	0.0	4.0	0.00	20.0	8.0	2.50
YX07	0.0	0.0	0.00	0.0	6.5	0.00	0.0	8.5	0.00
YX08	0.0	0.0	0.00	0.0	11.0	0.00	0.0	2.0	0.00
YX11	25.0	20.0	1.25	19.5	6.0	3.25	30.0	11.0	2.73
YX12	0.0	0.0	0.00	0.0	5.0	0.00	0.0	8.0	0.00
YX13	29.0	23.0	1.26	20.0	8.0	2.50	18.0	8.5	2.12
YX15	0.0	0.0	0.00	0.0	6.5	0.00	0.0	10.0	0.00
YX16	0.0	0.0	0.00	0.0	4.0	0.00	0.0	7.0	0.00
FYF01	14.0	12.0	1.17	16.0	6.0	2.67	32.0	6.5	4.92
FYF04	30.0	21.5	1.39	14.0	7.0	2.00	24.5	6.0	4.08
FYF07	26.0	19.0	1.37	20.0	11.5	1.74	24.0	9.0	2.67
FYF08	0.0	0.0	0.00	0.0	7.0	0.00	0.0	2.0	0.00
FYF10	25.5	19.5	1.31	18.0	12.5	1.44	25.0	9.0	2.78

下载: 导出CSV

参考文献(52)

[1]	HU J B, SHI Y, LIU Y, et al. Anatomical structure of Camellia oleifera shell [J]. Protoplasma, 2018, 255(6): 1777−1784. DOI: 10.1007/s00709-018-1271-8
[2]	覃佐东, 谢吉勇, 黄生辉, 等. 油茶壳综合利用研究进展 [J]. 生物加工过程, 2016, 14(5):74−78. DOI: 10.3969/j.issn.1672-3678.2016.05.014 QIN Z D, XIE J Y, HUANG S H, et al. Progress in utilization of camellia shells [J]. Chinese Journal of Bioprocess Engineering, 2016, 14(5): 74−78.(in Chinese) DOI: 10.3969/j.issn.1672-3678.2016.05.014
[3]	SHRESTHA K, SHRESTHA P, WALSH K B, et al. Microbial enhancement of compost extracts based on cattle rumen content compost - characterisation of a system [J]. Bioresource Technology, 2011, 102(17): 8027−8034. DOI: 10.1016/j.biortech.2011.06.076
[4]	SONG C, ZHANG Y, XIA X, et al. Effect of inoculation with a microbial consortium that degrades organic acids on the composting efficiency of food waste [J]. Microbial Biotechnology, 2018, 11(6): 1124−1136. DOI: 10.1111/1751-7915.13294
[5]	FANG Y, JIA X B, CHEN L J, et al. Effect of thermotolerant bacterial inoculation on the microbial community during sludge composting [J]. Canadian Journal of Microbiology, 2019, 65(10): 750−761. DOI: 10.1139/cjm-2019-0107
[6]	THATOI H, BEHERA B C, MISHRA R R, et al. Biodiversity and biotechnological potential of microorganisms from mangrove ecosystems: A review [J]. Annals of Microbiology, 2013, 63(1): 1−19. DOI: 10.1007/s13213-012-0442-7
[7]	胡亚杰, 韦建玉, 卢健, 等. 枯草芽孢杆菌在农作物生产上的应用研究进展 [J]. 作物研究, 2019, 33(2):167−172. HU Y J, WEI J Y, LU J, et al. Research prog ress of Bacillus subtilis application in crops production [J]. Crop Research, 2019, 33(2): 167−172.(in Chinese)
[8]	MAYENDE L, WILHELMI B, PLETSCHKE B. Cellulases (CMCases) and polyphenol oxidases from thermophilic Bacillus spp. isolated from compost [J]. Soil Biology and Biochemistry, 2006, 38(9): 2963−2966. DOI: 10.1016/j.soilbio.2006.03.019
[9]	JOSÉ V C. Inoculating composted pine bark with beneficial organisms to make a disease suppressive compost for container production in mexican forest nurseries [J]. Plants Journal, 2004, 2(5): 181−185.
[10]	KRAUSE M S, DE CEUSTER T J J, TIQUIA S M, et al. Isolation and characterization of rhizobacteria from composts that suppress the severity of bacterial leaf spot of radish [J]. Phytopathology, 2003, 93(10): 1292−1300. DOI: 10.1094/PHYTO.2003.93.10.1292
[11]	付冰妍, 孙向阳, 余克非, 等. 芽孢杆菌B01固态发酵及其对园林废弃物堆肥的影响 [J]. 环境科学研究, 2020(2):450−457. FU B Y, SUN X Y, YU K F, et al. Solid state fermentation of Bacillus B01 and its effect on green waste composting [J]. Research of Environmental Sciences, 2020(2): 450−457.(in Chinese)
[12]	余培斌, 杜晶, 陈建新. 高温好氧堆肥过程中芽孢杆菌的筛选、鉴定及应用 [J]. 食品与发酵工业, 2020, 46(12):199−205, 212. YU P B, DU J, CHEN J X. Study on screening and identification of Bacillus in the process of high-temperature aerobic composting and its application [J]. Food and Fermentation Industries, 2020, 46(12): 199−205, 212.(in Chinese)
[13]	ZHANG J P, YING Y, LI X B, et al. Physical and chemical properties of Camellia oleifera shell composts with different additives and its maturity evaluation system [J]. Environmental Science and Pollution Research, 2020, 27(28): 35294−35302. DOI: 10.1007/s11356-020-09861-3
[14]	詹孝慈, 罗在柒, 武忠亮, 等. 不同氮源及微生物菌剂能提高油茶壳堆肥效果 [J]. 分子植物育种, 2019, 17(12):4153−4160. ZHAN X C, LUO Z Q, WU Z L, et al. Different nitrogen sources and microbial inoculants could improve the composting of Camellia oleifera shell [J]. Fenzi Zhiwu Yuzhong (Molecular Plant Breeding), 2019, 17(12): 4153−4160.(in Chinese)
[15]	ZHANG J P, YING Y, YAO X H. Effects of turning frequency on the nutrients of Camellia oleifera shell co-compost with goat dung and evaluation of co-compost maturity [J]. PLoS One, 2019, 14(9): e0222841. DOI: 10.1371/journal.pone.0222841
[16]	秦楠, 栗东芳, 杨瑞馥. 高通量测序技术及其在微生物学研究中的应用 [J]. 微生物学报, 2011, 51(4):445−457. QIN N, LI D F, YANG R F. Next-generation sequencing technologies and the application in microbiology-A review [J]. Acta Microbiologica Sinica, 2011, 51(4): 445−457.(in Chinese)
[17]	葛慈斌, 蓝江林, 刘波, 等. 解淀粉芽胞杆菌FJAT-8754产纤维素酶和淀粉酶发酵动力学模型的构建 [J]. 福建农业学报, 2019, 34(6):697−704. GE C B, LAN J L, LIU B, et al. Kinetics of cellulase and amylase-producing fermentation of Bacillus amylolique faciens FJAT-8754 [J]. Fujian Journal of Agricultural Sciences, 2019, 34(6): 697−704.(in Chinese)
[18]	赵国群, 牛梦天, 卢士康, 等. 梨渣固态发酵培养多粘类芽孢杆菌的工艺 [J]. 农业工程学报, 2016, 32(7):303−308. ZHAO G Q, NIU M T, LU S K, et al. Cultivation of Paenibacillus polymyxa by solid-state fermentation of pear residues [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(7): 303−308.(in Chinese)
[19]	胡瑞萍, 丁贤, 李来好, 等. 响应面法优化枯草芽孢杆菌NHS1产芽孢发酵培养 [J]. 生态学杂志, 2018, 37(2):605−612. HU R P, DING X, LI L H, et al. Optimization of fermentation medium composition by response surface methodology for the spore production of Bacillus subtilis [J]. Chinese Journal of Ecology, 2018, 37(2): 605−612.(in Chinese)
[20]	董佩佩, 汪祥燕, 刘元香, 等. 一株凝结芽孢杆菌(Bacillus coagulans)发酵培养基的优化 [J]. 中国酿造, 2018, 37(4):28−32. DOI: 10.11882/j.issn.0254-5071.2018.04.006 DONG P P, WANG X Y, LIU Y X, et al. Optimization of fermentation medium of Bacillus coagulans [J]. China Brewing, 2018, 37(4): 28−32.(in Chinese) DOI: 10.11882/j.issn.0254-5071.2018.04.006
[21]	MATHAKIYA R A, ROY A, NANDASANA K N, et al. Evaluation of a rapid molecular method for detection of Listeria monocytogenes directly from broth culture[J]. Veterinary World, 2009, 2(5): 177-178.
[22]	何深宏, 程方俊, 罗干, 等. 解淀粉芽孢杆菌高产纤维素酶菌株的筛选与鉴定 [J]. 福建农业学报, 2020, 35(7):781−787. HE S H, CHENG F J, LUO G, et al. Screening and identifying cellulase-producing Bacillus amyloliquefaciens [J]. Fujian Journal of Agricultural Sciences, 2020, 35(7): 781−787.(in Chinese)
[23]	YU D, TONG W, CHEN Y, et al. Improvement of bacterial genomic DNA extraction in clinical specimens [J]. Chinese Journal of Microecology, 2007, 6(19): 519−520.
[24]	王佳楠, 石妍云, 郑力燕, 等. 石油降解菌的分离鉴定及4株芽胞杆菌种间效应 [J]. 环境科学, 2015, 36(6):2245−2251. WANG J N, SHI Y Y, ZHENG L Y, et al. Isolation and identification of petroleum degradation bacteria and interspecific interactions among four Bacillus strains [J]. Environmental Science, 2015, 36(6): 2245−2251.(in Chinese)
[25]	DUNLAP C A, SCHISLER D A, PERRY E B, et al. Bacillus swezeyi sp. nov. and Bacillus haynesii sp. nov., isolated from desert soil [J]. International Journal of Systematic and Evolutionary Microbiology, 2017, 67(8): 2720−2725. DOI: 10.1099/ijsem.0.002007
[26]	ADAWAREN E O, DU PLESSIS M, SULEMAN E, et al. The complete mitochondrial genome of Gyps coprotheres (Aves, Accipitridae, Accipitriformes): Phylogenetic analysis of mitogenome among raptors [J]. PeerJ, 2020, 8: e10034. DOI: 10.7717/peerj.10034
[27]	QIAN Y, SUN Y, ZHONG L, et al. The GATA-Type Transcriptional Factor Are1 Modulates the Expression of Extracellular Proteases and Cellulases in Trichoderma reesei [J]. International Journal of Molecular Sciences, 2019, 20(17): 4100. DOI: 10.3390/ijms20174100
[28]	ELAMARY R, SALEM W M. Optimizing and purifying extracellular amylase from soil bacteria to inhibit clinical biofilm-forming bacteria [J]. PeerJ, 2020, 8: e10288. DOI: 10.7717/peerj.10288
[29]	HAJIABADI S, MASHREGHI M, REZA BAHRAMI A, et al. Isolation and molecular identification of cellulolytic bacteria from Dig Rostam hot spring and study of their cellulase activity [J]. BIOCELL, 2020, 44(1): 63−71. DOI: 10.32604/biocell.2020.08171
[30]	WU C L, LIU D, YANG X H, et al. Improving production of protease from Pseudoalteromonas sp. CSN423 by random mutagenesis [J]. Marine Biotechnology (New York, N Y), 2016, 18(5): 610−618. DOI: 10.1007/s10126-016-9721-9
[31]	曹丹, 彭浩, 兰阿峰, 等. 一株α-淀粉酶产生菌的分离、鉴定及产酶条件研究 [J]. 食品研究与开发, 2020, 41(6):169−174. CAO D, PENG H, LAN A F, et al. Isolation, identification and enzyme production conditions of an α-amylase producing strain [J]. Food Research And Developmen, 2020, 41(6): 169−174.(in Chinese)
[32]	冯红梅, 秦永胜, 李筱帆, 等. 高温纤维素降解菌群筛选及产酶特性 [J]. 环境科学, 2016, 37(4):1546−1552. FENG H M, QIN Y S, LI X F, et al. Screening and enzyme production characteristics of thermophilic cellulase-producing strains [J]. Environmental Science, 2016, 37(4): 1546−1552.(in Chinese)
[33]	附录B（规范性附录）总腐植酸含量的测定方法[J]. 腐植酸, 2016(2): 47−48. Appendix B (normative appendix) determination method of total humic acid content[J]. Humic acid, 2016 (2): 47 − 48. (in Chinese).
[34]	JAIN S, SALUJA B, GUPTA A, et al. Validation of arsenic resistance in Bacillus cereus strain AG27 by comparative protein modeling of arsC gene product [J]. The Protein Journal, 2011, 30(2): 91−101. DOI: 10.1007/s10930-011-9305-5
[35]	BHADRA B, RAGHUKUMAR C, PINDI P K, et al. Brevibacterium oceani sp. nov., isolated from deep-sea sediment of the Chagos Trench, Indian Ocean [J]. International Journal of Systematic and Evolutionary Microbiology, 2008, 58(1): 57−60. DOI: 10.1099/ijs.0.64869-0
[36]	JEBELI M A, MALEKI A, AMOOZEGAR M A, et al. Bacillus flexus strain As-12, a new arsenic transformer bacterium isolated from contaminated water resources [J]. Chemosphere, 2017, 169: 636−641. DOI: 10.1016/j.chemosphere.2016.11.129
[37]	LIU D, LI M, XI B, et al. Metaproteomics reveals major microbial players and their biodegradation functions in a large‐scale aerobic composting plant [J]. Microbial Biotechnology, 2015, 8(6): 950−960. DOI: 10.1111/1751-7915.12290
[38]	聂文翰, 戚志萍, 冯海玮, 等. 复合菌剂秸秆堆肥对土壤碳氮含量和酶活性的影响 [J]. 环境科学, 2017, 38(2):783−791. NIE W H, QI Z P, FENG H W, et al. Steaw composts with composite inoculants and theie effects on soil caebon and niteogen contents and enzyme activity [J]. Environmental Science, 2017, 38(2): 783−791.(in Chinese)
[39]	WANG M, MIAO J, WANG X, et al. Genomic and transcriptome analyses of a thermophilic bacterium Geobacillus stearothermophilus B5 isolated from compost reveal its enzymatic basis for lignocellulose degradation [J]. Microorganisms, 2020, 8(9): 1−18.
[40]	王腾浩, 潘岳龙, 沈炜, 等. 蜡样芽孢杆菌与粪肠球菌协同发酵豆粕工艺条件优化 [J]. 饲料研究, 2020, 43(3):74−77. WANG T H, PAN Y L, SHEN W, et al. The optimization of fermentation conditions of soybean meal by using Bacillus Cereus and Enterococcus Faecalis [J]. Feed Research, 2020, 43(3): 74−77.(in Chinese)
[41]	LI Y, CHI M, GE X, et al. Identification of a novel hydrolase encoded by hy-1 from Bacillus amyloliquefaciens for bioremediation of carbendazim contaminated soil and food [J]. International journal of agricultural and biological engineering, 2019, 12(2): 218−224. DOI: 10.25165/j.ijabe.20191202.4190
[42]	阚洪媛, 杨世鑫, 孙梁伦, 等. 一株耐铅、锌、铬菌株的分离鉴定及其吸附能力 [J]. 微生物学通报, 2020(12):3974−3986. KAN H Y, YANG S X, SUN L L, et al. Isolation, identification and adsorption capacity of a strain resistant to lead, zinc and chromium [J]. Microbiology China, 2020(12): 3974−3986.(in Chinese)
[43]	潘建华, 刘瑞霞. 蜡状芽孢杆菌Bacillus cereus吸附铅的研究 [J]. 环境科学, 2004, 25(2):166−169. DOI: 10.3321/j.issn:0250-3301.2004.02.034 PAN J H, LIU R X. Biosorption of Pb ²⁺ by Bacillus cereus Biomass [J]. Environmental Science, 2004, 25(2): 166−169.(in Chinese) DOI: 10.3321/j.issn:0250-3301.2004.02.034
[44]	呼庆, 齐鸿雁, 窦敏娜, 等. 强抗镉蜡状芽孢杆菌的分离鉴定及其抗性机理 [J]. 环境科学, 2007, 28(2):427−430. DOI: 10.3321/j.issn:0250-3301.2007.02.038 HU Q, QI H Y, DOU M N, et al. Isolation, molecular characterization and resistance mechanism study on a cadmium hyperresistant Bacillus cereus [J]. Environmental Science, 2007, 28(2): 427−430.(in Chinese) DOI: 10.3321/j.issn:0250-3301.2007.02.038
[45]	段海明. 两株蜡状芽孢杆菌对毒死蜱的降解动力学研究 [J]. 中国生态农业学报, 2013, 21(2):207−211. DUAN H M. Kinetics of chlorpyrifos degradation by Bacillus cereus strains [J]. Chinese Journal of Eco-Agriculture, 2013, 21(2): 207−211.(in Chinese)
[46]	LU M, ZHANG Z Z. Phytoremediation of soil co-contaminated with heavy metals and deca-BDE by co-planting of Sedum alfredii with tall fescue associated with Bacillus cereus JP12 [J]. Plant and Soil, 2014, 382(1/2): 89−102.
[47]	NAYAK A K, PANDA S S, BASU A, et al. Enhancement of toxic Cr (VI), Fe, and other heavy metals phytoremediation by the synergistic combination of native Bacillus cereus strain and Vetiveria zizanioides L [J]. International Journal of Phytoremediation, 2018, 20(7): 682−691. DOI: 10.1080/15226514.2017.1413332
[48]	XIONG Y W, LI X W, WANG T T, et al. Root exudates-driven rhizosphere recruitment of the plant growth-promoting rhizobacterium Bacillus flexus KLBMP 4941 and its growth-promoting effect on the coastal halophyte Limonium sinense under salt stress [J]. Ecotoxicology and Environmental Safety, 2020, 194: 110374. DOI: 10.1016/j.ecoenv.2020.110374
[49]	KUMAR A, PRIYADARSHINEE R, SINGHA S, et al. Biodegradation of alkali lignin by Bacillus flexus RMWW II: Analyzing performance for abatement of rice mill wastewater [J]. Water Science and Technology, 2019, 80(9): 1623−1632. DOI: 10.2166/wst.2020.005
[50]	MOHANTY S S, KUMAR A. Response surface methodology mediated optimization of Indanthrene Blue RS by a novel isolated bacterial strain Bacillus flexus TS8 [J]. Water Environment Research, 2020, 92(4): 569−578. DOI: 10.1002/wer.1246
[51]	REDA F M, HASSANEIN W A, MOABED S, et al. Potential exploitation of Bacillus flexus biofilm against the cowpea weevil, Callosobruchus maculatus (F.) (Coleoptera: Bruchidae) [J]. Egyptian Journal of Biological Pest Control, 2020, 30(1): 1−7. DOI: 10.1186/s41938-020-0205-x
[52]	NAM J H, BAE W, LEE D H. Oceanobacillus caeni sp. nov., isolated from a Bacillus-dominated wastewater treatment system in Korea [J]. International Journal of Systematic and Evolutionary Microbiology, 2008, 58: 1109−1113. DOI: 10.1099/ijs.0.65335-0

施引文献(26)

期刊类型引用(12)

1.	李金瑞，杜建军，张宏鸣，郭新宇，赵春江. 基于轻量化MLCE-RTMDet的人工去雄后玉米雄穗检测算法. 农业机械学报. 2024(11): 184-192+503 . 百度学术
2.	陶兆胜，宫保国，李庆萍，赵瑞，伍毅，吴浩. 基于残差网络和特征融合的小麦图像修复模型. 农业机械学报. 2023(03): 318-327 . 百度学术
3.	朱德利，文瑞，熊俊逸 . 融合坐标注意力机制的轻量级玉米花丝检测. 农业工程学报. 2023(03): 145-153 . 百度学术
4.	张晓勐，朱德利，余茂生. 无人机遥感图像中的玉米雄穗轻量化检测模型. 江西农业大学学报. 2022(02): 461-472 . 百度学术
5.	舒时富，李艳大，曹中盛，孙滨峰，叶春，吴罗发，朱艳，丁艳锋，何勇. 基于无人机图像的水稻地上部生物量估算. 福建农业学报. 2022(07): 824-832 . 本站查看
6.	汪斌斌，杨贵军，杨浩，顾寄南，赵丹，许思喆，徐波. 基于YOLO＿X和迁移学习的无人机影像玉米雄穗检测. 农业工程学报. 2022(15): 53-62 . 百度学术
7.	张宇，徐浩然，牛家俊，涂淑琴，赵文锋. 基于YOLOv4和双重回归的复杂环境檀香树缺苗定位方法. 农业机械学报. 2022(11): 299-305+340 . 百度学术
8.	李金营，王竹海，曹俊娥. 基于ZigBee技术的遥感数据传输完整度监测研究. 经纬天地. 2021(02): 65-67+80 . 百度学术
9.	王宇歌，张涌，黄林雄，赵奉奎. 基于卷积神经网络的麦穗目标检测算法研究. 软件工程. 2021(08): 6-10 . 百度学术
10.	杨蜀秦，刘江川，徐可可，桑雪，宁纪锋，张智韬. 基于改进CenterNet的玉米雄蕊无人机遥感图像识别. 农业机械学报. 2021(09): 206-212 . 百度学术
11.	王季. 基于EfficientDet的全球小麦麦穗检测方法研究. 农业装备与车辆工程. 2021(12): 108-111 . 百度学术
12.	朱永宁，周望，杨洋，李剑萍，李万春，金红伟，房峰. 基于Faster R-CNN的枸杞开花期与果实成熟期识别技术一. 中国农业气象. 2020(10): 668-677 . 百度学术

其他类型引用(14)

资源附件(0)

图(7) / 表(4)

计量

文章访问数: 673
HTML全文浏览量: 212
PDF下载量: 24
被引次数: 26

0. 引言
1. 材料与方法
1.1 试验田、图像采集和标签
1.2 目标检测框架
1.3 目标检测模型在玉米雄穗数据集上的训练
1.4 损失函数
1.5 模型评价
2. 结果与分析
2.1 Faster R-CNN、YOLO v3和SSD框架在数据集上的训练与评估
2.2 模型在测试数据上的测试结果
2.3 模型的性能比较
3. 讨论与结论

0. 引言
1. 材料与方法
1.1 试验田、图像采集和标签
1.2 目标检测框架
1.3 目标检测模型在玉米雄穗数据集上的训练
1.4 损失函数
1.5 模型评价
2. 结果与分析
2.1 Faster R-CNN、YOLO v3和SSD框架在数据集上的训练与评估
2.2 模型在测试数据上的测试结果
2.3 模型的性能比较
3. 讨论与结论

参考文献(52)

施引文献

资源附件(0)

油茶壳堆肥微生物的培养及功能芽孢杆菌的筛选和初步应用

作者简介: 张声峰（1990−），男，硕士研究生，研究方向：微生物工程（E-mail：1908391037@st.gxu.edu.cn）

通讯作者: 杨辉（1972−），男，博士，高级工程师，研究方向：食品发酵和酶工程（E-mail：huiy422@gxu.edu.cn）

计量

出版历程

Functional Bacillus Species in Camellia Seed Shell Compost

0. 引言

1. 材料与方法

1.1 试验田、图像采集和标签

1.2 目标检测框架

1.3 目标检测模型在玉米雄穗数据集上的训练

1.4 损失函数

1.5 模型评价

2. 结果与分析

2.1 Faster R-CNN、YOLO v3和SSD框架在数据集上的训练与评估

2.2 模型在测试数据上的测试结果

2.3 模型的性能比较

3. 讨论与结论

期刊类型引用(12)

其他类型引用(14)

计量

出版历程

目录

0. 引言

1. 材料与方法

1.1 试验田、图像采集和标签

1.2 目标检测框架

1.3 目标检测模型在玉米雄穗数据集上的训练

1.4 损失函数

1.5 模型评价

2. 结果与分析

2.1 Faster R-CNN、YOLO v3和SSD框架在数据集上的训练与评估

2.2 模型在测试数据上的测试结果

2.3 模型的性能比较

3. 讨论与结论

作者简介:
张声峰（1990−），男，硕士研究生，研究方向：微生物工程（E-mail：1908391037@st.gxu.edu.cn）

通讯作者:
杨辉（1972−），男，博士，高级工程师，研究方向：食品发酵和酶工程（E-mail：huiy422@gxu.edu.cn）